23. Juni 2026

Loops statt Prompts - Ein Click-Bait?

Seht ihr auch diese ganzen Artikel: "Hör auf zu prompten, baue Loops!"

Auf LinkedIn häufen sich Empfehlungen, man solle keine Prompts mehr schreiben, sondern Loops bauen, um mit einem Sprachmodell zu arbeiten. Die Formulierung klingt nach einer grundlegenden Neuausrichtung der Arbeitsweise. Ob dahinter ein echtes technisches Konzept steckt oder geschickte Reichweiten-Rhetorik, lässt sich nur trennen, wenn man den Begriff sauber auseinandernimmt.

Die LinkedIn-Verkürzung und der echte Kern

Hinter dem Schlagwort steckt ein technischer Kern, den das Marketing meist zu stark vereinfacht. Der Kern ist der Übergang vom einzelnen Prompt, bei dem ein Prompt abgeschickt wird und eine Antwort zurückkommt, zur agentischen Schleife. In dieser Schleife schlägt das Modell eine Aktion vor, die Aktion wird ausgeführt, etwa ein Tool-Aufruf, eine Websuche oder ein Stück Code, das Ergebnis fließt zurück ins Modell, und das Modell entscheidet den nächsten Schritt. Das wiederholt sich, bis ein Ziel erreicht ist.

Genau nach diesem Muster arbeiten heutige Coding-Agenten. Der akademische Bezugspunkt ist das ReAct-Paper von Yao und Kollegen aus den Jahren 2022 und 2023, das Reasoning und Acting verbindet. Die selbstkorrigierende Variante, bei der das Modell seinen eigenen Output bewertet und nachbessert, geht auf Reflexion von Shinn und Kollegen aus 2023 zurück.

Die Verkürzung beginnt bei der Formel „Hör auf, Prompts zu schreiben, bau Loops". Sie ist logisch schief, weil ein Loop aus Prompts besteht. Man schreibt nicht weniger, man hört auf, jeden Schritt von Hand auszulösen, und kapselt den Ablauf stattdessen in ein wiederholbares System mit Rückkopplung.

Die eigentliche Verschiebung geht weg vom Prompt Engineering, also dem Finden der perfekten Formulierung, hin zum Context Engineering, also der Steuerung dessen, was alles im Kontextfenster landet. Dazu gehören Tools, Zwischenergebnisse, Speicher und Suchtreffer.

Ein einfacher Test trennt substanzielle Beiträge von Reichweiten-Content. Sagt ein Beitrag konkret, was in der Schleife passiert, welche Tools sie nutzt, wann sie abbricht und wie Fehler zurückgespielt werden? Oder bleibt es bei „Loops statt Prompts" und „Mindset-Shift, die meisten kapieren das nicht"? Das Erste beschreibt echtes Agenten-Engineering, das Zweite verkauft meist einen Kurs.

Drei Türen zu derselben Fähigkeit

Bevor es um Loops in der Praxis geht, lohnt der Blick auf die Werkzeuge. Anthropic bietet im Kern eine agentische Fähigkeit über drei verschiedene Zugänge an, jeder zugeschnitten auf einen anderen Arbeitstyp.

Der normale Chat beantwortet Fragen und arbeitet im engen Dialog. Er ist der beratende Ansatz, beantwortet Fragen, erklärt Zusammenhänge und eignet sich für Ideenfindung, Sparring und das iterative Schreiben im Dialog.

Claude Code lebt im Terminal oder in der IDE und richtet sich an Menschen, die Software schreiben. Am häufigsten dient er dazu, fremden Code zu verstehen, Fehler bis zur Ursache zu verfolgen, zu refactoren und Tests zu schreiben, aber natürlich auch für komplette Neuentwicklungen.

Claude Cowork bringt dieselbe agentische Architektur in eine Desktop-App für Wissensarbeit ohne Terminal. Cowork läuft in einer isolierten Umgebung, greift auf freigegebene Ordner zu, bindet externe Tools über das Model Context Protocol (MCP) ein und kann wiederkehrende Aufgaben zeitgesteuert ausführen. Die Faustregel dahinter ist griffig. Typisch sind das Zusammenführen vieler Quellen zu einem Bericht, das Erstellen fertiger Dokumente aus Rohmaterial, Datei- und Datenarbeit in größerem Umfang und wiederkehrende geplante Routinen.

Was ein Loop von einem Prompt unterscheidet

Der Unterschied liegt darin, wer die Kontrolle über den Ablauf hält. Bei einem einzelnen Prompt liegt sie beim Menschen, der den nächsten Schritt selbst formuliert. Bei einem Loop ist das Modell der Controller. Es entscheidet selbst, was der nächste Schritt ist und wann das Ziel erreicht ist. Im Kern sind autonome Agenten Sprachmodelle, die Tools auf Basis von Rückmeldungen aus der Umgebung in einer Schleife nutzen.

Loop oder Orchestrierung

In Architektur-Diskussionen tauchen oft orchestrierte Agenten auf, und sie werden gern mit einem Loop in einen Topf geworfen. Die saubere Trennlinie liefert Anthropics Leitfaden „Building Effective Agents" von Ende 2024. Workflows sind Systeme, in denen Sprachmodelle und Tools über fest vorgegebene Code-Pfade koordiniert werden. Agenten sind Systeme, in denen die Modelle ihre eigenen Abläufe und ihre Tool-Nutzung selbst steuern.

Wichtig ist, dass beide keine Gegensätze sind. Sie verschachteln sich. Der Loop ist der Baustein, die Orchestrierung ist die Architektur darüber. Eine Orchestrierung besteht oft aus mehreren Agenten, von denen jeder intern ein Loop ist, und der Orchestrator selbst kann ebenfalls eine Schleife sein. Anthropic ordnet die Bausteine als Komplexitätsleiter an, von Prompt Chaining über Routing, Parallelisierung und Orchestrator-Worker bis zum Evaluator-Optimizer. Die unteren Stufen sind code-koordinierte Workflows, der echte Agent ist erst die offene Schleife am oberen Ende.

Wann ein Prompt schon ein Loop ist

Eine naheliegende Frage lautet, ob man bereits einen Loop startet, wenn man das Modell 

in einem Prompt bittet, eine Aufgabe mit klaren Erfolgsregeln zu lösen und die eigene Arbeit zu prüfen, bis das Ziel erreicht ist. Die Antwort ist ein vorsichtiges Ja, das an drei Bedingungen hängt.

Die erste Bedingung betrifft die Quelle des Feedbacks. Prüft das Modell seine Arbeit nur selbst, ohne echtes externes Signal, dann bewertet dasselbe Modell seinen eigenen Output. Das ist logisch schwach. Einen Fehler, den es beim Erzeugen nicht gesehen hat, sieht es beim Bewerten nicht zwingend besser, weil es keinen neuen Informationszugang hat. Das gilt besonders für Faktenfehler und Halluzinationen. Kommt dagegen echtes Feedback aus der Umgebung dazu, etwa Code, der wirklich ausgeführt wird, oder eine Suche, die neue Fakten liefert, dann liegt ein echter Loop vor.

Die zweite Bedingung betrifft den Zwang zur Wiederholung. Ein technischer Loop wiederholt sich strukturell, weil der Code das Modell erneut aufruft. Ein Prompt, der zum Iterieren auffordert, ist eine Bitte, keine Garantie. Das Modell könnte nach einer Runde abbrechen und „fertig" melden, obwohl es nicht gründlich geprüft hat.

Die dritte Bedingung betrifft das Abbruchsignal. „Ziel erreicht" durch die eigene Einschätzung des Modells ist ein weiches Signal. „Testsuite grün" oder „Renderer wirft keinen Fehler" ist ein hartes Ziel und macht das Stoppkriterium verlässlich.

Wer einen echten Prompt-Loop baut, baut einen ausführbaren Test als Abbruchkriterium ein, verlässt sich bei Faktentreue nicht auf die Selbstkontrolle des Modells und setzt ein hartes Iterationslimit. Die Trennung von Erzeuger und Prüfer ist dabei der stärkste Hebel, weil sie die Schwäche der Selbstbewertung umgeht. Echte Trennung entsteht erst dann, wenn der Prüfer ein separater Aufruf mit eigenem, frischem Kontext ist und idealerweise auf einem objektiven Test fußt.

Fazit

Der Begriff Loop ist mehr als ein Schlagwort, sobald man ihn auf echtes Feedback, erzwungene Wiederholung und ein objektives Abbruchsignal herunterbricht. Sein Wert hängt an der Aufgabe. Für überprüfbare, wiederkehrende Arbeit lohnt sich die Schleife in Cowork, für Urteil und Argumentation bleibt der Chat das bessere Werkzeug.

Quellen

• Anthropic, „Building Effective Agents" (19. Dezember 2024), von Erik Schluntz und Barry Zhang, zur Unterscheidung von Workflows und Agenten und zu den Bausteinen Prompt Chaining, Routing, Parallelisierung, Orchestrator-Worker und Evaluator-Optimizer. https://www.anthropic.com/research/building-effective-agents
   
• Anthropic, „Effective context engineering for AI agents", zur Verschiebung vom Prompt- zum Context-Engineering und zur Definition eines Agenten als Sprachmodell, das Tools eigenständig in einer Schleife nutzt.
  https://www.anthropic.com/engineering/effective-context-engineering-for-ai-agents
   
• Yao u. a., „ReAct: Synergizing Reasoning and Acting in Language Models" (6. Oktober 2022), zur Verschränkung von Schlussfolgern und Handeln.
  https://arxiv.org/abs/2210.03629
   
• Shinn u. a., „Reflexion: Language Agents with Verbal Reinforcement Learning" (20. März 2023, NeurIPS 2023), zur selbstkorrigierenden Schleife.
  https://arxiv.org/abs/2303.11366

Experten mit Struktur und auf Augenhöhe

finden Sie bei der F&P Executive Solutions AG.