Zusammenfassung der Kerninhalte
In letzter Zeit hat im Bereich der AI-Programmierung eine neue Trendbewegung namens „Loop Engineering“ Aufsehen erregt: Während Entwickler früher manuell Anweisungen („Prompts“) für die AI schrieben, damit diese Code erstellt, schlagen Experten nun vor, ein systematisches Feedback-System zu entwickeln, das es der AI ermöglicht, sich selbst anzuleiten und kontinuierlich zu arbeiten. Zwei Branchenexperten – Boris Cherny, der Schöpfer von Claude Code, und Peter Steinberger, der Gründer von „Lobster“ – befürworten dieses neue Paradigma. Allerdings stehen dem Ansatz auch praktische Herausforderungen gegenüber, wie hohe Kosten für Tokens und schwierige Debugging-Prozesse. Claude Code unterstützt bereits die Loop-Funktion standardmäßig und hat einige technische Probleme bei langfristiger Ausführung gelöst.
1. Loop Engineering: Von der „Steuerung der AI“ zur „Selbststeuerung durch die AI“
Einfach ausgedrückt: Früher schrieb man den Code direkt in die AI-Tools und wartete darauf, dass die AI die Ergebnisse lieferte, um anschließend Anpassungen vorzunehmen. Bei Loop Engineering erstellt man stattdessen Regeln für einen Arbeitszyklus – beispielsweise „Überprüfe jede Stunde, ob es Fehler auf der Login-Seite gibt → Behebe diese Fehler → Teste den Code automatisch → Wenn der Test erfolgreich ist, übermittle ihn“. Die AI führt diesen Zyklus anschließend selbstständig aus, ohne dass man jedes Mal neue Anweisungen geben muss.
Boris Cherny erklärt, dass seine Arbeit inzwischen darin besteht, solche Zyklen zu programmieren – anstatt bloß Prompts zu verfassen. Peter Steinberger betont: „Man sollte der AI keine weiteren Anweisungen mehr geben, sondern Mechanismen entwickeln, die sie selbst steuern.“ Dies entspricht in etwa der Bereitstellung eines „Autonomie-Manuals“ für die AI, wodurch sie von einer „Zeitarbeiterin“ zu einem „kontinuierlich arbeitenden Mitarbeiter“ wird.
2. Loop ist keine „unendliche Wiederholung“ – es benötigt „Bremsen“ und „Navigation“
Manche fragen sich: Ist ein Loop nicht einfach nur die regelmäßige Wiederholung einer Aufgabe (z. B. das tägliche Automatisieren von E-Mails)? Tatsächlich muss ein effektiver Loop einen Feedback-Zyklus beinhalten – ähnlich wie bei der Zuweisung von Aufgaben an Mitarbeiter, bei denen klar definiert ist, was das Ziel ist, wie gut die Arbeit erledigt wird und wann sie abgeschlossen werden soll.
Ein Beispiel: Bei einem Loop zur Optimierung eines E-Commerce-Systems könnte das Ziel die Steigerung der Konvertionsraten sein. Die AI würde dann wiederholt folgende Schritte ausführen: Daten zu Nutzerverhalten analysieren, die Layout der Produktseiten anpassen, A/B-Tests durchführen und prüfen, ob sich die Konvertionsraten verbessert haben. Wenn das Ziel nicht erreicht wird, wird die Optimierung fortgesetzt; wenn doch, wird der Loop beendet. Dabei dienen die Konvertionsraten als Feedback, das Erreichen des Ziels als „Brems“ und die Anpassungen der Richtung als „Navigation“.
Garry Tan, CEO von YC, warnt davor, die AI in eine „Fujikang-artige Maschine zur endlosen Wiederholung“ zu verwandeln – sie sollte vielmehr in der Lage sein, selbst Probleme zu erkennen und Prozesse zu optimieren. Ohne Feedback könnte die AI Fehler wiederholen (z. B. fehlerhaften Code weiterhin senden).
3. Praktische Herausforderungen: Hohe Kosten für Tokens – normale Entwickler können sich das nicht leisten
Die Idee von Loop Engineering ist zwar attraktiv, doch das größte Problem sind die hohen Kosten. Jede Iteration eines Loops bedeutet einen Aufruf der AI-API und somit den Verbrauch von Tokens (die „Energie“ der AI). Bei einer Ausführung alle 1 Minute wären in 8 Stunden 480 Aufrufe erforderlich, was sehr teuer ist. Große Unternehmen wie Anthropic und OpenAI verfügen über nahezu unbegrenzte Token-Vorräte, während normale Entwickler oder kleine Teams finanzielle Einschränkungen haben. Einige kritisieren: „Ein Paket für 20 US-Dollar reicht bei weitem nicht aus!“ Peter Steinberger argumentiert, dass Zeit wertvoller sei als Tokens – doch andere sehen dies eher als finanzielles Problem und nicht als technisches Hindernis.
Um die Kosten zu senken, hat Claude Code einige Einschränkungen eingeführt: Der minimale Abstand zwischen zwei Loops beträgt 1 Minute, die maximale Laufzeit 3 Tage, und der Loop stoppt automatisch, wenn das Terminal geschlossen wird. Doch dies löst nur die Symptome – um eine kontinuierliche Arbeitsfähigkeit der AI zu gewährleisten, sind weiterhin Kosten erforderlich.
4. Die Weiterentwicklung von Claude Code: Von 20 Minuten Laufzeit auf mehrere Tage
Vor einem Jahr konnte Claude Code nur für 20 Minuten durchlaufen; heute ist eine Dauerausführung über mehrere Tage möglich. Dabei wurden drei wesentliche Probleme gelöst:
- Verlust des Kontextes: Früher vergaß die AI bei jedem Zyklus, was zuvor geschehen war. Heute behält sie den Sitzungskontext bei und erinnert sich an frühere Aktionen (z. B. behobene Fehler).
- Schwache Planungsfähigkeit: Die AI versuchte früher entweder, alle Aufgaben auf einmal zu erledigen oder hörte mitten im Prozess auf. Heute nutzt sie Modelle wie Opus für die Planung (z. B. teilt die Aufgabe „E-Commerce-Website erstellen“ in „Startseite → Produktseiten → Zahlungsseite“ auf) und Modelle wie Sonnet zur Ausführung des Codes – es gibt eine klare Arbeitsteilung.
- Ungenaue Selbstbeurteilung: Früher betrachtete die AI halbfertige Ergebnisse als fertiggestellt. Heute verwendet sie einen „Generator“, der den Code erstellt, sowie einen „Evaluator“ und „Planer“, der die Tests durchführt (z. B. mit Tools wie Playwright) und die Aufgaben strukturiert. Zudem wird vor Beginn des Codes ein Abkommen über die Akzeptanzkriterien getroffen (z. B. „Nach Klick auf den Button muss die Seite zur Zahlungsseite weiterleiten“), um Missverständnisse zu vermeiden.
5. Herausforderungen bei der Umsetzung: Schwieriges Debugging, hohe Migrationskosten
Viele Entwickler stellen fest, dass die praktische Anwendung von Loop Engineering komplizierter ist als erwartet:
- Schwieriges Debugging: Das Debuggen eines Loops, der bereits 47 Mal ausgeführt wurde, ist deutlich schwieriger als das Debuggen eines einzelnen Prompts. Man muss den Zustand jeder Iteration nachverfolgen, um Fehler zu finden.
- Hohe Migrationskosten: Einige Teams entdecken, dass Loop Engineering für ihre Projekte nicht geeignet ist; die Umstellung auf andere Tools erfordert viel Zeit und Ressourcen. Ein Entwickler bemerkt: „Nachdem ich Loop in unserem Unternehmen eingeführt habe, möchte niemand mehr damit arbeiten.“
- Mangelnde Grundlagen: Viele Entwickler haben Schwierigkeiten, zuverlässige Prompts zu erstellen; sie versuchen direkt mit Loop Engineering – was oft zu zahlreichen Problemen führt.
Fazit: Loop Engineering ist die nächste Stufe der AI-Programmierung und ermöglicht es der AI, von einer passiven zur aktiven Arbeitsweise überzugehen. Allerdings gibt es noch viele Herausforderungen in Bezug auf Kosten, Debugging und die praktische Umsetzung. Für große Unternehmen ist dies ein Instrument zur Effizienzsteigerung; für normale Entwickler wird es jedoch erst sinnvoll sein, wenn die Technologie weiter gereift ist und die Kosten gesunken sind. Doch dieser Trend ist bereits im Gange – vielleicht werden in einigen Monaten auf LinkedIn zahlreiche Profile von „Loop-Engineern“ zu finden sein.