Beitragsbild: KI im Entwickler-Alltag: Von MCP über Agentic Loops bis Spec Engineering

Zurück zur Blog-Übersicht

KI im Entwickler-Alltag: Von MCP über Agentic Loops bis Spec Engineering

AI Marc Lettau-Poelchen 4 min Lesedauer
kiaillmmcpagentic-loopsspec-engineeringcontext-engineering

Vor zwei Jahren bestand die Kunst im Umgang mit KI darin, möglichst clevere Prompts zu formulieren. Heute spielen Prompts nur noch eine Nebenrolle. Moderne Entwicklungsumgebungen wie Claude Code, Cursor oder OpenAI Codex arbeiten grundlegend anders: Sie planen Aufgaben, sammeln Informationen, nutzen Werkzeuge, überprüfen ihre Ergebnisse und verbessern diese eigenständig.[1] Der eigentliche Fortschritt liegt daher nicht im besseren Prompt, sondern im besseren System.

Doch damit dieses System überhaupt greifen kann, braucht die KI erst einmal einen Zugang zur Außenwelt – weg vom reinen Text-Orakel hin zum handelnden Akteur.

Was passiert eigentlich bei einem MCP-Server?

Das Model Context Protocol (MCP) standardisiert die Kommunikation zwischen einem Sprachmodell und externen Werkzeugen.[2] Man kann es sich wie einen USB-Anschluss für KI vorstellen: Das Modell kennt den Standard, welche Werkzeuge tatsächlich angeschlossen sind, entscheidet der MCP-Server.

Ein typischer Ablauf:

  1. Der Benutzer stellt eine Aufgabe.
  2. Das Modell erkennt, dass externe Informationen oder Aktionen erforderlich sind.
  3. Es fragt verfügbare Werkzeuge über MCP ab.[2]
  4. Das passende Tool wird ausgeführt.
  5. Das Ergebnis fließt zurück in den Kontext.
  6. Das Modell entscheidet über den nächsten Schritt.

MCP macht Werkzeuge austauschbar. Die eigentliche Intelligenz entsteht jedoch erst darüber.

Warum AI Agents Tools brauchen

Ein LLM kann hervorragend Sprache erzeugen. Es kann aber weder ein Git-Repository durchsuchen noch Tests ausführen oder eine Datenbank abfragen. Erst Werkzeuge verleihen einem Agenten Handlungsmöglichkeiten.

Dabei hilft folgende Einordnung:

Komponente Aufgabe
LLM Versteht Sprache und erzeugt Antworten
Workflow Führt einen festen Ablauf aus
Agent Plant eigenständig und entscheidet, welche Werkzeuge benötigt werden

Viele Systeme werden heute als "AI Agent" vermarktet, obwohl sie lediglich starre Workflows darstellen. Ein echter Agent entscheidet situativ und passt sein Vorgehen an neue Informationen an.

Der eigentliche Durchbruch: Agentic Loops

Die wahre Innovation moderner Agenten ist der sogenannte Agentic Loop.[1] Statt einmal eine Antwort zu erzeugen, wiederholt das System fortlaufend einen Zyklus aus Planung, Werkzeugnutzung und Bewertung.

Plan → Tool verwenden → Ergebnis bewerten → Plan anpassen → nächster Schritt

Soll beispielsweise OAuth implementiert werden, analysiert der Agent zunächst das Repository, liest Dokumentation, schreibt Code, führt Tests aus, korrigiert Fehler und startet den Zyklus erneut. Das Sprachmodell wird dabei vielfach aufgerufen. Genau diese iterative Arbeitsweise lässt moderne Coding-Agents deutlich leistungsfähiger erscheinen als klassische Chatbots.

Warum mehr Kontext nicht automatisch bessere Antworten liefert

Jedes Sprachmodell besitzt ein begrenztes Context Window. Darin befinden sich Chatverlauf, Dokumente, Tool-Ergebnisse und Anweisungen. Mehr Informationen bedeuten jedoch nicht automatisch bessere Antworten. Zu viel irrelevanter Kontext erschwert es dem Modell, die wirklich wichtigen Informationen zu gewichten.

Deshalb setzen moderne Systeme auf Retrieval-Augmented Generation (RAG).[3] Statt komplette Wissenssammlungen zu übergeben, werden nur die für die aktuelle Aufgabe relevanten Informationen eingebunden. Weniger Kontext ist häufig präziserer Kontext.

Prompt Engineering ist tot – lang lebe Spec Engineering

Prompts bleiben wichtig, stehen aber nicht mehr im Mittelpunkt. Moderne Agentensysteme arbeiten mit umfangreichen Spezifikationen:

  • Architekturvorgaben
  • Coding Guidelines
  • Teststrategie
  • Projektstruktur
  • Berechtigungen
  • verfügbare Werkzeuge
  • Qualitätsregeln

Diese Spezifikation beantwortet Fragen wie: Welche Dateien darf der Agent ändern? Wann muss getestet werden? Wann soll nachgefragt werden? Damit ähnelt sie eher dem Onboarding eines neuen Teammitglieds als einem einzelnen Prompt.

Context Engineering als neue Kernkompetenz

Context Engineering entscheidet darüber, welche Informationen dem Agenten zur richtigen Zeit bereitgestellt werden. Gute Dokumentation, Architecture Decision Records, strukturierte READMEs, Tool-Beschreibungen und automatisierte Tests bilden den Kontext, auf dessen Basis ein Agent zuverlässig arbeiten kann.

Schlechte Dokumentation erschwert heute nicht nur Menschen die Arbeit – sie bremst auch KI-Agenten aus.

Fazit

Die Entwicklung moderner KI verschiebt sich von einzelnen Sprachmodellen hin zu vernetzten Systemen. MCP standardisiert den Zugriff auf Werkzeuge.[2] Agentic Loops ermöglichen iteratives Arbeiten. Retrieval hält den Kontext relevant.[3] Spec Engineering beschreibt das Verhalten eines Agenten. Context Engineering liefert ihm die richtigen Informationen.

Nicht der perfekte Prompt entscheidet künftig über gute Ergebnisse, sondern die Qualität des gesamten Systems aus Kontext, Spezifikation, Werkzeugen und Feedback.

Quellen

  1. OpenAI Platform Documentation: platform.openai.com/docs ↩ ↩2

  2. Model Context Protocol: modelcontextprotocol.io ↩ ↩2 ↩3

  3. Lewis, P. et al. (2020): Retrieval-Augmented Generation for Knowledge-Intensive NLP Tasks. arxiv.org/abs/2005.11401 ↩ ↩2