Start › News

Praxisbericht · Agenten

Wie ein Softwarehaus seine KI-Agenten aus Korrekturen lernen lässt

Ein KI-Agent macht denselben Fehler zum dritten Mal, weil sein Wissen mit der Sitzung endet. Warp beschreibt einen Kreislauf aus zwei Textdateien, der die Korrekturen festhält — und der sich auf andere Betriebe übertragen lässt.

29. August 2026 · 3 Minuten Lesezeit

Das US-Unternehmen Warp, Anbieter eines KI-gestützten Terminals für Entwickler, hat Ende August 2026 beschrieben, wie es seine eigenen KI-Agenten aus menschlichen Korrekturen lernen lässt. Warp gibt 800.000 Entwickler an, die den Dienst monatlich nutzen. Ausgangspunkt war ein interner Agent für Code-Reviews, dessen Kommentare die eigenen Programmierer als unbrauchbar empfanden.

Die Ursache benannte das Team eindeutig: Rückmeldungen verschwanden mit dem Ende der Sitzung. Anweisungen nach jedem Fehlgriff von Hand nachzuschärfen, half kurzfristig und ließ sich bei wachsender Nutzung nicht mehr durchhalten.

Zwei Textdateien und ein Pull Request: so läuft der Kreislauf

Warp teilt das Wissen des Agenten auf zwei Textdateien auf, sogenannte Skills. Die erste enthält die Fachkenntnisse und Arbeitsanweisungen und läuft, sobald ein Pull Request geöffnet wird. Die zweite arbeitet nach Zeitplan im Hintergrund, sammelt die Rückmeldungen der Entwickler ein, vergleicht sie mit der Ausgabe des Agenten und schlägt eine Änderung an der ersten Datei vor.

Weil beide Dateien reiner Text sind, geht dieser Vorschlag als Pull Request durch dieselbe Prüfung wie Programmcode. Ein Mensch liest ihn, entscheidet und führt ihn zusammen. Beim nächsten Durchlauf arbeitet der Basis-Agent mit dem neuen Stand.

Ein Beispiel nennt Warp aus der Fehlersortierung. Ein Agent vergab bei neuen GitHub-Meldungen eine bestimmte Kennzeichnung nicht, ein Betreuer schrieb das als Kommentar direkt an die Meldung, der beobachtende Agent machte daraus einen knappen Änderungsvorschlag. Im offenen Repository des Unternehmens laufen inzwischen getrennte Kreisläufe für Spezifikationen, Code-Prüfung und Fehlersortierung.

Was die Darstellung offenlässt

Eine Zahl dafür, wie viel besser die Code-Reviews geworden sind, fehlt. Keine Trefferquote vorher und nachher, keine Angabe zur eingesparten Zeit. Veröffentlicht hat den Text Anthropic, dessen Plattform Warp einsetzt — als unabhängige Prüfung taugt er nicht.

Offen bleibt auch der Aufwand: was der beobachtende Agent an Rechenzeit kostet und wie viele Rückmeldungen nötig sind, bevor sein erster Vorschlag brauchbar ist. Warp weist selbst darauf hin, dass Feedback falsch sein kann und ein Mensch entweder beim Filtern oder bei der Freigabe mitlesen sollte.

Warum das auch außerhalb der Softwareentwicklung zählt

Der Kreislauf setzt drei Dinge voraus, die es in vielen Betrieben gibt: eine schriftlich festgehaltene Arbeitsanweisung, eine Stelle, an der Korrekturen ohnehin anfallen, und jemanden, der Änderungen freigibt. GitHub ist dafür ein Werkzeug unter mehreren. Entscheidend ist, dass die Anweisung an einem Ort steht, den man ändern und nachvollziehen kann.

Nehmen Sie die Angebotserstellung im technischen Handel. Ein Sprachmodell schreibt den Entwurf, der Vertriebsleiter streicht jedes Mal denselben Absatz zur Lieferzeit heraus und ergänzt dieselbe Staffelung. Heute steht diese Korrektur in einer Mail und ist am Freitag verschwunden. Steht sie in der Anweisungsdatei, gilt sie beim nächsten Angebot.

In Projekten sehe ich diesen Verlust regelmäßig. Dieselbe Korrektur wird dem System zum dritten Mal erklärt, weil niemand festgelegt hat, wohin sie gehört. Ein System, das jede Woche dieselbe Korrektur bekommt, hat kein Modellproblem, sondern ein Gedächtnisproblem.

Warp gibt drei Hinweise weiter, die sich übertragen lassen. Anweisungen so formulieren, wie man sie einem klugen neuen Kollegen geben würde, statt jede Ausnahme auszubuchstabieren. Die Begründung mitschreiben. Und die Rückmeldung dort einsammeln, wo die Leute ohnehin arbeiten, weil zusätzliche Formulare den Zufluss abwürgen.

Was sich am Montag anfangen lässt

Suchen Sie eine Aufgabe, bei der jemand die Ausgabe eines KI-Systems ohnehin jede Woche korrigiert. Schreiben Sie die Anweisung in eine einzelne Datei mit Datum und einem Verantwortlichen. Sammeln Sie zwei Wochen lang alle Korrekturen an dieser einen Stelle, bevor Sie über Automatisierung nachdenken.

Ob sich ein zweiter, beobachtender Agent rechnet, hängt an der Menge der Rückmeldungen und an Ihren Lizenz- und Rechenkosten. Das ist eine Rechnung für den Einzelfall, und sie fällt in einem Betrieb mit fünf Angeboten pro Woche anders aus als bei fünfzig. Der erste Schritt kostet nichts außer der Entscheidung, Korrekturen nicht mehr in Mails verschwinden zu lassen.