Loop Engineering (Schleifen-Engineering) bezieht sich auf das Design des „Denk-Handel“-Zyklus von KI-Agenten selbst: Das Management des Kontexts, die Auswahl des Modells, die Komprimierung der Beobachtungen und die Bedingungen für das Ende der Schleife fallen alle in seinen Anwendungsbereich.

Der Begriff „Loop Engineering“ gewann 2026 in der Community zunehmend an Beliebtheit. Kumar und Pandey definierten ihn systematisch in der Arbeit TurnCost: Turns, Not Observations: Cache-Aware Loop Engineering for Coding Agents und führten eine quantitative Analyse basierend auf 600 öffentlichen Trajektorien von Coding-Agenten durch.

Die zentrale Erkenntnis des Loop Engineering lautet, dass „die Anzahl der Runden wichtiger ist als die Beobachtungen“: Die Mediananzahl der Tokens für eine einzelne Beobachtung beträgt nur 118–286, während große, häufig komprimierte Build-Logs erst am 99. Perzentil auftreten. Da 98,6 % der Eingabe-Tokens den Präfix-Cache treffen, führt eine „pauschale Abrechnung nach Tokens“ zu einer durchschnittlichen Überschätzung der Schleifenkosten um etwa das Siebenfache. Noch entscheidender ist, dass die Anzahl der Runden 84 % der Logarithmus-Varianz der Trajektorie-Kosten erklärt, während die durchschnittliche Beobachtungsgröße nur 4 % erklärt – die teuersten Trajektorien zeichnen sich meist durch die höchste Anzahl an Runden aus, nicht durch die längsten Beobachtungen.

Die Bedeutung des Loop Engineering liegt darin, die Effizienzproblematik von Agenten von der Frage „Ist das Modell schnell?“ auf die Frage „Ist die Schleife gut designt?“ zu verschieben. Optimierungen sollten sich primär auf die Reduzierung „unnötiger Runden“ konzentrieren, anstatt nur auf die Länge der einzelnen Ausgabe zu achten. Dies deutet darauf hin, dass cache-bewusste Kostenmodelle den tatsächlichen Kosten näherkommen.

[JIALIU_0]