Die Nutzung von KI-Tools in der Softwareentwicklung beschränkt sich längst nicht mehr darauf, eine einzelne Eingabeaufforderung zu verfassen und auf eine Antwort zu warten. Entwickler sprechen zunehmend über wiederkehrende Ausführungsschleifen, mehrere Agenten sowie Systeme, die das Modell umgeben und steuern. Diese Konzepte versucht der GitHub Blog in einem Leitfaden zu ordnen, den Cassidy Williams am 2. September 2026 veröffentlichte und der auf einer Diskussion im GitHub Podcast basiert, an der Marlene Mhangami und GPS teilnahmen.
Einige dieser Begriffe beschreiben neue praktische Muster, andere geben bereits vorhandenen Ideen moderne Namen, während sich die Bedeutung weiterer Begriffe noch herausbildet. Daher präsentiert der Leitfaden diese Wörter nicht als endgültige Standards, sondern als Möglichkeit, die laufende Diskussion zwischen Softwareentwicklungsteams zu verstehen.
Von der einzelnen Eingabeaufforderung zum Loop Engineering
Loop Engineering bezeichnet den Entwurf wiederholbarer Systeme rund um Agenten, anstatt einen Agenten jedes Mal manuell mit der Ausführung einer einzelnen Aufgabe zu beauftragen. Als Beispiel wird ein geplanter Prozess genannt, der neue Projekt-Issues abruft, sie an einen Agenten zur Zusammenfassung und zum Vorschlagen von Korrekturen weitergibt, anschließend das Ergebnis überprüft und festgefahrene Fälle an einen anderen Ablauf eskaliert.
In diesem Sinne ähnelt ein Loop einem für KI konfigurierten Cron-Prozess, benötigt jedoch mehr als eine Zeitplanung. Der Leitfaden verweist auf spezifische Fähigkeiten, Verhaltensüberwachung, die Überprüfung von Ausgaben, Aufgabensteuerung und Haltepunkte, an denen eingegriffen oder eine Prüfung vorgenommen werden kann.
Ralph Loops sind eine einfachere und unmittelbarere Umsetzung der Loop-Idee: Der Agent erhält eine detaillierte Beschreibung einer Aufgabe, meist ausgehend von Anforderungen oder einer Spezifikation, und arbeitet weiter, bis er die Aufgabe als erledigt betrachtet. Diese Methode kann dabei helfen, die Arbeit in wiederkehrende Zyklen aus Planung, Ausführung und Prüfung zu unterteilen. Sie kann jedoch kostspielig und ineffizient sein, wenn jeder Zyklus zusätzliche Tokens, Kontext und Rechenleistung verbraucht.
Der Unterschied zwischen Squads, Fleets und Harnesses
Squads und Fleets beschreiben, wie die Arbeit auf mehrere Agenten verteilt wird. Ein Squad ist eine Gruppe von Agenten mit unterschiedlichen Rollen: Einer plant, ein anderer prüft den Plan, ein dritter führt ihn aus, ein vierter testet und ein fünfter überprüft das Ergebnis. Eine Fleet bezeichnet Agenten, die parallel gleichzeitig an Aufgaben arbeiten. Ein vollständiges Squad kann innerhalb einer parallelen Fleet betrieben oder seine Rollen können nacheinander organisiert werden.
Die praktische Idee besteht hier in Spezialisierung und Parallelisierung, anstatt einen einzelnen Agenten mit allem zu beauftragen. Mehrere Agenten gewährleisten jedoch nicht automatisch eine höhere Qualität; der Beitrag verknüpft den Nutzen vielmehr mit der Fähigkeit des Teams, die Rollen zu verteilen und zu steuern sowie die Ausgaben zu überprüfen.
Ein Harness bezeichnet alles, was das Modell umgibt und es innerhalb eines Workflows nutzbar macht: Tools, Berechtigungen, Speicher, Kontext und die Koordination zwischen Aufgaben. Der Leitfaden nennt GitHub Copilot als Beispiel für ein System, das Modelle mit Codebasen, Editoren, Pull Requests und dem Terminal verbindet. Harness Engineering ist der Entwurf und die Optimierung dieses das Modell umgebenden Systems.
Verbesserung durch Feedback
Der Begriff Hill Climbing beschreibt die schrittweise Verbesserung von Agenten und Harnesses auf Grundlage von Feedback. Ein Team kann damit beginnen, die Leistung eines Agenten anhand von Evaluierungstests zu messen, und anschließend Tools, Kontext oder die Steuerungsmechanik anpassen, wenn die Ergebnisse nicht präzise genug sind.
Bei der Prüfung von Pull Requests beschränkt sich die Messung beispielsweise nicht darauf, ob der Agent einen Kommentar erzeugen kann. Sie umfasst auch die Frage, ob er relevante Fehler findet und nützliche Empfehlungen gibt. Die praktische Schlussfolgerung lautet, dass die Einführung eines Agenten in einen Workflow nicht den Endpunkt darstellt; danach beginnt vielmehr ein fortlaufender Zyklus aus Messung und Anpassung.
Begriffe für Rollen und Modelle
Field Engineer bezeichnet eine Rolle, die bereits vor der KI-Welle existierte, etwa einen direkt mit Kunden arbeitenden Softwareingenieur, einen Sales Engineer oder einen Solutions Engineer. Im KI-Kontext unterstützt diese Rolle Teams dabei, Tools, Workflows und Agenten anzupassen und in ihre bestehenden Systeme zu integrieren.
Geschlossene Modelle werden über eine API oder ein gehostetes Produkt bereitgestellt, ohne dass Gewichte, Trainingsdaten oder die Trainingsmethode für den Nutzer zugänglich sind. Open-Weight-Modelle ermöglichen das Herunterladen der Gewichte und ihre lokale Ausführung oder Ausführung auf der Infrastruktur des Nutzers. Das bedeutet jedoch nicht unbedingt, dass Daten und Trainingsmethode verfügbar sind. Bei Open-Source-Modellen geht die Zugänglichkeit weiter und umfasst Modell, Code, Daten und Trainingsprozess zur Prüfung, Wiederverwendung und Änderung.
Warum ist dieser Leitfaden wichtig?
Die tatsächliche Veränderung besteht nicht nur im Auftauchen eines neuen Vokabulars, sondern im Übergang von der Frage „Was kann das Modell erzeugen?“ zu der Frage „Wie bauen wir ein wiederholbares und messbares System darum herum?“ Das ist für Entwicklungsteams wichtig, die darüber nachdenken, Agenten in ihren Abläufen einzusetzen, denn die Wahl des Begriffs ersetzt weder die Festlegung von Berechtigungen und Prüfmechanismen noch die Definition menschlicher Eingriffspunkte und der Kosten der Wiederholung.
Gleichzeitig räumt die Quelle ein, dass die Begriffe nicht stabil sind; einige könnten sich etablieren, andere verschwinden oder durch präzisere Ausdrücke ersetzt werden. Daher bleiben die wichtigsten Fragen praktischer Natur: Kann der Workflow zuverlässig wiederholt werden? Wie werden die Ergebnisse geprüft? Wann greift ein Mensch ein? Und in welchem Maß ist eine Abhängigkeit vom Modell akzeptabel? Diesen Fragen kommt dem Beitrag zufolge größere Bedeutung zu als dem Mitverfolgen jedes trendigen Begriffs.