Agentic Engineering
Wie Teams systematisch mit KI-Agenten arbeiten
Agentic Engineering beginnt dort, wo KI-Agenten nicht mehr nur ausprobiert, sondern in eine wiederholbare Arbeitsweise eingebettet werden.
Die Frage ist nicht nur, welches Modell besser schreibt. Die Frage ist, welche Arbeitsumgebung, Artefakte, Grenzen und Reviews Teams brauchen, damit Agenten zuverlässig beitragen können.
Warum das wichtig ist
Vibe Coding reicht für Prototypen, nicht für verlässliche Arbeit
Ein Agent kann schnell Code schreiben, Tickets zerlegen, Tests erzeugen oder Recherchen vorbereiten. Das ist nützlich. Es ist aber noch keine Arbeitsweise.
Sobald Ergebnisse in echte Produkte, Prozesse oder Entscheidungen fließen, braucht der Agent einen Rahmen: klare Absicht, begrenzter Scope, gute Specs, Tests, Traces und Reviews. Agentic Engineering beschreibt diesen Rahmen.
Habt ihr schon eine Arbeitsweise für KI-Agenten — oder nur einzelne Tools und gute Demos?
Leitfrage für Teams
Die Bausteine
Woraus Agentic Engineering besteht
Harness
Die Arbeitsumgebung um das Modell: Dateien, Tools, Permissions, State, Checkpoints und Replay. Das Modell allein ist noch kein verlässlicher Agent.
Context
Kontext muss korrekt, vollständig und kompakt sein. Mehr Tokens lösen das Problem nicht, wenn der Kontext falsch oder verrauscht ist.
Artifacts
Specs, PRDs, Slices, Issues und Checklisten werden zur gemeinsamen Referenz für Menschen und Agenten.
Control
Intent, Scope, Blast Radius und Write-Control bestimmen, was der Agent tun darf und wo menschliche Freigabe nötig bleibt.
Evaluation
Tests, Evals, Traces und Replay machen sichtbar, ob ein Agent zuverlässig arbeitet oder nur überzeugend klingt.
Operating Model
Rollen verschieben sich: Menschen klären Ziel, Architektur und Review; Agenten übernehmen begrenzte Ausführungsschritte.
Arbeitsmodell
Ein wiederholbarer Loop statt ein großer Prompt
01
Align
Fragen klären, Zielbild bauen, offene Entscheidungen sichtbar machen.
02
Specify
PRD oder Spec als stabiles Zielartefakt schreiben.
03
Slice
Arbeit in vertikale Schnitte und blockierende Issues zerlegen.
04
Execute
Agent Loop in begrenztem Scope laufen lassen.
05
Review
Fresh-Context Review, Tests und Trace-Auswertung durchführen.
06
Compound
Learnings, Regeln und Artefakte in den Arbeitskontext zurückführen.
Kontrollpunkte
Was vor Autonomie geklärt sein muss
- Ist die Aufgabe klein genug für die Smart Zone des Modells?
- Welche Dateien, Daten und Tools darf der Agent lesen?
- Welche Dateien, Systeme oder Aktionen darf der Agent schreiben oder auslösen?
- Wie groß ist der Blast Radius, wenn der Agent falsch liegt?
- Welche Tests oder Evals definieren fertig?
- Welche Traces werden gespeichert und später auswertbar?
- Wann wird Kontext kompakt, archiviert oder frisch gestartet?
Abgrenzung
Agentic Engineering ist mehr als Agentic Coding
Coding ist der sichtbarste Anwendungsfall. Aber Agentic Engineering beginnt früher und endet später: bei Produktklärung, Architektur, Testdesign, Evals, Betrieb, Governance und Teamkoordination.
Ein gutes Team fragt daher nicht nur: „Welchen Agent nutzen wir?“ Es fragt: „Welche Arbeit darf agentisch laufen, welche Grenzen braucht sie und wie lernen wir aus jedem Lauf?“
Vertiefung
Quellen, die die Arbeitsweise vertiefen
Matt Pocock / AI Engineer: Agentic Engineering Workflow
Vertieft Smart Zone, Grill Me, PRD, Vertical Slices, AFK Loop und Fresh-Context Review.
Quelle öffnen →Simon Willison bei Lenny: Agentic Engineering im Alltag
Ordnet tägliche Agentic-Engineering-Praktiken, TDD, Sicherheitsrisiken und Arbeitsmuster ein.
Quelle öffnen →Agent Engineering: Traces as Primary Artifact
Erklärt, warum Traces zum zentralen Artefakt für Debugging, Evaluation und Lernen werden.
Quelle öffnen →Zylos: Agent Context Compaction
Zeigt, warum lange Agentenläufe eine bewusste Compaction- und Memory-Strategie brauchen.
Quelle öffnen →Weiterführende Pfade
Von der Landkarte in die Vertiefung
Agentic Coding
Der entwicklernahe Spezialfall: Specs, Tests, Review und Codequalität mit Coding Agents.
Weiterlesen →AI Harnesses
Welche Arbeitsumgebung KI-Agenten brauchen und wie man Harnesses auswählt.
Weiterlesen →Agentic AI
Was handelnde KI-Systeme von Chatbots unterscheidet und warum Governance wichtig wird.
Weiterlesen →MCP
Warum kontrollierter Tool- und Kontextzugriff zur Infrastrukturfrage wird.
Weiterlesen →