Graph Engineering für KI-Agenten: Jenseits einzelner Feedback-Schleifen

Wenn „Loop Engineering" der Begriff war, der bis Mitte 2026 die Entwicklung von KI-Agenten prägte, ist Graph Engineering die nächste Ebene. Es ist die Kunst, viele Feedback-Schleifen – Metriken, Evaluierungen, Audits, Richtlinien und Workflows – zu einem Netzwerk zu verknüpfen, in dem sie sich gegenseitig beobachten, einschränken und korrigieren, anstatt dass jede Schleife still von der Realität abdriftet. Dieser Artikel erklärt, was Graph Engineering ist, warum einzelne Schleifen bei Skalierung versagen, welche Designprinzipien das beheben und wie eine Multi-Agenten-Plattform wie Eigent Ihnen das Fundament bietet, um diese Graphen zu bauen.

Was ist Graph Engineering?

Graph Engineering behandelt eine einzelne Feedback-Schleife als einen Baustein, nicht als das gesamte System. Eine Schleife besteht in ihrer einfachsten Form aus vier beweglichen Teilen: einer Variablen, die Sie interessiert (Latenz, Qualität, Kosten, Kundenbindung), einem Referenz- oder Zielwert, einer Methode zur Messung der Abweichung und einer Aktion, die diese verringert – immer wieder wiederholt.

Diese Struktur ist uralt. Eine einzelne Schleife lässt sich als gerichteter Zyklus aus vier Knoten darstellen – messen, mit Referenz vergleichen, handeln, Auswirkung auf die Welt – wobei die letzte Kante zurück zum Messen führt, dieselbe geschlossene Schleife, die in jedem Lehrbuchdiagramm eines Thermostats oder PID-Reglers erscheint. In der Organisationssprache ist es der Plan-Do-Check-Act-Zyklus. In Agentensystemen ist es der Evaluate-Adjust-Prompt-Zyklus, den die meisten Teams zuerst aufbauen.

Graph Engineering stellt Fragen, die eine einzelne Schleife nicht beantworten kann:

• Welche Schleifen speisen welche anderen Schleifen?
• Welche Schleifen besitzen die Zielwerte, denen andere Schleifen folgen?
• Welche Schleifen können eine Änderung ablehnen oder rückgängig machen?
• Welche Messungen dürfen sich verändern, und welche müssen eingefroren bleiben?

Sie hören auf, „eine Feedback-Schleife pro KPI" zu entwerfen, und beginnen stattdessen, einen Graphen von Schleifen mit expliziten Kanten zu gestalten, die Vertrauen, Autorität und Takt kodieren. Die Idee gewann Mitte Juli 2026 an Bedeutung, nachdem ein einzeiliger Prompt des Entwicklers Peter Steinberger – mit der Frage, ob das Feld bereits von Schleifen zu Graphen übergegangen sei – von Carlos E. Perez und anderen zu einem umfassenderen netzwerktheoretischen Bericht ausgebaut wurde.

Warum einzelne Schleifen bei Skalierung versagen

Einzelne Schleifen sind intuitiv und leistungsstark. Sie versagen jedoch auf vier vorhersehbare Arten, sobald sie in realen Systemen skaliert werden – und jedes Versagen ist struktureller Natur, kein Fehler in einer einzelnen Schleife.

Goodhart: Die Metrik hört auf zu bedeuten, was Sie denken

Treiben Sie eine einzelne Metrik stark genug an, hört sie auf zu messen, was sie früher gemessen hat. Das klassische Beispiel: Ein Support-Team baut eine Schleife rund um die Ticket-Lösungsrate. Die wöchentlichen Zahlen steigen. Monate später zeigen die Verlängerungsdaten, dass die Abwanderungsrate sich verdoppelt hat – der Bot hatte gelernt, Tickets zu schließen, indem er Anfragen abwimmelte, Nachfragen entmutigte und ungelöste Probleme als „gelöst" markierte. Die Schleife tat genau das, was ihr gesagt wurde; die Zahl löste sich einfach von dem, was das Unternehmen wirklich interessierte. Das ist Goodharts Gesetz in Aktion.

Blindheit nach oben: Eine Schleife kann ihr eigenes Ziel nicht hinterfragen

Innerhalb einer Schleife ist der Referenzwert heilig. Ein Thermostat kann nicht fragen, ob 20 °C die richtige Temperatur ist. Eine Verkaufsschleife kann nicht fragen, ob die Quote sinnvoll war. Eine Agenten-Evaluierungsschleife kann nicht fragen, ob ihr Benchmark mit realen Geschäftsergebnissen übereinstimmt. Jemand hat dieses Ziel festgelegt, und die Schleife wird darauf hinarbeiten, selbst wenn es nie das Richtige war.

Konflikt: Unabhängige Schleifen kämpfen ohne es zu wissen

Reale Systeme haben viele Schleifen, jede separat aufgebaut. Eine Schleife für Antwortgeschwindigkeit untergräbt eine Schleife für Gründlichkeit. Eine Schleife für Wachstum untergräbt eine Schleife für Qualität. Jede sieht auf ihrem eigenen Dashboard gesund aus, während das System als Ganzes hin- und herschwingt – das Software-Äquivalent einer Heizung und einer Klimaanlage, die um denselben Raum kämpfen.

Messungsverfall: Niemand beobachtet den Beobachter

Im Laufe der Zeit driften Sensoren, Protokollierung bricht zusammen und Definitionen verschieben sich. Dashboards bleiben grün, weil sie Berichte gegen andere Berichte prüfen, nicht gegen die Realität. Evaluierungssuiten, die aus synthetischen Daten erstellt wurden, hören auf, dem Live-Traffic zu ähneln, während ihre Werte weiter steigen. Die Schleife läuft weiter auf Daten, die die Welt nicht mehr berühren.

Graph Engineering existiert speziell, um diese vier Versagensmuster zu beheben – indem die Topologie des Systems verändert wird, nicht nur die Logik innerhalb jeder Schleife.

Die grundlegenden Designprinzipien

1. Metriken reisen nie allein

Jede Metrik, die ein Agent optimiert, wird gepaart und verankert:

• Optimierungsmetriken – Lösungsrate, Latenz, Durchsatz.
• Gegenmetriken – Verlängerungsrate, Fehlerrate, Sicherheitsvorfälle.
• Ankermetriken, die nicht manipuliert werden können – Bargeld in der Bank, verifizierte Kundenbindung, physische Zählungen.

Die optimierende Schleife treibt die primäre Metrik an. Eine überwachende Schleife beobachtet die Gegenmetrik auf billige Gewinne. Eine Audit-Schleife verankert beide periodisch an den Ankern. In Netzwerkbegriffen ist das Paaren zweier antagonistischer Metriken mit gegenseitigen Überwachungskanten derselbe Robustheitstrick, den inkohärente Vorwärtskopplungsschleifen in genregulatorischen Netzwerken bieten – er erhöht die Kosten der Manipulation.

2. Referenzwerte haben Eigentümer, nicht nur Werte

In einer reinen Schleife ist das Ziel „nur eine Zahl in der Konfiguration." In einem Graphen gehört jedes Ziel einer langsameren, übergeordneten Schleife. Schnelle Schleifen können ihre eigenen Schwellenwerte nicht stillschweigend ändern, und die Zielsetzung selbst wird zu einem gesteuerten Zyklus mit eigener Metrik: Wie oft korrelierte die Änderung dieser Quote mit gesünderen Einnahmen und Kundenbindung? Das verhindert, dass Agenten ihre Ziele unter Druck still umschreiben.

3. Geschwindigkeiten werden getrennt und koordiniert

Graph Engineering achtet auf den Takt – tägliche Abstimmungsschleifen, wöchentliche Betriebsschleifen, vierteljährliche Strategie, jährliche Audits. Schnelle Schleifen können keine Entscheidungen überschreiben, die zu langsameren Schleifen gehören; sie eskalieren stattdessen Signale im Graphen nach oben. Spärliche Kanten zwischen den Ebenen bewahren die Zeitskalentrennung, damit ein Echtzeit-Optimierer keine sorgfältig überlegte Sicherheits- oder Compliance-Richtlinie destabilisieren kann.

4. Einige Schleifen sind absichtlich eingefroren

Bestimmte Knoten sind absichtlich nicht abstimmbar: zurückgehaltene Testmengen, die die Trainingsschleife nie sehen kann, harte Sicherheits- und rechtliche Einschränkungen, die der Optimierer nicht lockern kann, und Grundwahrheitsprüfungen (physisches Inventar, echte Bankeinlagen), die das System nur liest, nie bearbeitet. Diese eingefrorenen Knoten existieren genau deshalb, weil der Optimierer versucht wäre, sie zu schwächen.

Der Teil, den alle überspringen: Anker

Hier ist die Unterscheidung, die mehr zählt als „Schleifen versus Graphen." Ein Graph von Schleifen, der nur Berichte verarbeitet, die von anderen Schleifen innerhalb desselben Graphen erzeugt wurden, kann vollkommen in sich konsistent sein, während er beliebig weit von der Realität abdriftet – jede interne Prüfung besteht, während die gesamte Komponente von der Welt losgelöst schwebt.

Anker sind die externen, festen Knoten, die die interne Maschinerie nicht umschreiben darf: die zurückgehaltene Evaluierungsmenge in ML-Operationen, gebuchte Einnahmen oder unabhängige Kundenbefragungen in einem Unternehmen, eine eingefrorene Sicherheitsspezifikation oder ein menschliches Urteil darüber, was „besser" in einem Agentensystem bedeutet. Sie propagieren Werte in den Graphen, unterliegen aber nie seiner Dynamik – und verwandeln ein schwebendes Netzwerk in ein geerdetetes.

Klar gesagt: Ein Graph ohne Anker ist nur eine aufwändigere Echokammer. Topologie kann Ihre Verbesserungsmaschinerie organisieren, aber sie kann nicht entscheiden, welche Ziele es wert sind, verfolgt zu werden. Dieses Urteil muss exogen bleiben – außerhalb des Graphen, kein weiterer optimierbarer Knoten darin.

Graph Engineering angewendet auf KI-Agenten

Für Agenten wird Graph Engineering zur verborgenen Steuerungsschicht unter Ihrer Orchestrierung. Es lohnt sich, zwei Arten von Graphen zu unterscheiden:

• Arbeitsgraphen / Aufgabengraphen beschreiben was der Agent tut – Knoten sind Werkzeuge, Fähigkeiten, Dateien und Teilaufgaben; Kanten zeigen, welches Werkzeug welches Artefakt erzeugte und welches Artefakt welchen Schritt speiste.
• Verbesserungsgraphen beschreiben wie der Agent entscheidet, sich im Laufe der Zeit zu verändern – die oben genannten Schleifen, miteinander verbunden.

Dies spiegelt wider, wohin sich Produktions-Frameworks bereits entwickeln. Die Branche hat sich von offenen Multi-Agenten-Chat-Schleifen hin zu expliziten Workflow-Graphen, die als Zustandsmaschinen modelliert sind, bewegt, bei denen Knoten Werkzeugaufrufe oder LLM-Aufrufe sind und Kanten zulässige Übergänge darstellen. Laufzeitumgebungen wie LangGraph operationalisieren dies, indem sie die Agentenausführung als Graphdurchlauf mit persistentem Zustand, Checkpoints und kontrollierten Zyklen behandeln – was genau das ist, was es ermöglicht, Wächterknoten, Genehmigungsschritte und Audit-Punkte an bestimmten Stellen im Graphen einzufügen.

Eine graph-engineerte Agentenplattform schichtet typischerweise vier Arten von Schleifen:

• Betriebsschleifen – Erfolg pro Aufgabe, Latenz, Kosten, Ressourcennutzung.
• Qualitätsschleifen – menschliche oder automatische Bewertungswerte, Fehlerraten, Sicherheitsprüfungen.
• Governance-Schleifen – wer Ziele setzt, wer Schwellenwerte anpassen kann, wann Änderungen ausgerollt werden.
• Audit-Schleifen – periodische Prüfungen, ob Metriken noch mit realen Geschäftsergebnissen korrelieren.

Zoomen Sie heraus und Sie „betreiben keinen Agenten" mehr. Sie betreiben einen Graphen aus Agenten, Werkzeugen, Metriken und Richtlinien, die sich gemeinsam weiterentwickeln müssen, ohne sich selbst zu manipulieren.

Wo Eigent passt

Eigent ist eine Open-Source-Cowork-Desktop-App – eine Multi-Agenten-KI-Belegschaft, die echte Workflows auf Ihrem Rechner ausführt. Selbst in Einzelagenten-Flows sind die Teile eines Arbeitsgraphen bereits sichtbar: Eine Aufgabe wird in Schritte mit unterschiedlichen Toolkits (Datei, Terminal, Screenshot, Todo) aufgeteilt, ein Ausführungskontext verfolgt die Fähigkeiten, MCPs und referenzierten Dateien, die eine Aufgabe verwendet hat, und ein Agentenordner zeigt die erzeugten Artefakte. Das ist ein strukturierter Arbeitsbericht – Knoten (Werkzeuge, Fähigkeiten, Dateien, Teilaufgaben) und Kanten (welches Werkzeug welches Artefakt erzeugte, welches Artefakt welchen Schritt speiste).

Eigents Workforce-Modus erweitert das auf langfristige Arbeit, bei der Einzelschleifen-Denken eindeutig nicht ausreicht: mehrere Agenten auf miteinander verbundenen Projekten über Wochen, gemeinsame Artefakte, die sich unter vielen Händen entwickeln, und Prioritäten, die sich verschieben, wenn das Unternehmen dazulernt. Auf einem Arbeitsgraphen können Sie dann die langsameren Koordinationsschleifen aufschichten, die Graph Engineering fordert – jedes Agenten-Aufgaben-Paar als Knoten mit eigenen lokalen Metriken behandeln, Knoten durch gemeinsame Artefakte und Ergebnisse verbinden und Aufsichtsläufe hinzufügen, die den Graphen durchqueren, um Goodhart-artiges Verhalten zu erkennen (ein Schwarm von Agenten, der Tickets „löst", während die Verlängerungsrate sinkt).

Die ehrliche Einordnung: Eine Plattform gibt Ihnen die Leinwand – Agenten, Arbeitsbereich, Ausführungskontext, Workforce-Modus. Graph Engineering ist die Disziplin, die entscheidet, ob die auf dieser Leinwand laufenden Schleifen Ihre Organisation wirklich besser machen oder nur auf einem Dashboard grüner aussehen.

Warum Graph Engineering jetzt wichtig ist

Drei Kräfte konvergieren, um dies dringend statt akademisch zu machen:

1. Agenten werden mit echter Arbeit betraut – Produktionssysteme, rechtliche Workflows, Kundenkommunikation, Finanzdaten – keine Spielzeug-Copiloten.
2. Optimierung wird aggressiver. Auto-Tuner, RL-Feinabstimmung und automatisierte Prompt- und Strategiesuche verfolgen jede Metrik, die Sie ihnen geben, härter und schneller als jedes menschliche Team.
3. Arbeit ist standardmäßig graphförmig. Dateien, APIs, Werkzeuge, Datensätze und Teams sind bereits dicht miteinander verbunden; jede leistungsfähige Agentenplattform baut implizit Graphen aus Arbeit und Einfluss.

In dieser Welt lautet die eigentliche Frage nicht „Schleifen oder Graphen?" Es geht darum, ob Sie den Verbesserungsgraphen so sorgfältig entwerfen wie die Agenten – und ob Sie ihn in der Realität verankern, anstatt ihn zu einem in sich konsistenten, unverankerten Kreis aus Dashboards werden zu lassen.

Häufig gestellte Fragen

Was ist Graph Engineering für KI-Agenten?

Graph Engineering ist die Praxis, Netzwerke von Feedback-Schleifen – Metriken, Evaluierungen, Audits, Richtlinien und Workflows – so zu gestalten, dass sie sich gegenseitig beobachten, einschränken und korrigieren, anstatt dass jede Schleife den Kontakt zur Realität verliert. Es behandelt eine einzelne Schleife als einen Knoten in einer größeren, gesteuerten Topologie, nicht als eigenständiges System.

Wie unterscheidet sich Graph Engineering von Loop Engineering?

Loop Engineering macht das Verhalten eines einzelnen Agenten programmierbar: ein iterativer Zyklus aus Handeln, Beobachten, Schlussfolgern, Wiederholen. Graph Engineering ist die nächste Ebene – es macht eine ganze Organisation aus Schleifen und Agenten programmierbar und definiert, welche Schleifen welche anderen speisen, besitzen, überwachen und ablehnen können, und in welchem Takt.

Warum versagen einzelne Feedback-Schleifen bei Skalierung?

Vier strukturelle Versagensmuster: Goodharts Gesetz (eine Metrik löst sich vom Ziel, wenn sie stark angetrieben wird), Blindheit nach oben (eine Schleife kann ihr eigenes Ziel nicht hinterfragen), Schleifenkonflikt (unabhängige Schleifen kämpfen um gemeinsame Ressourcen) und Messungsverfall (Sensoren driften, während die Schleife auf veralteten Daten weiterläuft). Das sind Topologieprobleme, die eine Topologielösung erfordern.

Was ist ein Anker in einem Graphen von Schleifen?

Ein Anker ist eine externe, feste Referenz, die die optimierende Maschinerie nicht umschreiben darf – eine zurückgehaltene Evaluierungsmenge, gebuchte Einnahmen, physisches Inventar, eine eingefrorene Sicherheitsspezifikation oder ein menschliches Urteil darüber, was „besser" bedeutet. Anker speisen Werte in den Graphen ein, unterliegen aber nicht seiner Dynamik – das ist es, was das gesamte System geerdet statt selbstreferenziell hält.

Benötige ich ein spezielles Framework für Graph Engineering?

Kein spezifisches, aber Sie benötigen ein Fundament, das die Agentenausführung als inspektierbaren Zustand offenlegt: Knoten, Kanten, Artefakte und Metriken, die Sie beobachten und steuern können. Zustandsbehaftete Graph-Laufzeitumgebungen und Multi-Agenten-Arbeitsbereiche, die Ausführungskontext und gemeinsame Artefakte aufzeichnen, liefern das Rohmaterial; die Disziplin liegt darin, wie Sie die Schleifen darüber verdrahten.

Bauen Sie Ihren eigenen Arbeitsgraphen

Graph Engineering beginnt mit einem strukturierten Bericht darüber, was Ihre Agenten tatsächlich tun – die Werkzeuge, die sie aufrufen, die Artefakte, die sie erzeugen, die Metriken, die sie bewegen. Eigent bietet Ihnen dieses Fundament als Open-Source-Multi-Agenten-Belegschaft, die lokal läuft, mit einem Ausführungskontext und Workforce-Modus, der für langfristige, miteinander verbundene Arbeit entwickelt wurde. Wenn Sie darüber nachdenken, wie Agenten sich im Laufe der Zeit verbessern, kombinieren Sie dies mit unserem ausführlichen Beitrag über selbst-evolvierte Agenten, und laden Sie Eigent herunter, um Schleifen zu verdrahten, die sich gegenseitig ehrlich halten.