> For the complete documentation index, see [llms.txt](https://weekly-essay.mikey.wang/llms.txt). Markdown versions of documentation pages are available by appending `.md` to page URLs; this page is available as [Markdown](https://weekly-essay.mikey.wang/de/2025/w42-an-evolving-understanding-of-agents-and-llms.md).

# W42-Ein weiterentwickeltes Verständnis von Agenten und LLMs

Zuletzt investiere ich Zeit in agentische Technologien und habe auch große Modelle etwas neu verstanden.

Zuerst empfehle ich [KI in komplexen Codebasen zum Arbeiten bringen](https://github.com/humanlayer/advanced-context-engineering-for-coding-agents/blob/main/ace-fca.md). Nach vielen Versuchen mit KI-Programmierung betrachte ich diesen Text als grundlegenden Überblick. Darauf möchte ich mit dem Team nach und nach ein gemeinsames Verständnis aufbauen.

Agentische Technologien werden wichtiger. Sie ermöglichen uns, die Intelligenz großer Modelle tatsächlich zu nutzen und sie vom Alleswissen zum Handeln zu bringen. Dabei müssen wir zwei Richtungen unterscheiden: Agenten bauen und Agenten nutzen. Die Grenze könnte künftig verschwimmen. Wer eine Aufgabe gut erledigen will, muss womöglich beides verbinden. Trotzdem sollten wir klar erkennen, ob gerade über Aufbau oder Nutzung gesprochen wird. Bei KI-Programmierung sehe ich meist die Nutzung bestehender Agenten, nicht den Bau neuer.

Anfangs verstand ich MCP ähnlich wie RPC als Protokoll der Anwendungsschicht für Dienstaufrufe. Heute betrachte ich es eher wie TCP als Transportschicht. MCP ahmt vor allem traditionelle Dienstaufrufe nach und wurde nicht für die Zusammenarbeit vieler Agenten geschaffen. Die eigentlichen Anwendungen sollten darüber liegen und durch Aufgabenverteilung, Planung und Orchestrierung komplexe strategische Beziehungen zwischen Agenten herstellen. So lassen sich Modellfähigkeiten am besten nutzen. Agenten dürfen einander nicht nur einfach aufrufen. Wie HTTP über TCP brauchen sie reichere Protokollsemantik, etwa die Aushandlung von Cachestrategien. Deshalb lohnt der Blick auf eine neue Protokollebene über MCP, etwa das sich entwickelnde Agent2Agent.

Wir sollten große Modelle nicht nur als Werkzeuge betrachten. Das Gehirn ist keine Festplatte, sondern ein neuronales Netz, dessen Ausgaben laufend entstehen. Ebenso ist ein großes Modell keine Datenbank, sondern eine trainierte Menge von Parametergewichten. Grob gesagt steigt mit der Modellgröße die Intelligenz. Unsere bisherigen Entwicklungs- und Auslieferungssysteme wurden um Menschen herum entworfen. Jetzt müssen wir Struktur und Arbeitsteilung mit dem Modell im Zentrum neu denken. Der entscheidende Wandel liegt darin, dass sich der menschliche Hebel verlagert. Wir sollten uns auf Research und Planning konzentrieren, die Phasen mit dem größten Hebel. Das spätere Kriterium menschlicher Wartbarkeit muss früher als Kriterium der Zusammenarbeit mit Agenten berücksichtigt werden.

Zugleich müssen wir Modellgrenzen anerkennen. Sutton warnt weiter, dass wir „The Bitter Lesson“ nicht entkommen sind und große Modelle keine Intelligenz im eigentlichen Sinn besitzen. Sie können nicht wie ein Eichhörnchen eine unbekannte Umgebung selbstständig erkunden und kein neues Wissen jenseits des eingegebenen Wissensgebiets erzeugen. Innerhalb vorhandener Wissensgebiete können sie jedoch planen, schlussfolgern und entscheiden.