Bessere AI-Coding-Agents durch Echtzeit-Feedback

Wer mit AI-Coding-Assistenten arbeitet, kennt das Problem: Sie schreiben guten Code, scheitern aber oft an der nächsten Hürde. Nach einem Fehler hakt es. Die Agents wissen nicht, was schiefgelaufen ist, welche Dateien sich geändert haben oder was die Build-Logs eigentlich sagen.

Das liegt nicht am Modell selbst. Es liegt daran, wie wir Informationen zurückspielen.

Observability, die zurückfließt

Bisher wird Logging meist als nachträgliche Analyse gesehen. Doch was, wenn diese Daten direkt in den nächsten Entscheidungsprozess des Agents einfließen?

Genau das ist der Ansatz von Tools wie TMA1 v2. Statt nur zu protokollieren, was passiert ist, wird der Agent aktiv mit aktuellem Kontext versorgt.

Typische Agent-Loops sehen so aus: Planen, Tools ausführen, Ergebnisse lesen, wiederholen. Dabei fehlt oft der Blick aufs große Ganze. Der Agent erkennt nicht automatisch, ob ein Build fehlgeschlagen ist, ob jemand anderes Dateien verändert hat oder ob der Kontext langsam überläuft.

Kontext, der automatisch mitgeliefert wird

Moderne Systeme injizieren daher gezielt Informationen, bevor der Agent danach fragen muss:

• Build-Status: War der letzte Lauf erfolgreich? Welche Fehlermeldungen gibt es gerade?
• Session-Überblick: Wie viele Tokens wurden schon verbraucht? Braucht es eine Komprimierung?
• Datei-Änderungen: Wer hat was wann verändert – der Agent selbst, ein Mensch oder ein anderer Agent?
• Anomalien: Wiederholt sich ein Fehler? Wird der Kontext zu groß? Arbeitet jemand parallel am gleichen Projekt?

Diese Hinweise helfen dem Agent, rechtzeitig umzusteuern, statt blind weiterzumachen.

Mehrere Agents ohne Chat-Chaos

Bei komplexeren Projekten wollen oft mehrere Agents zusammenarbeiten. Klassische Gruppenchats bringen dabei mehr Rauschen als Nutzen. Besser ist ein strukturierter Ablauf: Planen, coden, testen, prüfen, anpassen.

Dafür braucht es eine gemeinsame Observability-Schicht. Über APIs oder Protokolle wie den Model Context Protocol können Agents gezielt auf den Kontext anderer Sessions zugreifen – ohne endlose Nachrichten hin und her.

Technische Voraussetzungen

Damit das funktioniert, sind ein paar Dinge wichtig:

1. Hooks an den richtigen Stellen: Vor jedem Prompt, nach jedem Tool-Call, bei Session-Start oder vor einer Komprimierung.
2. Klare Zuordnung: Bei Dateiänderungen muss schnell klar sein, wer sie verursacht hat. Ein kurzes Zeitfenster um das Event herum reicht meist.
3. Strukturierte Blöcke: Keine losen Logs, sondern sauber formatierte Kontext-Informationen, die der Agent direkt verarbeiten kann.
4. MCP-Server: Ein zentraler Server, über den Agents Projekt- und Build-Status sowie fremde Sessions abfragen können.

Was sich wirklich ändert

Mit diesem Feedback arbeiten Agents spürbar besser. Sie erkennen Fehlerursachen schneller, vermeiden sinnlose Wiederholungen, koordinieren sich mit anderen Akteuren und nutzen Token-Budgets effizienter.

Die eigentliche Stärke liegt nicht im Modell selbst, sondern in der Infrastruktur drumherum: Observability, Feedback-Schleifen und Koordination. Wer heute AI-Agents einsetzt, sollte sich fragen: Welche Beobachtungen fehlen noch – und welche davon würden den nächsten Schritt wirklich verbessern?