Wer autonome KI-Agenten in Entwicklungsprojekten einsetzt, kennt das Muster: Zu Beginn arbeitet der Agent zügig, findet Dateien, schlägt Änderungen vor, korrigiert Fehler. Nach einer Weile dreht er sich im Kreis. Er probiert Varianten derselben Idee, kommt zu denselben Schlüssen und wirkt, als hätte er einen blinden Fleck. Forschende von Microsoft haben für dieses Verhalten eine Erklärung und einen überraschend einfachen Gegenvorschlag vorgelegt.

Der Kontext wird zur Fessel

Autonome Agenten sammeln während ihrer Arbeit einen immer längeren Gesprächsverlauf an: jede Anweisung, jedes Zwischenergebnis, jede Fehlermeldung, jede verworfene Hypothese. Dieser Verlauf ist der sogenannte Kontext, also alles, was das Sprachmodell bei jedem neuen Schritt mitliest. Intuitiv klingt das nach einem Vorteil, denn mehr Information sollte zu besseren Entscheidungen führen.

Die Microsoft-Forschenden beobachten das Gegenteil. Der wachsende Kontext zieht den Agenten in das hinein, was sie als Ideen-Senken bezeichnen: lokale Lösungsregionen, aus denen der Agent nicht mehr herausfindet. Einmal eingeschlagene Denkpfade reproduzieren sich selbst, weil sie im Verlauf stehen und damit bei jedem weiteren Schritt erneut als Rahmen wirken. Der Agent bleibt gefangen in der Nachbarschaft seiner eigenen früheren Versuche.

Das ist weniger ein Fehler des Modells als eine Eigenschaft der Arbeitsweise. Ein Agent, der seine komplette Historie mitführt, verhält sich wie eine Person, die vor jeder Entscheidung noch einmal alle gescheiterten Ansätze durchliest. Die Wahrscheinlichkeit, dass ein wirklich anderer Ansatz entsteht, sinkt mit jeder Zeile.

Was Fork-and-Flush macht

Die vorgeschlagene Methode trägt den Namen Fork-and-Flush. Ihr Prinzip lässt sich in einem Satz zusammenfassen: Der Gesprächsverlauf wird gelöscht, der Arbeitsbereich bleibt erhalten.

Entscheidend ist diese Trennung. Gelöscht wird nur das Protokoll der Konversation, also die Kette aus Überlegungen, Zwischenschritten und Begründungen. Erhalten bleibt der Zustand der Arbeit selbst: die Dateien, die bereits vorgenommenen Änderungen, das Ergebnis, an dem der Agent arbeitet. Der Agent setzt also nicht bei null an, sondern betrachtet den aktuellen Stand mit frischem Blick — ohne die Last der eigenen Vorgeschichte.

Laut der Untersuchung erzielt dieses Vorgehen bei gleichem Rechenbudget deutlich bessere Ergebnisse. Das ist der bemerkenswerte Teil: Es geht nicht um mehr Rechenzeit, nicht um ein größeres Modell und nicht um längere Kontextfenster. Es geht darum, vorhandene Ressourcen anders zu verteilen — weg vom Mitschleppen der Historie, hin zu einem tatsächlich neuen Anlauf.

Warum das gegen die gängige Intuition läuft

In der Praxis dominiert bislang die umgekehrte Annahme. Größere Kontextfenster gelten als Fortschritt, und viele Teams bemühen sich darum, einem Agenten möglichst viel Projektwissen gleichzeitig verfügbar zu machen. Die Beobachtung der Ideen-Senken relativiert diese Logik nicht grundsätzlich, zeigt aber eine Grenze auf: Kontext ist nicht automatisch Information, er kann auch Trägheit sein.

Für die tägliche Arbeit mit Coding-Agenten ergibt sich daraus ein konkretes Signal. Wenn ein Agent mehrfach dieselbe Art von Lösung vorschlägt, nur mit kleinen Variationen, ist das ein Hinweis auf eine Ideen-Senke. Statt immer weiter nachzufassen, kann ein Zurücksetzen des Verlaufs der produktivere Schritt sein.

Übertragung in die Projektpraxis

Aus dem Befund lassen sich Arbeitsgewohnheiten ableiten, die sich ohne zusätzliche Werkzeuge umsetzen lassen:

  • Festgefahrene Sessions erkennen. Wiederholte Lösungsmuster, zirkuläre Begründungen und immer kleinere Variationen sind Warnzeichen.
  • Bewusst neu starten. Eine frische Session mit dem aktuellen Dateistand ist häufig wirksamer als die zehnte Rückfrage im gleichen Verlauf.
  • Arbeitsstand sichern. Damit ein Reset ohne Verlust möglich ist, muss der Zustand außerhalb des Chats liegen — in der Versionsverwaltung, in Dateien, in dokumentierten Zwischenergebnissen.
  • Aufgaben schneiden. Kleinere, klar abgegrenzte Teilaufgaben erzeugen kürzere Verläufe und damit weniger Gelegenheit, sich festzufahren.
  • Anforderungen außerhalb des Verlaufs halten. Was dauerhaft gelten soll, gehört in eine stabile Projektdokumentation, nicht in einen flüchtigen Gesprächsfaden.

Grenzen der Methode

Ein Verlaufs-Reset ist kein Allheilmittel. Er hilft gegen das Feststecken in lokalen Lösungsregionen, nicht gegen falsch gestellte Aufgaben, fehlende Testabdeckung oder unklare Anforderungen. Wenn ein Agent scheitert, weil ihm Kontextwissen über das System fehlt, verschärft ein Löschen die Lage eher.

Die Unterscheidung ist deshalb wichtig: Fehlt dem Agenten Information, braucht er bessere Vorgaben. Dreht er sich im Kreis, braucht er einen Neustart. Diese Diagnose lässt sich derzeit kaum automatisieren — sie bleibt Aufgabe der Person, die den Agenten führt.

Einordnung

Für Web- und Softwareprojekte verschiebt sich damit ein Teil der Verantwortung von der Modellauswahl hin zur Arbeitsorganisation: Wie Aufgaben geschnitten, wie Zwischenstände gesichert und wann Sessions bewusst beendet werden, beeinflusst das Ergebnis messbar. Teams, die ihren Projektzustand sauber in Versionsverwaltung und Dokumentation abbilden, können solche Resets risikolos nutzen — wer alles Wissen im Chat belässt, kann es nicht. Der Befund ist damit vor allem eine Erinnerung daran, dass der Nutzen von KI-Agenten weniger an der Modellgröße hängt als an den Prozessen, in die sie eingebettet sind.

Quellen