Prompt Engineering ist tot. Es lebe Loop Engineering.
Ich habe mehr angefangene Projekte als freie Abende. Jedes einzelne wäre in zwei Wochen fertig — wenn ich zwei Wochen am Stück daran säße. Tue ich nicht. Ich sitze zwanzig Minuten daran, dann kommt der nächste Kontextwechsel, und wenn ich zurückkomme, ist die erste halbe Stunde Suchen: Wo stand ich? Was war der Plan? Warum ist der Test rot?
Loopwright ist meine Antwort darauf. Kein KI-Knopf an einem Ticket-System, sondern das Umgekehrte: ein Ticket-System, das von einem Team aus KI-Rollen abgearbeitet wird. Ich bringe Ziel und Prioritäten. Den Rest fährt eine Schleife.
Das Team
Jede Rolle hat ein eigenes Mandat, eigene Grenzen und, wo es sich lohnt, ein eigenes Modell:
| Rolle | Wer | Mandat | Grenze |
|---|---|---|---|
| Stakeholder | ich | Ziel, Prioritäten, Freigabe der Stories | kein Code, kein Micro-Management |
| Architekt | Agent mit großem Modell | aus der Story eine Spec mit testbaren Kriterien, Dateiliste und Verbotsliste | schreibt keinen Code vor |
| Coder | lokaler Coding-Agent auf dem Heimserver | die eigentliche Arbeit, in einem abgeschotteten Verzeichnis | nur unter den Guardrails |
| Prüfer | Agent mit großem Modell | Spec vor dem Lauf und Code nach dem Lauf gegen die Kriterien prüfen | darf nur blockieren, nie freigeben |
| Gate | Tests, Linter, SonarQube | grün oder rot | deterministisch, kein Modell |
Das wichtigste Prinzip steht in der letzten Spalte: asymmetrische Autorität. Ein Modell darf Nein sagen, aber nie Ja. Ob etwas gemergt wird, entscheidet das Gate. Ein Modell, das „sieht gut aus“ sagt, beweist nichts. Ein roter Test schon.
Der Coder läuft lokal auf Zuse und kostet keine Tokens, nur Strom. Die großen Modelle für Architekt und Prüfer laufen mal lokal, mal über ein EU-Gateway — je nachdem, was die Grafikkarten gerade sonst tun.
Der Loop
Story im Ticket-System
→ Architekt: Spec mit testbaren Kriterien, Dateiliste, Verbotsliste
→ Spec-Prüfung: Ist die Story bereit? Sonst Halt mit Rückfrage
→ Coder im Käfig: eigener Branch, eigenes Verzeichnis, Zeitbudget
→ Gate: Tests, Linter, SonarQube
→ Review gegen die Kriterien: Veto oder nichts
→ bereit zum Merge
Zwei Regeln halten das zusammen.
Fragen statt raten. Ist etwas unklar, hält der Lauf an und stellt eine Frage. Ein Halt kostet mich eine Minute. Eine geratene Annahme, die drei Stories später auffällt, kostet einen Abend.
Der Coder sitzt im Käfig. Er sieht nur sein Arbeitsverzeichnis — kein /tmp, keine
Zugangsdaten. Das kam nicht aus Prinzip, sondern aus Erfahrung: Ein früher Lauf schrieb ein
Prüfskript nach /tmp, ein anderer hatte den Zugang zur Forge geerbt.
Gemergt wird heute noch von mir. Das Ziel ist „kein Merge ohne grünes Gate“ statt „kein Merge ohne Mensch“ — mein Gate wandert nach vorn, zur Freigabe der Story.
Loopwright Light: der Loop von Hand
Bevor die Maschine lief, gab es den Loop von Hand, und den gibt es noch: Issue, Feature-Branch, Spec mit testbaren Kriterien. Ein lokaler Coding-Agent setzt um, ein Architekt prüft den echten Diff gegen die Kriterien und fährt die Tests selbst, statt dem Bericht des Coders zu glauben. CI muss grün sein, gemergt wird von einem Menschen. So entstehen auch die Änderungen an dieser Website — dieser Artikel eingeschlossen.
Zahlen
476 gemergte Pull Requests seit dem ersten Merge am 31. Juli 2026 — gebaut im Loop, zuerst von Hand, zunehmend von Loopwright selbst.
Am 12. und 13. September hat Loopwright zum ersten Mal an sich selbst gearbeitet:
| Lauf | Dauer | Ergebnis |
|---|---|---|
| 1 | 40 min | Timeout, rund 130.000 Token, danach keine Spur |
| 2 | 31 min | gleiche Spec, gleiches Modell: Pull Request, Gate grün |
| 4 | 27 min | erster Lauf im Käfig, erste Story ohne Handgriff bis zur Merge-Entscheidung |
| 8 | 33 min | Pull Request ohne einen einzigen Nachbesserungs-Commit |
| 11 | 12 min | dritte Story in Folge ohne Nachbesserung |
In der Nacht zum 1. November liefen zweieinhalb Stories durch, mit etwa einem Eingriff pro Story. Aus diesen Eingriffen sind drei neue Stories im Backlog geworden.
Und die Kosten: Ende Oktober habe ich drei Tage lang am Gateway gemessen. 10,45 € für drei Tage, davon 52 % Code-Review, 37 % Spec-Prüfung, 9 % Architekt, 2 % Chat. Mein Bauchgefühl war „der Architekt ist teuer“. Falsch — die Prüfer sind es. Ein anderes Modell für die Review senkte den Preis von etwa 14 auf etwa 3 Cent pro Review.
Wo es auf die Nase gefallen ist
Grüne Tests, falsches Programm. Am 23. Oktober habe ich Loopwright gegen ein anderes Agenten-Framework antreten lassen, an einem kleinen Video-Werkzeug mit versteckten Abnahmetests. Die erste Aufgabe schafften beide, 6 von 6. Bei der zweiten lieferte Loopwright in elf Minuten Spec und Code, die Review hatte nichts einzuwenden, alle Tests waren grün — und mit echtem ffmpeg funktionierten 3 von 6 Fällen. Ein ungültiger Filterparameter, ein ignorierter Rückgabewert, Exit 0 ohne Bild. Die Tests liefen gegen ein nachgebautes ffmpeg, die CI hatte gar keins. Prüfungen, die nur die Form prüfen, beweisen nichts. „Abnahme durch echte Ausführung“ steht seitdem ganz oben im Backlog. Das andere Framework prüfte ehrlicher, scheiterte aber an anderer Stelle. Der Befund des Tages: Die Coder-Modelle waren gleichauf. Der Unterschied liegt in der Hülle.
Die Schlussprüfung, die nie endet. Ein Lauf war fertig, die Tests grün, 95,8 % Abdeckung. Der Coder startete seine „letzte Schlussprüfung“ trotzdem immer wieder neu, bis das Zeitbudget ablief. Seitdem steht ein Stopp-Kriterium im Auftrag, und bei einem Timeout wird der Zwischenstand gesichert.
Raten statt fragen. Eine Spec verlangte eine SSH-Adresse „in Kurzform mit Port“ — die Kurzform kennt gar keinen Port. Der Coder hat den Widerspruch bemerkt und dann eine Rate-Heuristik gebaut, statt anzuhalten. Die Ursache war die Spec, nicht das Modell.
Die Review verdient ihr Geld. Sie fand ein Passwort, das in einer Fehlermeldung landete — auf einem Fehlerpfad, den die Tests des Coders nicht abdeckten.
Ein Modell, zwei Coder. Zwei Läufe gleichzeitig auf demselben Modell endeten beide im Timeout, mit weniger als der Hälfte der Arbeit. Parallel spart keine Zeit, wenn die Grafikkarte der Engpass ist. Heute laufen höchstens zwei Coder gleichzeitig.
Wohin
Loopwright soll die Zentrale werden: ein Leitstand, in dem ich sehe, was läuft, mit Loopwright chatte und mit einem virtuellen Product Owner plane. Die Reihenfolge ist klar — erst Robustheit, dann Komfort. Echte Ausführung bei der Abnahme, Zeitgrenzen je Stufe, ein Lagebild, wenn etwas hängt.
Das Ziel ist nicht, dass Loopwright schneller tippt als ich. Das Ziel ist, dass meine Projekte fertig werden — und ich nur noch Chef und Visionär bin.
Welche Modelle dabei was leisten und wie ich das messe, steht im Messlabor.