AgentLoop
AgentLoop ist ein Local-First-Agenten-Workflow, der ein begrenztes Ziel in ausgelieferten Code umwandelt, indem er in jedem Zyklus frische Codex-Worker ausführt, eine unabhängige Kritiker-Rubrik durchsetzt und Ihre Projektdateien als dauerhaften Speicher mit voller Beobachtbarkeit und Kontrolle verwendet.
https://agentloop.tools/?ref=producthunt&utm_source=aipure
Produktinformationen
Aktualisiert:Jul 24, 2026
Was ist AgentLoop
AgentLoop ist ein entwicklerzentriertes System zur Automatisierung der "Relay-Arbeit" des iterativen Codierens mit KI – einmal planen, dann wiederholt zwischen Implementierung, Überprüfung und Korrekturen wechseln, bis Ihre Standards erfüllt sind. Als OpenAI Build Week-Projekt entwickelt und als lokales Tool (MIT-lizenziert) veröffentlicht, läuft es dort, wo Ihr Code lebt, und ist für echte Softwareaufgaben wie Features, Migrationen, Refactorings und Härtungspässe konzipiert. Anstatt sich auf einen langen, abdriftenden Chat-Kontext zu verlassen, hält AgentLoop das Ziel und die Akzeptanzkriterien stabil (z. B. in goal.md und GUIDELINES.md) und erstellt überprüfbare Zyklusprotokolle, damit Sie genau sehen können, was passiert ist, und bei Bedarf anhalten oder steuern können.
Hauptfunktionen von AgentLoop
AgentLoop ist ein lokales, entwicklerorientiertes Agenten-Workflow-Tool, das die „menschliche Weitergabe“ zwischen Planung und Ausführung eliminiert, indem es wiederholte Arbeiter→Kritiker-Zyklen durchläuft, bis eine benutzerdefinierte Rubrik erfüllt ist. Sie definieren ein begrenztes Ziel und eine „Definition von Fertigstellung“ (z. B. in GUIDELINES.md), dann entsendet AgentLoop in jedem Zyklus neue Codex-basierte Arbeiter, um Änderungen direkt in Ihrem echten Repository zu implementieren, führt Überprüfungen/Tests durch und verwendet einen unabhängigen Kritiker, um die Ergebnisse zu überprüfen und konkrete Korrekturen in die nächste Iteration einzuspeisen. Es legt Wert auf Beobachtbarkeit (Live-Dashboard, Transkripte, Urteile, Wiedergabe), Zuverlässigkeit (frischer Kontext in jedem Zyklus + Dateien als Speicher) und Kontrolle (Zyklusbudgets, Abbruch, rubrikengesteuerte Stoppbedingungen), mit einer Architektur, die die Planung über MCP von der lokalen Ausführung trennt und darauf abzielt, engine-steckbar zu bleiben.
Frischer Arbeiter in jedem Zyklus: Jede Iteration läuft in einem sauberen, frischen Kontext, um die kumulative Prompt-Drift zu reduzieren, während der Fortschritt über die Projektdateien als dauerhafte Quelle der Wahrheit erfolgt.
Unabhängiger Kritiker mit rubrikengestützten Urteilen: Ein separater Kritiker überprüft die Ausgabe des Arbeiters anhand Ihrer Standards (gespeichert in Dateien wie GUIDELINES.md) und gibt konkrete Korrekturen zurück; die Schleife wird fortgesetzt, bis der Kritiker ein BESTANDEN/Versand-Urteil ausgibt.
Lokale Ausführung in Ihrem echten Repository: Läuft dort, wo Ihr Code lebt (erfordert Node.js 18+, Git, authentifiziertes Codex CLI), sodass Änderungen, Tests und Beweise direkt in der tatsächlichen Projektumgebung erstellt werden – kein gehosteter Arbeitsbereich erforderlich.
Beobachtbare, wiederholbare Agentenzyklen: Bietet ein Dashboard und Protokolle zur Überprüfung des Transkripts, der Tool-Ergebnisse, Kosten und Dateihandhabungen jedes Zyklus sowie Wiedergabewerkzeuge, um zu verstehen, was passiert ist und warum.
Begrenzte Ziele, Budgets und Stoppbedingungen: Sie legen ein klares Ziel und Akzeptanzkriterien fest, begrenzen Iterationen mit einem Zyklusbudget und können Läufe abbrechen – wodurch die Autonomie eingeschränkt und produktionsfreundlich bleibt.
MCP-Grenze und engine-steckbare Richtung: Verwendet MCP, um die Planung von der lokalen Ausführung zu trennen und eine saubere Grenze für den Austausch/das Hinzufügen von Engines im Laufe der Zeit aufrechtzuerhalten (heute Codex-first, breitere Unterstützung als Roadmap impliziert).
Anwendungsfälle von AgentLoop
Autonome Feature-Bereitstellung in Softwareteams: Liefern Sie End-to-End-Features (UI + API + Tests + Dokumente), indem Sie AgentLoop ein begrenztes Ziel geben; Arbeiter implementieren, Kritiker setzen Qualität durch, und die Schleife iteriert, bis die Rubrik BESTANDEN sagt.
Fehlerbehebung mit Regression-Härtung: Fehler beheben und beheben, bei denen „grüne Tests“ nicht ausreichen: Der Kritiker kann subtile Probleme erkennen, Regressionsabdeckung verlangen und iterative Verbesserungen vorantreiben, bis sie verifiziert sind.
Sicherheits- und Qualitätshärtungspässe: Führen Sie ein fokussiertes Härtungsziel (z. B. Eingabeverarbeitung, Grenzfälle, Robustheit) mit kritikergesteuerter Überprüfung durch, um sicherzustellen, dass Änderungen explizite Standards erfüllen und Tests für entdeckte Schwachstellen hinzugefügt werden.
Codebasis-Migrationen und Refaktorisierungen: Führen Sie mehrstufige Refaktorisierungen oder Migrationen aus, die normalerweise eine Beaufsichtigung erfordern (Dateien bearbeiten, Tests ausführen, basierend auf Fehlern anpassen), indem Sie die Schleife wiederholte Zyklen und die Sammlung von Beweisen handhaben lassen.
Entwicklerproduktivität für Solo-Entwickler und Startups: Ersetzen Sie große Mengen an benutzerdefinierter Orchestrierung und manuellem Hin und Her zwischen Planungstools und Codierungsagenten durch eine wiederholbare Arbeiter-/Kritiker-Schleife und klare Beobachtbarkeit.
Vorteile
Rubrikengesteuerte Zuverlässigkeit: Unabhängiger Kritiker und explizite GUIDELINES.md-ähnliche Standards helfen zu verhindern, dass „fertig“ nur auf bestandenen Tests basiert.
Lokal-first und transparent: Läuft im echten Repository mit starker Beobachtbarkeit (Dashboard, Transkripte, Wiedergabe), wodurch Änderungen leichter zu vertrauen und zu prüfen sind.
Zyklen mit frischem Kontext reduzieren die Drift: Das Neustarten von Arbeitern in jedem Zyklus kann die Konsistenz verbessern und kumulative Fehler über lange Läufe reduzieren.
Nachteile
Einrichtungs- und Abhängigkeitsbeschränkungen: erfordert Node.js 18+, Git und ein authentifiziertes Codex CLI; die Nützlichkeit hängt davon ab, dass diese Umgebung funktioniert.
Iterationskosten und -zeit: Schleifen-basierte Autonomie kann mehr Zyklen (und damit Token/Rechenleistung) verbrauchen als Single-Pass-Workflows, insbesondere bei komplexen Aufgaben.
Nicht ideal für deterministische Workflows: Feste, vorhersehbare Sequenzen können besser durch einfache Pipelines ohne den Overhead einer Agentenschleife bedient werden.
Wie verwendet man AgentLoop
1) Definieren Sie ein begrenztes Ziel und Akzeptanzkriterien: Schreiben Sie genau auf, was AgentLoop erreichen soll (ein Feature, eine Migration, ein Härtungspass, eine Politur) und begrenzen Sie es. Definieren Sie auch Ihre "Definition of Done" als Rubrik (was muss wahr sein, damit es ein PASS ist). Die AgentLoop-Website schlägt vor, einmal zu planen (z. B. in ChatGPT) und dann AgentLoop ein klares Ziel plus Standards zu übergeben.
2) Legen Sie Ihre Rubrik in GUIDELINES.md ab: Erstellen oder aktualisieren Sie eine Datei namens GUIDELINES.md in Ihrem Projekt (oder im AgentLoop-Arbeitsverzeichnis, je nachdem, wie Sie es ausführen). Diese Datei wird als dauerhafter Standard behandelt: Sie wird in jedem Zyklus gelesen und vom Kritiker verwendet, um PASS/FAIL zu entscheiden (z. B. "Alle Tests müssen bestanden werden", "Fügen Sie eine Regressionsabdeckung für jeden Fehler hinzu", "Dokumente stimmen mit dem Ergebnis überein").
3) Bereiten Sie Ihre lokale Umgebung vor: Stellen Sie sicher, dass Sie Node.js 18+, Git und eine authentifizierte Codex CLI zur Verfügung haben (die lokalen Anweisungen von AgentLoop erfordern diese explizit).
4) AgentLoop klonen: Ausführen: git clone --branch v1.1.0 --depth 1 https://github.com/aiedwardyi/AgentLoop.git
5) Wechseln Sie in das AgentLoop-Verzeichnis: Ausführen: cd AgentLoop
6) Starten Sie den lokalen Daemon, wo Ihr Code lebt: Führen Sie den Daemon-Prozess aus (wie in den offiziellen Anweisungen gezeigt): node src\daemon.js. Dies startet AgentLoop lokal, damit es in der realen Projektumgebung auf Dateien zugreifen kann.
7) Übergeben Sie die Arbeitsanfrage (Ziel) an AgentLoop: Geben Sie AgentLoop eine konkrete Zielvorgabe (Beispiel von der Website: "Fügen Sie CSV-Export über die Benutzeroberfläche, API und Regressionstestsuite hinzu."). Halten Sie es begrenzt und an die Rubrik in GUIDELINES.md angepasst, damit der Kritiker die Fertigstellung bewerten kann.
8) Legen Sie ein Zyklus-/Iterationsbudget fest (empfohlen): Konfigurieren Sie ein kleines Zyklusbudget, damit die Schleife nicht unbegrenzt läuft (die Website zeigt ein Beispiel "cycle budget: 3"). Dies spiegelt die gängige Best Practice für Agenten-Loops wider: Begrenzen Sie Iterationen/Durchläufe oder das Budget, um Kosten und Laufzeit zu kontrollieren.
9) Lassen Sie AgentLoop seine Worker→Kritiker-Zyklen durchlaufen: AgentLoop wird wiederholt: (a) das Ziel an einen frischen Worker-Prozess senden, (b) den Worker lokale Dateien bearbeiten und Projektbefehle/Tests ausführen lassen, (c) einen unabhängigen Kritiker die Ergebnisse anhand von GUIDELINES.md überprüfen lassen und (d) Kritiker-Feedback in den nächsten Zyklus einspeisen, falls es fehlschlägt.
10) Verwenden Sie Dateien als persistenten Speicher zwischen den Zyklen: Das Design von AgentLoop betont "frischen Kontext in jedem Zyklus", während "Dateien die Arbeit vorantreiben". Stellen Sie sicher, dass der Worker Beweise in das Repository schreibt (Codeänderungen, Tests, Dokumente, Protokolle), damit der nächste Zyklus darauf aufbauen kann, ohne sich auf eine lange Chat-Historie zu verlassen.
11) Überwachen Sie den Fortschritt und die Beobachtbarkeitsausgaben: Verfolgen Sie Zyklus-für-Zyklus-Urteile (PASS/FAIL), Transkripte und Kosten/Belege über die auf der Website beschriebenen Dashboard-/Wiedergabefunktionen. So behalten Sie die Sichtbarkeit, während Sie unbeaufsichtigt arbeiten.
12) Bei Bedarf anhalten oder abbrechen: Wenn der Lauf vom Kurs abweicht oder Sie frühzeitig anhalten möchten, brechen Sie über das Dashboard ab (die Website erwähnt explizit das Abbrechen über das Dashboard).
13) Bestätigen Sie die Fertigstellung durch das endgültige Urteil des Kritikers: Ein Lauf gilt als abgeschlossen, wenn die letzte Zeile des Kritikers "VERDICT: PASS" gemäß GUIDELINES.md meldet. Der Ablauf von AgentLoop ist explizit rubrikengesteuert: Ihre Standards entscheiden über die Fertigstellung.
14) Überprüfen Sie die endgültigen Änderungen und liefern Sie aus: Sobald PASS, überprüfen Sie die resultierenden Code-/Test-/Dokumentenänderungen in Ihrem lokalen Projekt und fahren Sie mit Ihrem normalen Versand-Workflow fort (Commit, PR, Release), wobei Sie die Zyklusprotokolle und Kritikerbelege als unterstützende Beweismittel verwenden.
AgentLoop FAQs
AgentLoop ist ein "Local-first"-Agenten-Loop-Tool (ein OpenAI Build Week 2026 Projekt), mit dem Sie einmal ein begrenztes Ziel und Akzeptanzstandards festlegen können. Anschließend werden wiederholte Zyklen mit neuen Codex-Workern und einem unabhängigen Kritiker durchgeführt, um Ihr lokales Projekt zu verbessern, bis es Ihre Richtlinien erfüllt.
AgentLoop Video
Beliebte Artikel
Atoms: Eine Multi-Agenten-KI-Plattform, die Ideen in startbereite Produkte verwandelt
May 22, 2026
Nano Banana SBTI: Was es ist, wie es funktioniert und wie man es im Jahr 2026 einsetzt
Apr 15, 2026
Atoms Review – Der KI-Produkt-Builder, der die digitale Erstellung im Jahr 2026 neu definiert
Apr 10, 2026
Kilo Claw: Wie man einen echten "Do-It-For-You" KI-Agenten bereitstellt und verwendet (2026 Update)
Apr 3, 2026
Neueste KI-Tools ähnlich wie AgentLoop
Gait
Gait ist ein Collaboration-Tool, das KI-unterstützte Codegenerierung mit Versionskontrolle integriert und es Teams ermöglicht, KI-generierten Codekontext effizient zu verfolgen, zu verstehen und zu teilen.
invoices.dev
invoices.dev ist eine automatisierte Rechnungsplattform, die Rechnungen direkt aus den Git-Commits der Entwickler generiert und Integrationsmöglichkeiten für GitHub, Slack, Linear und Google-Dienste bietet.
EasyRFP
EasyRFP ist ein KI-gestütztes Edge-Computing-Toolkit, das RFP (Request for Proposal)-Antworten optimiert und eine Echtzeit-Feldphänotypisierung durch Deep-Learning-Technologie ermöglicht.
Cart.ai
Cart.ai ist eine KI-gestützte Dienstleistungsplattform, die umfassende Lösungen zur Automatisierung von Geschäftsprozessen bietet, einschließlich Programmierung, Kundenbeziehungsmanagement, Videobearbeitung, E-Commerce-Setup und benutzerdefinierter KI-Entwicklung mit 24/7 Unterstützung.
Beliebte KI-Tools wie AgentLoop
GitHub Copilot Chat
GitHub Copilot Chat ist ein KI-gestützter Codierungsassistent, der Interaktionen in natürlicher Sprache, Echtzeit-Codevorschläge und kontextuelle Unterstützung direkt innerhalb unterstützter IDEs und GitHub.com bietet.
CopilotForXcode
CopilotForXcode ist eine Xcode-Quell-Editor-Erweiterung, die GitHub Copilot, Codeium und ChatGPT integriert, um KI-gestützte Codevorschläge, Chat-Unterstützung und Prompt-to-Code-Funktionalität innerhalb von Xcode bereitzustellen.
BrowserAI
BrowserAI ist eine Open-Source-Bibliothek, die die Ausführung lokaler Large Language Models (LLMs) direkt in Webbrowsern mit WebGPU-Beschleunigung ermöglicht und datenschutzorientierte KI-Funktionen bietet, ohne dass eine Serverinfrastruktur erforderlich ist.
OpenAI Codex CLI
OpenAI Codex CLI ist ein schlanker Open-Source-Coding-Agent, der in Ihrem Terminal ausgeführt wird und es Entwicklern ermöglicht, natürliche Sprache in Codeausführung zu übersetzen und gleichzeitig ChatGPT-ähnliche Argumentation mit der Möglichkeit, Code auszuführen, Dateien zu bearbeiten und unter Versionskontrolle zu iterieren, bereitzustellen.