Eine Entwicklungslinie, die es in dieser Form noch nicht gibt

Prompt Engineering > Context Engineering > Harness Engineering > Loop Engineering > Graph Engineering werden von der KI-Industrie als aufeinanderfolgende Entwicklungsstufen erzählt. Diese Erzählung ist einordnungsbedürftig! Es handelt sich um Praxisbegriffe aus Blogs und Artikeln von Technologieunternehmen, nicht um etablierte wissenschaftliche Disziplinen mit klaren Definitionen.

Die Grenzen zwischen den einzelnen Ebenen sind fließend, und die meisten produktiven Systeme kombinieren mehrere Ebenen gleichzeitig. ¹ Die Linie beschreibt trotzdem etwas Reales: Die Gestaltungsaufgabe verschiebt sich vom Formulieren von Eingaben hin zur Architektur von Systemen.

Einordnung der verschiedenen Stufen

1. Prompt Engineering: Die Eingabe formen

Prompt Engineering ist die älteste und bekannteste Ebene. Sie gestaltet die unmittelbare Eingabe an ein Sprachmodell: Anweisungen, Beispiele, Rollenvorgaben. Ziel ist, die Antwort des Modells zu steuern, ohne das Modell selbst zu verändern. Die Grenzen sind inzwischen gut dokumentiert. Prompts sind formulierungsempfindlich, skalieren schlecht auf Tausende von Anwendungsfällen und erreichen ihre Belastungsgrenze, sobald Wissen aktualisiert oder domänenspezifisch ergänzt werden muss. Genau diese Lücke treibt die nächste Ebene an.

2. Context Engineering: Den Kontext gestalten

Context Engineering erweitert die Perspektive von der Anweisung auf den gesamten Kontext, den ein Modell erhält: relevante Dokumente, Unternehmensdaten, Systemgrenzen, Konversationsverlauf. Das grundlegende Muster ist Retrieval-Augmented-Generation (RAG), bei dem Wissen zur Laufzeit abgerufen und in den Kontext eingebettet wird. Damit verschiebt sich die Arbeit vom Formulieren hin zur Gestaltung von Wissenspipelines: Was wird abgerufen, wie wird es gefiltert, was kommt in welcher Reihenfolge in das Kontextfenster. ² Context Engineering löst das Aktualitätsproblem des Prompt Engineering, verlagert die Komplexität aber in die Datenarchitektur.

3. Harness Engineering: Die Umgebung bauen

Harness Engineering bezeichnet die Gestaltung der Umgebung, in der ein Modell arbeitet: verfügbare Werkzeuge, definierte Aktionen, Sicherheitsgrenzen, Beobachtbarkeit. Der zentrale Ausführungsmechanismus ist der ReAct-Loop, in dem das Modell abwechselnd denkt, eine Aktion über ein Werkzeug ausführt, das Ergebnis beobachtet und erneut denkt. LangChain beschreibt den Harness als das, was zwischen gewünschtem Agentenverhalten und Modell vermittelt. ³ Databricks ergänzt, dass die Qualität eines Agenten weniger im Prompt als in der Konstruktion von Werkzeugen, Permissions und Beobachtbarkeit liegt. ⁴ Die Kernaussage: Zuverlässigkeit entsteht im Rahmen um das Modell, nicht im Modell selbst.

4. Loop Engineering: Die Schleife steuern

Loop Engineering macht die Schleife selbst zum Gestaltungsgegenstand. Ein Agenten-Loop ist der iterative Zyklus aus Kontextaufnahme, Aktion, Beobachtung und Wiederholung bis zur Aufgabenlösung. Loop Engineering beantwortet, wann der Agent startet, wann er verifiziert, wann er aufhört. Praxisliteratur nennt dafür vier Bremsen: Schrittbegrenzungen, Budgets, Erkennung ausbleibender Fortschritte und Abschlussprüfungen. ⁵ Zwei Risiken stehen im Zentrum: Context Rot, die schleichende Verschlechterung der Kontextqualität über viele Iterationen, und der Doom Loop, eine Endlosschleife ohne Fortschritt. Loop Engineering ist damit die Ebene der Prozesskontrolle: Sie entscheidet, ob autonome Systeme beherrschbar bleiben.

5. Graph Engineering: Viele Agenten orchestrieren

Graph Engineering überträgt die Steuerung von einem einzelnen Agenten-Loop auf ein Netzwerk aus mehreren Knoten. Die TrueFoundry-Definition fasst es präzise: Ein Multi-Agenten-System wird als expliziter Graph aus heterogenen Knoten gestaltet, also Agenten, deterministischen Funktionen, Routern, Zusammenführungen, Werkzeugen und menschlichen Kontrollpunkten, verbunden über Kanten der Kommunikation und Delegation. Die Topologie selbst, wer existiert, wer was besitzt, wer mit wem sprechen darf, wie Arbeit fließt, wird zum Steuerungsinstrument. ⁶ Frameworks wie LangGraph machen diese Graphen implementierbar: Der Ablauf wird zur expliziten Zustandsmaschine, deterministische Funktionen und Validatoren kontrollieren die Agenten, statt dem Modell den gesamten Ablauf zu überlassen. ⁷ Graph Engineering ist die erste Ebene, die nicht ein System, sondern eine Organisation von Systemen gestaltet.

Übersicht: Die fünf Ebenen

Ebene	Fokus	Kernfrage	Typisches Mittel
Prompt Engineering	Eingabe	Wie formuliere ich die Aufgabe?	Anweisungen, Beispiele, Rollen
Context Engineering	Kontext	Welches Wissen bekommt das Modell?	RAG, Wissenspipelines, Memory
Harness Engineering	Umgebung	Welche Werkzeuge und Grenzen hat der Agent?	Tools, Permissions, Observability
Loop Engineering	Schleife	Wann startet, prüft und stoppt der Agent?	Schrittlimits, Budgets, Verifier
Graph Engineering	Netzwerk	Wer darf mit wem sprechen, wie fließt Arbeit?	Agentengraphen, Router, Checkpoints

Was Graph Engineering für Organisationen bedeutet

Graph Engineering – die strukturierte Orchestrierung von KI-Agenten in Netzwerken – greift tief in die Organisationsarchitektur ein. Ein Agentengraph mit definierten Zuständigkeiten, Zugriffsrechten und Kommunikationspfaden entspricht in seiner Logik eher einer klassischen Aufbauorganisation als einem bloßen Softwareprojekt. Wer festlegt, welche Agenten existieren und wie sie miteinander interagieren dürfen, definiert Organisationsstrukturen direkt als digitale Konfiguration.

Daraus ergeben sich drei zentrale Implikationen:

Automatisierte Governance: Delegationsgrenzen wandern aus Prozessdokumenten direkt in die Software-Topologie und werden dort maschinell durchgesetzt.
Neue Rollenbilder: Es entstehen Funktionen wie Graph-Architekten oder Agent-Operatoren, die die Systemtopologie kontinuierlich entwerfen und anpassen – vergleichbar mit einer agilen Organisationsentwicklung.
Erweiterte Nachvollziehbarkeit: Da Arbeitsschritte über klar definierte Kanten fließen, lassen sich Prozesspfade lückenlos protokollieren, was Audits und Compliance-Prüfungen erleichtern kann.

Betriebswirtschaftliche Nüchternheit bewahren

Die Einordnung erfordert betriebswirtschaftliche Nüchternheit: Bisherige Erkenntnisse basieren weitgehend auf Anbieter-Demos und Marketing-Referenzen, nicht auf langfristigen Feldstudien. Was im Pilotbetrieb funktioniert, erweist sich in skalierten Umgebungen oft als wartungsintensiv. Fehlersuche und Qualitätskontrolle in verschachtelten Agenten-Graphen können hohe Kosten verursachen.

Zudem besteht ein struktureller Zielkonflikt: Multi-Agenten-Systeme durchlaufen kontinuierliche Denk- und Schleifenprozesse, was den Token- und Rechenbedarf drastisch erhöht. Es liegt im direkten ökonomischen Interesse der großen Modellanbieter, diese rechenintensiven Architekturen als Standard zu etablieren. Demgegenüber braucht nicht jeder Geschäftsprozess eine agentische KI-Pipeline und darf auch nicht jede Entscheidungen von einem Algorithmus getroffen werden.

Fazit

Die Entwicklungslinie vom Prompt zum Graph beschreibt einen realen Gestaltungswandel: weg von der Formulierung einzelner Eingaben, hin zur Architektur von Systemen, die aus mehreren KI-Komponenten, Werkzeugen und Kontrollmechanismen bestehen. Für Organisationen bedeutet das, dass KI-Einführung zunehmend eine Organisationsentwicklungsaufgabe ist, kein reines IT-Projekt. Wer Graphen von Agenten entwirft, entwirft kommunizierende Einheiten mit Rechten und Grenzen, was im Kern Organisationsdesign ist.

Die Begriffe selbst sind jung und überwiegend industriell geprägt. Ob sie als Disziplinen Bestand haben, wird sich zeigen. Für Entscheider zählt zunächst die praktische Konsequenz: Die Steuerung von KI verschiebt sich vom Formulieren zur Architektur. Wer diese Architektur gestaltet, gestaltet mit, wie Arbeit in Zukunft erledigt wird. Das sollte mit derselben Sorgfalt behandelt werden wie jede andere Organisationsentscheidung.

Quellen:

1
Prompt, Context, Loop: The Three Engineering Layers Every RAG System Is Built On, 2026, Towards Data Science, https://towardsdatascience.com/prompt-context-loop-the-three-engineering-layers-every-rag-system-is-built-on/ ↩︎
2
Context Engineering: The Evolution Beyond Prompt Engineering, 2025, Svngoku, https://huggingface.co/blog/Svngoku/context-engineering-the-evolution-beyond-prompt-en ↩︎
3
The Anatomy of an Agent Harness, 2025, LangChain, https://www.langchain.com/blog/the-anatomy-of-an-agent-harness ↩︎
4
What is an AI Agent Harness?, 2025, Databricks, https://www.databricks.com/blog/ai-harness ↩︎
5
Loop Engineering for AI Agents: The Complete Guide, 2026, Appscale Blog, https://appscale.blog/en/blog/loop-engineering-ai-agents-complete-guide-2026 ↩︎
6
Graph Engineering for Multi-Agent Systems: Architecture, Governance, 2026, TrueFoundry, https://www.truefoundry.com/blog/graph-engineering-enterprise-guide ↩︎
7
Graph Engineering for AI Agents: A Complete Guide in LangGraph, 2026, Analytics Vidhya, https://www.analyticsvidhya.com/blog/2026/07/graph-engineering/ ↩︎

Vom Prompt zu Graphen: Die rasante Entwicklung des Prompt-Engineerings