KI-Kontext
Erkennen, entscheiden, handeln, schließen: Anatomie eines KI-Agenten-Workflows
Eine KI, die Ihnen Ratschläge gibt, ist nützlich. Eine KI, die den Kreis schließt – den Kontext liest, begründet, Maßnahmen ergreift und das Ergebnis protokolliert – ist die Art und Weise, wie die Arbeit tatsächlich erledigt wird.
2026-06-26 · 8 Min. Lesezeit
Was unterscheidet einen KI-Agenten-Workflow von einer Chat-Sitzung?
Chat-KI ist im Grunde eine Anfrage-Antwort-Methode: Sie fragen, sie antwortet, in Ihren Systemen ändert sich nichts. Der Arbeitsablauf eines KI-Agenten unterscheidet sich in seiner Art und nicht nur in seinem Grad. Das Modell liest Live-Kontext aus Ihren Tools, begründet dies, schreibt Aktionen zurück in diese Tools und die Ergebnisse werden in die nächste Schleife eingespeist. Die KI berät Sie nicht über Ihre Arbeit – sie erledigt einen definierten Teil davon.
Diese Unterscheidung ist wichtig, da der Großteil des Aufwands bei der Wissensarbeit nicht auf die Entscheidungsfindung zurückzuführen ist. Es ist das Bindegewebe rund um Entscheidungen: den Kontext für die Entscheidung sammeln, die Entscheidung kommunizieren, die Systeme aktualisieren, die sie verfolgen, nachverfolgen, wenn etwas schiefgeht. Ein Agenten-Workflow kümmert sich um dieses Bindegewebe. Sie geben das Urteil ab; Der Loop übernimmt die Logistik.
Die Sense-Decide-Act-Close-Schleife ist das Modell von Lodestar für die Strukturierung von KI-Agent-Workflows. Jede Phase hat eine klare Verantwortung und zusammen bilden sie einen geschlossenen Kreislauf, der die Arbeit tatsächlich abschließt, anstatt Ihrem Stapel weitere Ratschläge hinzuzufügen.
Sinn: Lesen Sie den Kontext, bevor Sie argumentieren
Sinn ist die Phase, in der die KI den Kontext liest, den sie braucht, um gut zu argumentieren. In Lodestar bedeutet dies, MCP-Lesetools aufzurufen: Ihr Dashboard abrufen, Aktionselemente mit ihren Beweislinks lesen, E-Mail-Thread-Inhalte abrufen, Kalenderereignisse überprüfen, den Wissensgraphen nach relevanten Dokumenten oder früheren Entscheidungen abfragen.
Die Qualität der Sinnesstufe bestimmt die Qualität von allem, was folgt. Eine beispielhafte Argumentation über einen vollständigen E-Mail-Thread, die Geschichte, wer was schuldet, und den Stimmungstrend für diesen Kontakt wird zu besseren Schlussfolgerungen führen als eine Argumentation über Ihre Zusammenfassung der Situation. Die Kontextebene macht Sinn sinnvoll und nicht oberflächlich.
Die Anreicherungspipeline von Lodestar läuft, bevor die KI jemals mit den Daten in Berührung kommt. Wenn Sie eine Frage stellen, sind Ihre E-Mails bereits klassifiziert und mit Projekten verknüpft, Aktionselemente wurden mit ihren Quellzitaten extrahiert und die Stimmung wurde pro Kontakt berechnet. Das Modell führt keine Rohtextanalyse durch, sondern liest strukturierten, angereicherten Kontext. Dadurch wird die Sense-Phase von Minuten auf Sekunden komprimiert.
Entscheiden Sie: wo das Modell seinen Lebensunterhalt verdient
Entscheiden ist das Stadium, das sich die meisten Menschen vorstellen, wenn sie an KI denken: Das Modell argumentiert über den Kontext und bestimmt, was zu tun ist. In einem gut konstruierten Agenten-Workflow wird bei Decide die Argumentationsfähigkeit des Grenzmodells auf ein Problem angewendet, das seinen Rechenaufwand tatsächlich wert ist – es geht nicht um die Rekonstruktion des Kontexts, den Sie bereits hatten, sondern um eine Beurteilung darüber.
Die Entscheidungsphase für einen morgendlichen Planungsworkflow könnte wie folgt aussehen: „Was sind angesichts dieser sieben überfälligen Elemente, dieser drei eingehenden Threads und dieses Kalenders die drei Dinge mit dem größten Nutzen, die man vor Mittag erledigen sollte?“ Das Modell wägt Dringlichkeit, Beziehungsrisiko und Abhängigkeiten ab – die Art von Multi-Faktor-Beurteilung, die sich nicht auf eine Regel reduzieren lässt.
Für einen Kunden-Follow-up-Workflow könnte Decide lauten: „Dieser Stimmungstrend ist zwei Wochen in Folge zurückgegangen, die letzten drei E-Mails blieben unbeantwortet und die Verlängerung erfolgt in sechs Wochen. Verfassen Sie eine Wiederherstellungs-E-Mail und schlagen Sie zwei Folgeaufgaben vor.“ Diese Argumentation erfordert Kontext (Sense), Urteilsvermögen (Decide) und die Fähigkeit, auf der Grundlage der Schlussfolgerung zu handeln – was die nächste Stufe darstellt.
Handlung: Ergebnisse über MCP zurückschreiben
Im Akt wird die Schleife real. Das Modell ruft MCP-Schreibtools auf: action_items_create, um eine neue Zusage zu protokollieren, emails_reply_link, um einen Entwurf in Ihrem E-Mail-Client zu öffnen, meilensteine_partial_update, um aufzuzeichnen, dass eine Phase abgeschlossen ist, timeline_events_create, um zu protokollieren, was wann passiert ist.
Das Designprinzip in der Act-Ebene von Lodestar besteht darin, dass Folgehandlungen für die menschliche Überprüfung sichtbar werden. E-Mail-Entwürfe sind genau das – Entwürfe. Sie sehen die vorgeschlagene Antwort, entscheiden, dass sie richtig ist, und klicken auf Senden. Die KI übernimmt die Entwurfsarbeit; Sie behalten die Sendeentscheidung. Die Aufgabenerstellung und Meilensteinaktualisierungen erfolgen sofort, da sie umkehrbar sind und auf Ihren Arbeitsbereich beschränkt sind. Aber auch diese werden in der Zeitleiste protokolliert, sodass Sie sehen können, was die KI getan hat.
Dies ist kein Sicherheitskompromiss – es ist das richtige Design für einen professionellen Arbeitsablauf. Eine KI, die nicht außer Kraft gesetzt werden kann, ist in einem Kontext nicht nützlich, in dem Urteile von Informationen abhängen, die das Modell nicht sehen kann: Beziehungsdynamik, politische Nuancen, verbal geteilte Informationen. Die Act-Schicht führt die mechanische Arbeit aus; Die menschliche Urteilspforte bleibt für die Kommunikation bestehen.
Schließen: Protokollieren, Benachrichtigen, Verfolgen bis zum Abschluss
„Schließen“ ist die Phase, die verhindert, dass die Arbeit verdunstet. Nachdem das Modell agiert hat, protokolliert Lodestar das Ereignis in der Zeitleiste (was ist passiert, wer war beteiligt, was war das Ergebnis), aktualisiert den relevanten Projekt- und Meilensteinstatus und erstellt oder schließt Aktionselemente, damit das Tracking-Bild die Realität widerspiegelt.
Die Close-Phase übernimmt auch die Nachverfolgung. Wenn in der Act-Phase eine Folgeaufgabe erstellt wurde, verfolgt Lodestar diese bis zum Abschluss – indem sie sie im Tagesplan anzeigt, wenn sie fällig ist, sie im Bedarfs-Aufmerksamkeits-Feed markiert, wenn sie fehlschlägt, und automatisch anstößt, bis sie geschlossen oder absichtlich verschoben wird.
Aus diesem Grund heißt die Schleife „Sense-Decide-Act-Close“ und nicht „Sense-Decide-Act“. Ohne die Phase „Schließen“ verfügen Sie über ein Modell, das Maßnahmen ergreift, aber keine Spuren hinterlässt. Damit ist jede KI-Aktion überprüfbar, jede Verpflichtung wird nachverfolgt und die Kontextebene wird mit jeder abgeschlossenen Schleife umfangreicher – wodurch die nächste Sense-Stufe genauer wird.
Eine vollständige Schleife: Der Builder liefert eine Funktion aus
Gehen Sie einen konkreten KI-Agent-Workflow für einen Einzelentwickler durch, der Claude Code mit Lodestar verwendet. Beginn der Sitzung: Claude ruft „dashboard_today“ und „action_items_list“ auf. Die Sense-Phase gibt drei heute fällige Gegenstände zurück, von denen einer die Jet-Rebellion-Funktion blockiert. Claude erläutert den Plan mit Prioritäten.
Der Entwickler sagt: „Implementieren Sie Punkt 42.“ Claude ruft action_items_retrieve(42) auf, dann Knowledge_search und files_content, um die Spezifikation und relevante Codedateien abzurufen. Der Sinn ist vollständig. Das Modell begründet dies mit der Spezifikation, dem vorhandenen Code und dem Blockierungsproblem. Decide erstellt einen Umsetzungsplan. Claude Code schreibt den Code, führt Tests durch und stellt ihn bereit.
Handlung: Claude ruft action_items_partial_update(42, 'done') und timeline_events_create auf, um den Abschluss zu protokollieren. Es ruft emails_reply_link auf, um einen Entwurf zu öffnen und die Stakeholder zu benachrichtigen, die im ursprünglichen Spezifikationsthread auf CC gesetzt wurden. Der Entwickler prüft den Entwurf und klickt auf „Senden“. Schließen: Der Aktionspunkt ist erledigt, der Meilenstein wird aktualisiert, die Zeitleiste zeichnet das Ereignis auf und die Stakeholder werden benachrichtigt – alles ohne den Editor zu verlassen.
Eine vollständige Schleife: Der Berater stellt eine Kundenbeziehung wieder her
Ein Teilmanager beginnt den Morgen mit einer Frage an Claude: „Steht irgendetwas in Flammen?“ Sinn: Claude ruft „dashboard_needs_attention“ und „dashboard_sentiment“ auf. Gibt einen Kunden mit einem Stimmungsabfall von –0,3 in den letzten zwei Wochen zurück, zwei ungelöste Threads, die zehn Tage lang ohne Antwort liefen.
Entscheiden: Claude liest die E-Mail-Threads (emails_content), das Organigramm (knowledge_org_charts) und die offenen Aktionselemente für diesen Kunden (action_items_list). Es identifiziert, was schief gelaufen ist: ein Liefertermin wurde verpasst, eine Frage blieb unbeantwortet, ein Kontakt verstummte. Es wird ein Sanierungsansatz entworfen.
Aktion: emails_reply_link öffnet einen Entwurf für den richtigen Kontakt, in dem die Situation direkt angesprochen wird. action_items_create protokolliert zwei Folgeaufgaben mit Eigentümern und Fälligkeitsterminen. Schließen: timeline_events_create zeichnet die Entscheidung zur erneuten Interaktion auf. Im Tagesplan werden beide Folgeaufgaben angezeigt, bis sie als erledigt markiert werden. Was zwanzig Minuten manueller Rekonstruktion gedauert hätte – Threads lesen, Notizen überprüfen, eine Antwort von Grund auf schreiben – läuft in einem Gespräch ab.
Warum die Schleife wichtiger ist als jede einzelne KI-Fähigkeit
Die Stärke des Sense-Decide-Act-Close-Modells liegt nicht in einer einzelnen Stufe, sondern in der Schleife. Ein Modell, das gut argumentieren kann, aber keinen strukturierten Kontext lesen kann, gibt allgemeine Ratschläge. Ein Modell, das den Kontext lesen kann, aber nicht in Ihre Systeme zurückschreiben kann, gibt bessere Ratschläge, die immer noch manuell sind. Ein Modell, das liest, begründet, handelt und abschließt, produziert fertige Arbeiten: festgeschrieben, verfolgt und umgesetzt.
Für unabhängige Betreiber und technische Bauherren ist der Compoundierungseffekt am wichtigsten. Jede abgeschlossene Schleife bereichert die Kontextebene. Eine Kundenbeziehung mit fünfzig protokollierten Interaktionen, geschlossenen Verpflichtungen und einem verfolgten Stimmungstrend ist ein grundlegend anderer Input für die nächste Sense-Stufe als eine leere Tafel. Die KI wird im Laufe der Schleife immer nützlicher – nicht weil sich das Modell verbessert, sondern weil der Speicher, aus dem es liest, wächst.
Das bedeutet für die KI, tatsächlich Arbeit zu leisten, statt dabei zu helfen. Die Architektur ist heute über den Lodestar MCP-Server und jeden kompatiblen AI-Client verfügbar. Die Schleife ist bereits definiert. Die Kontextschicht wird bereits erstellt. Was Sie mitbringen, ist die Arbeit.
Das Wichtigste
Die Sense-Decide-Act-Close-Schleife ist das Framework, das aus einem leistungsfähigen Modell ein Modell macht, das seine Arbeit tatsächlich erledigt. Durch den frühen Zugriff auf Lodestar erhalten Sie die Kontextschicht und den MCP-Server, um diese Schleife vom ersten Tag an auszuführen – mit einem Produktteam, das während des Onboardings Ihre spezifischen Arbeitsabläufe durcharbeitet.
Kontext erklärt
Warum Kontext alles für KI verändert — und wie Lodestar die Gedächtnisschicht aufbaut, die deinen Modellen fehlt.
Kontext erklärt lesen