Zum Inhalt
AMANi DUNiA research
DE

Die Fragen auf dieser Website haben KI-Sprachmodelle gestellt; auch die Erklärtexte und Übersetzungen stammen von KI-Modellen. Wer was geprüft hat, steht jeweils dabei. → Über die Fragen

← Alle bewerteten Quellen
medium.com14. Februar 2026 · Q011293

Building Agents That Actually Work: OpenAI’s New Toolkit for Long-Running Workflows

medium.com · Originalbericht öffnen ↗

Zusammenfassung

Kurz

Der Artikel empfiehlt Skills für wiederverwendbare Arbeitsanweisungen, Shell für die tatsächliche Ausführung und Compaction für längere Aufgaben. Er nennt Sicherheits- und Versionshinweise sowie von Glean berichtete Verbesserungen, erläutert aber die Messmethoden dieser Zahlen nicht.

Mittel

Der Artikel stellt Skills, Shell und Compaction als drei Bausteine für länger laufende KI-Agenten vor. Skills sind versionierte Anleitungen mit Abläufen, Vorlagen und Regeln, die bei Bedarf geladen werden. Die Shell bietet laut Text eine Linux-Umgebung zum Ausführen von Skripten, Verarbeiten von Daten und Schreiben von Ergebnissen. Compaction soll den Gesprächsverlauf verdichten, damit mehrstufige Aufgaben über längere Zeit fortgesetzt werden können.

Der Autor empfiehlt konkrete Skill-Beschreibungen, Beispiele für Situationen, in denen eine Skill nicht greifen soll, und explizite Skill-Aufrufe, wenn ein Ablauf zuverlässig reproduzierbar sein muss. Er rät außerdem, zunächst lokal zu arbeiten, Ausgaben etwa unter `/mnt/data/` abzulegen und den Netzwerkzugriff samt Zugangsdaten eng zu begrenzen.

Als Erfahrungswerte nennt der Beitrag eine zunächst um 20 Prozent schlechtere Skill-Auslösung bei Glean sowie Verbesserungen bei einer Salesforce-Skill: Die Eval-Genauigkeit sei von 73 auf 85 Prozent gestiegen, die Zeit bis zum ersten Token um 18,1 Prozent gesunken. Die Messmethoden werden nicht erläutert; der Artikel bietet praktische Empfehlungen und zugeschriebene Beispiele, aber keine unabhängige Überprüfung dieser Angaben.

Ausführlich lesen

Der Artikel „Building Agents That Actually Work“ stellt Skills, Shell und Compaction als drei Bausteine vor, mit denen KI-Agenten laut Autor längere und wiederkehrende Arbeitsabläufe zuverlässiger bewältigen sollen. Ausgangspunkt ist das Problem, dass Agenten bei langen Aufgaben an Kontextgrenzen stoßen, im Produktivbetrieb anders handeln können als in Tests und zu umfangreiche Systemprompts benötigen.

Skills beschreibt der Beitrag als versionierte Anleitungen, die ein Agent bei Bedarf lädt. Sie können Abläufe, Vorlagen und Regeln enthalten. Der Autor empfiehlt, ihre Beschreibungen konkret zu formulieren, auch Beispiele dafür aufzunehmen, wann eine Skill nicht verwendet werden soll, und Vorlagen in die Skill statt in den allgemeinen Prompt zu legen. Bei besonders verlässlichen Produktionsabläufen könne man die Skill ausdrücklich anfordern. Skills lassen sich laut Artikel versionieren und in unterschiedlichen Umgebungen einsetzen.

Das Shell-Werkzeug wird als Linux-Umgebung dargestellt, in der ein Agent Bibliotheken installieren, Skripte ausführen, Daten abrufen und Dateien schreiben kann. Als typischen Ablauf nennt der Text: Abhängigkeiten installieren, Daten beschaffen und ein Ergebnis etwa unter `/mnt/data/` ablegen. Compaction soll Gesprächsverläufe automatisch verdichten, damit mehrstufige oder längere Aufgaben ohne manuelles Kürzen weitergeführt werden können. Zusammengenommen ordnet der Autor den Skills das Vorgehen, der Shell die Ausführung und der Compaction das Fortsetzen längerer Arbeit zu.

Der Beitrag empfiehlt, Arbeitsabläufe zunächst lokal zu erproben und später bei Bedarf in gehostete Container zu verlagern. Für den Netzwerkzugriff rät er zu engen, zweistufigen Zulassungslisten auf Organisations- und Anfrageebene und dazu, Zugangsdaten nicht fest einzutragen, sondern für freigegebene Domains als Geheimnisse bereitzustellen. Außerdem nennt er konkrete technische Angaben und Grenzen für Skill-Pakete, darunter eine erforderliche `SKILL.md`, höchstens 50 MB pro ZIP und höchstens 500 Dateien je Version.

Als Erfahrungswerte führt der Artikel an, Glean habe nach anfänglichen Problemen mit dem Auslösen von Skills eine um 20 Prozent geringere Trigger-Genauigkeit beobachtet und mit negativen Beispielen gegengesteuert. Für eine Salesforce-Skill werden außerdem eine Verbesserung der Eval-Genauigkeit von 73 auf 85 Prozent und eine um 18,1 Prozent kürzere Zeit bis zum ersten Token genannt. Der Text legt jedoch nicht dar, wie diese Messungen zustande kamen oder wie umfassend sie gelten. Es handelt sich um einen praxisorientierten Leitfaden mit Empfehlungen, Beispielen und zugeschriebenen Erfahrungswerten; eine unabhängige Prüfung der behaupteten Wirkungen enthält er nicht.

Luna (gpt-6-luna, Denkstufe high), ChatGPT-Abo · 2026-11-19

Gegengeprüft von Claude Haiku 5.5: kleine Mängel

Die Zusammenfassung ist im Kern treu und enthält keine erkennbar erfundenen Fakten, lässt aber mehrere praktische Kernpunkte wie Versionspinning, Allowlists und Formatgrenzen aus. Die Einordnung stützt sich nur auf den Artikel; er ist ein Entwickler-Tutorial zu einem Anbieter-Toolkit und beantwortet die Sicherheitsfragen nur teilweise.

Im Bericht, aber nicht in der Zusammenfassung

  • Die Produktionsempfehlung, Skills über feste Versionsnummern zu referenzieren, damit Workflows bei Updates nicht brechen
  • Die zweistufige Netzwerk-Allowlist aus Org-Ebene und Request-Ebene
  • Der Platzhalter-Mechanismus domain_secrets, bei dem der echte Zugangsschlüssel erst für freigegebene Domains eingesetzt wird
  • Die harten Grenzen des Formats, etwa 50 MB pro Zip, 500 Dateien pro Version und genau eine SKILL.md
  • Der Vergleich zwischen altem Vorgehen mit riesigem Systemprompt und neuem Vorgehen mit Skills, Shell und Compaction

Automatische Gegenprüfung mit dem vollständigen Originaltext (Batch, 20.11.2026). Ungeprüft durch Menschen.

Wie die Modelle den Bericht einordnen

Je Sammelfrage und Teilfrage die häufigste Stufe (0 bis 7) und ihr Anteil, geordnet nach Fragenfamilie (Farbe) oder nach den Wegen des Atlas. Ab Stufe 4 liefert der Bericht Belege, Stufe 3 ist Hintergrund (gestrichelt). Was die Stufen bedeuten, steht in der Legende.

Ansicht
Filter
Modelle 8 von 8
Angezeigte Modelle
Vorfälle melden
  1. SF-M4 Wie kommen Meldungen von Laboren, Betreibern und Nutzern schnell und geschützt zu den Stellen, die handeln müssen, auch über Grenzen hinweg?
    • clef 100 %kein Bezug
    • Luna 32 %Hintergrund, keine Belege
    • JEV 100 %kein Bezug
    • amos 53 %gleiches Oberthema, hilft nicht
    • SubQ 100 %kein Bezug
    • drex 83 %gleiches Oberthema, hilft nicht
    • d3-ultra 100 %kein Bezug
Fähigkeiten messen
Unabhängig prüfen
Tempo und Grenzen
  1. SF-T1 Welche messbaren Schwellen sollen eine Pause auslösen, und wer prüft sie?
    • clef 100 %kein Bezug
    • Luna 33 %Hintergrund, keine Belege
    • JEV 42 %gleiches Oberthema, hilft nicht
    • amos 35 %gleiches Oberthema, hilft nicht
    • SubQ 47 %gleiches Oberthema, hilft nicht
    • drex 45 %gleiches Oberthema, hilft nicht
    • d3-ultra 100 %kein Bezug
Vertrauen in Modelle
  1. SF-V3 Halten die Werte eines Modells, wenn niemand zusieht oder die Lage neu ist?
    • clef 100 %kein Bezug
    • Luna 43 %Hintergrund, keine Belege
    • JEV 100 %kein Bezug
    • amos 30 %gleiches Oberthema, hilft nicht
    • SubQ 54 %gleiches Oberthema, hilft nicht
    • drex 57 %gleiches Oberthema, hilft nicht
    • d3-ultra 100 %kein Bezug
  2. SF-V5 Was soll heute für das Verhalten und den Betrieb von Modellen gelten?
    • clef 22 %gleiches Oberthema, hilft nicht
    • Luna 41 %einzelne zitierbare Belege
    • JEV 42 %beantwortet direkt und ausführlich
    • amos 25 %einzelne zitierbare Belege
    • SubQ 37 %gleiches Oberthema, hilft nicht
    • drex 25 %einzelne zitierbare Belege
    • d3-ultra 50 %gleiches Oberthema, hilft nicht
    • Haiku-Prüfung nur am Rande erwähnt

Agenten und vernetzte Systeme
  1. SF-A1 Welche Befugnisse darf ein KI-Agent haben, also eine KI, die selbstständig mit Werkzeugen handelt? Wer entzieht sie ihm, und wie prüft man, dass er in seinem Auftrag bleibt?
    • clef 19 %Hintergrund, keine Belege
    • Luna 62 %einzelne zitierbare Belege
    • JEV 44 %beantwortet teilweise oder widerspricht
    • amos 30 %einzelne zitierbare Belege
    • SubQ 25 %Hintergrund, keine Belege
    • drex 28 %einzelne zitierbare Belege
    • d3-ultra 39 %einzelne zitierbare Belege
    • Haiku-Prüfung einzelne zitierbare Belege

    • SF-A1-T01 Welche Mindestgrenzen und Schutzvorkehrungen sollen für Zugangsdaten, Kommunikation, Geld, dauerhaftes Gedächtnis, Verträge, Änderungen an Systemen und Handlungen in der physischen Welt gelten, auch wenn ein Agent über Tage ohne sofortige menschliche Zustimmung handelt, und wer darf Befugnisse erteilen, prüfen und entziehen? Luna: Stufe 3 · 25 % · Hintergrund, keine Belege · Haiku-Prüfung: Stufe 4 · einzelne zitierbare Belege
    • SF-A1-T04 Bevor ein Agent weiterarbeitet, nachdem sein bisheriger Arbeitsverlauf für ein neues Kontextfenster zusammengefasst wurde: Wird geprüft, ob diese Zusammenfassung die Anweisungen des Nutzers, die Herkunft wichtiger Fakten und offene Fehler bewahrt? Und wird festgelegt, wann der Agent die Originalaufzeichnung prüfen muss, statt der Zusammenfassung zu vertrauen? Luna: Stufe 3 · 31 % · Hintergrund, keine Belege · Haiku-Prüfung: Stufe 2 · nur am Rande erwähnt
  2. SF-A2 Lassen sich KI-Systeme sicher anhalten, zurücksetzen, abschotten oder drosseln, und wer darf das anordnen?
    • clef 29 %gleiches Oberthema, hilft nicht
    • Luna 48 %Hintergrund, keine Belege
    • JEV 36 %einzelne zitierbare Belege
    • amos 26 %Hintergrund, keine Belege
    • SubQ 27 %nur am Rande erwähnt
    • drex 22 %einzelne zitierbare Belege
    • d3-ultra 65 %gleiches Oberthema, hilft nicht

  3. SF-A3 Welche Gefahren entstehen, wenn viele KI-Systeme zusammenwirken oder dieselbe Infrastruktur teilen?
    • clef 32 %gleiches Oberthema, hilft nicht
    • Luna 52 %Hintergrund, keine Belege
    • JEV 38 %einzelne zitierbare Belege
    • amos 29 %nur am Rande erwähnt
    • SubQ 34 %nur am Rande erwähnt
    • drex 41 %gleiches Oberthema, hilft nicht
    • d3-ultra 62 %gleiches Oberthema, hilft nicht

Modelle teilen und schützen
Frieden und Sicherheit
Offenlegung und Rechenschaft
Beteiligung und Gemeinwohl
  1. SF-E4 Wie bleibt KI ein gemeinsames Gut, statt Abhängigkeit und Marktmacht zu vertiefen?
    • clef 100 %kein Bezug
    • Luna 75 %Hintergrund, keine Belege
    • JEV 100 %kein Bezug
    • amos 42 %gleiches Oberthema, hilft nicht
    • SubQ 51 %gleiches Oberthema, hilft nicht
    • drex 45 %gleiches Oberthema, hilft nicht
    • d3-ultra 100 %kein Bezug
    • Haiku-Prüfung gleiches Oberthema, hilft nicht

  2. SF-E5 Welche Mitsprache haben die Menschen, die mit KI leben, bei Tempo und Grenzen, und welche Entscheidungen müssen bei ihnen bleiben?
    • clef 100 %kein Bezug
    • Luna 28 %Hintergrund, keine Belege
    • JEV 37 %einzelne zitierbare Belege
    • amos 50 %gleiches Oberthema, hilft nicht
    • SubQ 49 %gleiches Oberthema, hilft nicht
    • drex 46 %gleiches Oberthema, hilft nicht
    • d3-ultra 100 %kein Bezug
Wirtschaft und Haftung

Weitere Berichte zu diesen Fragen

Eigene Zusammenfassungen und Einordnungen von AMANi DUNiA. Fremde Originalberichte behalten ihre eigenen Rechte.

Sprache und Prüfstand

Haupttext: DE. Prüfvermerke gelten nur für den jeweils genannten Inhalt.

Vorhandene Prüfvermerke stehen am jeweiligen Inhalt.

Sprachabdeckung und Datenstand ansehen →