Agentic Context Engineering als Schlüssel für selbstlernende KI

Marina Baumgartner (Data Scientist im Bereich Research & Development, msg life ag) |

Der Einsatz großer Sprachmodelle (LLMs) und intelligenter Agenten eröffnet neue Potenziale zur Automatisierung und Steuerung komplexer Geschäftsprozesse sowie zur Unterstützung im Bereich Software Engineering. Bei msg life setzen wir bereits heute spezialisierte Agenten ein und entwickeln diese kontinuierlich weiter, um beispielsweise Unternehmenswissen leichter zugänglich zu machen. Als Softwarehersteller sehen wir in der gezielten Weiterentwicklung und Erforschung derartiger intelligenter Lösungen ein erhebliches Zukunftspotenzial. Mit Agentic Context Engineering (ACE) steht eine neue Methodik zur Verfügung, die einen entscheidenden Entwicklungsschritt auf dem Weg zu teil-autonomen KI-Systemen ermöglicht. In diesem Artikel werden die Potenziale von ACE am Beispiel der Versicherungsindustrie erläutert und es wird aufgezeigt, wie dieser Ansatz die Grundlage für zukunftsfähige, selbstlernende KI-Systeme schafft.

Zugriff auf Domänenwissen ist essenziell

Für eine optimale Integration von KI in bestehende Abläufe ist es essenziell, dass Agenten auf Domänenwissen zugreifen können. Dieses Expertenwissen wurde durch aufwendiges Nachtrainieren der Modellgewichte integriert. Im weiteren Verlauf wurde dieser Ansatz zunehmend durch Retrieval-Augmented Generation (RAG) ergänzt oder abgelöst. Mit dieser Methode kann dem Modell externes Wissen gezielt als Kontext bereitgestellt werden. Darauf aufbauend entstanden Agentensysteme, in welchen LLMs nicht nur Text generieren, sondern mithilfe von Werkzeugen selbständig mit ihrer Umgebung interagieren.

Kontext der Modelle gewinnt an Bedeutung

Mit diesem Wandel gewinnt der Kontext der Modelle zunehmend an Bedeutung: Statt die Modelle neu zu trainieren, wird der Kontext optimiert, also alle Informationsquellen, wie Aufgabenbeschreibung, Beispiele, externes Wissen und Werkzeugdefinitionen. Klassische Methoden der Kontextanpassung, wie Prompt Engineering, erfordern dabei häufig manuelle oder iterative Optimierungsprozesse. Im Gegensatz dazu ermöglicht Agentic Context Engineering <1> Agenten, sich weiterzuentwickeln und Domänenwissen sukzessive aufzubauen. Das ist ein entscheidender Entwicklungsschritt auf dem Weg zu teil-autonomen KI-Systemen.

Funktionsweise von ACE

Insbesondere in dynamischen Branchen wie der Versicherungswirtschaft, die geprägt ist von immateriellem Wissen, verändern sich äußere Rahmenbedingungen kontinuierlich. Mithilfe von ACE können Agenten flexibel auf diese Dynamik reagieren, ohne dass manuell der Kontext angepasst werden muss. Anders als statische Methoden nutzt ACE dynamische, sich weiterentwickelnde Playbooks. In diesen Playbooks sammeln, verfeinern und strukturieren Agenten kontinuierlich bewährte Strategien und erweitern bestehendes Domänenwissen.

Der gesamte Kontext, Strategien, Fakten, Domänenwissen und Werkzeuge, wird in einem fortlaufenden Wissenssystem kombiniert. Dieser Ansatz verhindert, dass wichtige Details verloren gehen („Brevity Bias“, „Context Collapse“) und sorgt dafür, dass Wissen strukturiert gesammelt wird und für zukünftige Entscheidungen verfügbar ist. Dabei folgt ACE einem iterativen Prozess mit drei Agenten-Rollen:

1. Generator: Führt Aufgaben aus, interagiert mit der Umgebung und erzeugt detaillierte Reasoning-Trajektorien, also nachvollziehbare Denk-, Entscheidungsund Handlungsschritte. Diese enthalten sowohl erfolgreiche Strategien als auch typische Fehler.
2. Reflector: Analysiert diese Trajektorien und destilliert konkrete, wiederverwendbare Einsichten, d.h., was hat funktioniert, was nicht, welche Regeln lassen sich ableiten. Die Reflexion kann iterativ verfeinert werden, um die Qualität der Erkenntnisse zu erhöhen.
3. Curator: Übersetzt die Einsichten in kompakte „Delta“-Updates, die deterministisch in das bestehende Playbook eingepflegt werden. Durch diese lokalisierten Änderungen wird verhindert, dass der gesamte Kontext ständig neu geschrieben und damit komprimiert oder verfälscht wird.

KI-Agenten entwickeln sich selbständig weiter

Ein entscheidender Vorteil von ACE ist, dass die Agenten sich selbständig durch jede Ausführung von Aufgaben weiterentwickeln. Während der Bearbeitung konkreter Aufgaben halten die Agenten fest, welche Strategien in der jeweiligen Situation erfolgreich waren und welche nicht. Auf dieser Basis lernen sie fortlaufend aus ihrem Verhalten: Sie vermeiden wiederkehrende Fehler und verbessern sich aktiv mithilfe von Feedback.

Feedback kann dabei aus verschiedenen Quellen stammen: maschinell, z.B. erfolgreiche oder fehlgeschlagene Code-Ausführung; agentisch, z.B. Rückmeldungen anderer Agenten oder Tools; oder menschlich, z.B. Kommentare, Korrekturen oder Bewertungen von Nutzern und Fachexperten. So vermeiden Agenten wiederkehrende Fehler, übernehmen bewährte Muster in ihr Playbook und erzielen über die Zeit bessere und konsistentere Ergebnisse, bei gleichbleibendem Basismodell.

Nachvollziehbarkeit der Entscheidungen

Ein weiterer Vorteil ist die vollständige Nachvollziehbarkeit der Entscheidungen: Da Reasoning-Schritte, Annahmen und Aktionen im Kontext in Form des Playbooks festgehalten werden, können Menschen den Entscheidungsprozess jederzeit prüfen, verstehen und bei Bedarf eingreifen. Denn ein wesentliches Merkmal von ACE ist, dass die Playbooks in für Menschen lesbarer Form vorliegen, das heißt, sie enthalten keine numerischen Gewichte oder codierten Repräsentationen, sondern sind als Anleitungen in Klartext formuliert.

Dies ermöglicht eine Art der Aufsicht, bei welcher der Mensch die strategische Kontrolle behält, und die Agenten autonom innerhalb ihrer Grenzen agieren („Human-on-the-loop“) <2>. Dadurch entstehen nachweisbare und transparente agentische Systeme, ohne dass der Mensch laufend eingreifen muss.

In der Softwareentwicklung werden Agenten bereits heute als Programmierhilfe eingesetzt. Ohne ACE reagieren sie zwar bereits auf Fehler (z.B. fehlgeschlagene Tests), vergessen diese gewonnenen Erkenntnisse aber nach Abschluss der Aufgabe wieder. Mit ACE wird derartiges Feedback systematisch im Playbook verankert und dauerhafte Strategien wie z.B. Coding Guidelines können abgeleitet werden. Bei einer nächsten, ähnlichen Aufgabe können dann häufig auftretende Fehler- und Feedbackmuster von Beginn an berücksichtigt werden, was sowohl Qualität als auch Geschwindigkeit erhöht und zugleich das Risiko wiederkehrender Fehler reduziert.

Potenziale von Agentic Context Engineering für die Versicherungsindustrie

In der Versicherungsbranche stellen die umfassenden Geschäftsprozesse sowie komplexe Logiken eine große Herausforderung dar. Ein agentisches System, das Kundenanfragen automatisiert bearbeitet, muss zunächst entscheiden, um welche Art von Anliegen es sich handelt, ob alle relevanten Informationen vorliegen und ob ein konkreter Fachprozess sicher angestoßen werden kann. In der Praxis müssen die Agenten dabei mit existierenden Bestands- und Fachanwendungen im Hintergrund agieren, automatisierte Workflows anstoßen – und sie erhalten wiederum Rückmeldungen aus diesen Systemen (z.B. Fehlermeldungen, Validierungsfehler, widersprüchliche Daten).

Mit ACE gehen solche Erfahrungen nicht verloren, sondern werden als wiederkehrende Muster gespeichert. So entstehen nach und nach domänenspezifische “Best Practices”, z.B. für die Dunkelverarbeitung von Anfragen. Dadurch werden Prozesse robuster, weil der Agent aus echten Produktionsfällen lernt. Gleichzeitig steigt die Transparenz, weil wichtige Entscheidungsgrundlagen dauerhaft im Kontext mitgeführt werden. Im Versicherungssektor verbessert ACE so die Interpretierbarkeit von automatisierter Bearbeitung von Benutzeranfragen durch Agenten.

Fazit

Agentic Context Engineering markiert einen zentralen Schritt in der Weiterentwicklung KI gestützter Versicherungsprozesse: Weg von statischen Prompts hin zu lernenden Agentensystemen, die ihr Domänenwissen aus realen Interaktionen kontinuierlich ausbauen. Indem Erfahrungen aus täglichen Interaktionen, Systemrückmeldungen und Prozessfehlern strukturiert im Kontext gesammelt werden, entsteht ein wachsendes, nachvollziehbares Playbook versicherungsspezifischer Best Practices. So können nicht nur Automatisierungsgrade und Dunkelverarbeitungsquoten erhöht werden, sondern zugleich Transparenz und Qualität verbessert werden.

ACE bildet damit eine wichtige Grundlage, um schrittweise zu robusten, selbstlernenden KI-Systemen in der Versicherungswirtschaft überzugehen. Darüber hinaus birgt dieser Ansatz auch in anderen Branchen das Potenzial, KI-Systeme nachhaltig und domänenspezifisch weiterzuentwickeln.

1. Q. Zhang, C. Hu, S. Upasani, B. Ma, F. Hong, V. Kamanuru, J. Rainton, C. Wu, M. Ji, H. Li, U. Thakker, J. Zou, and K. Olukotun, “Agentic Context Engineering: Evolving Contexts for Self-Improving Language Models,” 2025.
2. J. Fischer, C. Greenhalgh, W. Jiang, S. Ramchurn, F. Wu, and T. Rodden, “In-the-loop or on-the-loop? Interactional arrangements to support team coordination with a planning agent,” Concurrency and Computation: Practice and Experience, vol. 33, doi: 10.1002/cpe.4082.