Stanford University

Am 7. Oktober 2025 veröffentlichten Forscher der «Stanford University», «SambaNova Systems» und der «UC Berkeley» ACE (Agentic Context Engineering) auf arXiv. Es adressiert zwei Fehlermodi in der Art, wie Sprachmodelle ihren Kontext anpassen: Brevity Bias, bei dem Kompression Nuancen entfernt, und Context Collapse, bei dem die Kontextqualität über aufeinanderfolgende Anpassungsrunden hinweg abnimmt.

Das Framework teilt die Arbeit auf drei Agenten auf. Der Generator erzeugt detaillierte Reasoning-Trajektorien, der Reflector extrahiert daraus Muster von Erfolg und Misserfolg, und der Curator fügt die daraus gewonnenen Erkenntnisse schrittweise wieder in den Kontext ein. Berichtete Verbesserungen: 10,6% bei Standard-Agenten-Benchmarks, 8,6% bei komplexem finanziellem Reasoning und eine durchschnittliche Reduktion der Anpassungslatenz um 86,9%. Es sind keine Ground-Truth-Labels erforderlich; das System liest seine eigenen Durchläufe. Das Paper positioniert dies als Alternative zum Fine-Tuning: Es passt an, was dem Modell gezeigt wird, statt seine Gewichte zu verändern.

Drei Wochen zuvor zitierte Edgar Kussbergs "AI in the SDLC: Cutting Through the Hype" ein anderes Ergebnis aus Stanford: Entwickler, die KI-Assistenten nutzten, führten mit höherer Wahrscheinlichkeit Sicherheitslücken ein und beurteilten den Code eher fälschlich als sicher. Kussbergs weiterreichendes Argument lautet, dass steigende KI-Adoption mit einem Rückgang der Delivery-Stabilität korreliert, und dass Entwickler, die sich produktiver fühlen, Vorschläge oft ohne genaue Prüfung übernehmen.

Eine einzige Institution liefert sowohl die Mechanik für Modelle, die sich anhand ihrer eigenen Spuren selbst verfeinern, als auch den Beleg dafür, dass menschliche Prüfer bei von einem Modell geschriebenem Code an Genauigkeit verlieren. Wer einen sich selbst kuratierenden Kontext prüft, bleibt offen.