Ein Coding-Agent arbeitet seit einer Stunde an einem Refactoring, das quer durch mehrere Module läuft. Dann ist sein Kontextfenster voll, und das Wissen der letzten vierzig Schritte verschwindet. Zurück bleibt ein halb fertiger Umbau und ein Entwickler, der alles noch einmal erklärt. Die Entwickler von Prime Agent haben genau dieses Problem zum Ausgangspunkt genommen. Ihr Ansatz: ein Coding-Agent, der sein eigenes Gerüst nicht nur benutzt, sondern es während der Arbeit aktiv umgestaltet und verbessert.
Die Kernidee: Zwei Abstraktionen, die den Unterschied machen
Prime Agent stützt sich auf zwei zentrale Abstraktionen: das Rekursive Sprachmodell (RLM) und den Continual Harness. Herkömmliche Agent-Harnesses wurden für ältere Modellgenerationen entworfen. Sie haben starre Tool-Schemata und feste Kontextkompression. Der Agent muss sich ständig gegen seine eigene Infrastruktur durchsetzen, statt sie zu nutzen. Das RLM dreht das um. Es behandelt den Kontext als Variable und die Delegation an Sub-Agenten als Funktionsaufrufe innerhalb einer REPL. Der Agent hat dadurch programmatischen Zugriff auf seine eigene Historie, seine Sub-Agenten und seine Tools. Er operiert direkt in seinem Kontext, ohne ihn zu verlieren. Der Continual Harness geht weiter. Er abstrahiert den Zustand des Harnesses – Prompts, Skills, Erinnerungen, Sub-Agenten – als Objekte, die der Agent selbst erstellen, lesen, aktualisieren und löschen kann (CRUD). Das bedeutet: Der Agent kann sein eigenes Werkzeugset erweitern, verfeinern und anpassen, basierend auf dem, was er aus seiner eigenen Arbeit lernt. Ein statischer Werkzeugkasten wird so zu einem lebendigen Organismus.
Architektur im Detail: Ein persistenter IPython-Kernel als einziges Tool
Die technische Umsetzung ist konsequent. Bei Prime Agent ist der IPython-Kernel das einzige Tool, das dem Modell zur Verfügung steht. Alles andere – Sub-Agenten, Dateizugriff, Kompaktierung, selbst die eigene Steuerung – sind Funktionen, die innerhalb dieses Kernels aufgerufen werden. Das klingt minimalistisch. Es entpuppt sich als sinnvoller Schachzug. Denn so entsteht eine einheitliche Schnittstelle. Der Agent programmiert seine Aktionen, anstatt in einer rigiden JSON-Schema-Sprache gefangen zu sein. Ein Sub-Agent ist dann ein await rlm("Sub-Task") – ein Funktionsaufruf, der eine vollständige eigene Agenten-Session startet, mit eigenem Modell, eigenem IPython-Kernel und eigener Gesprächshistorie. Diese Sub-Agenten sind persistent. Du kannst ihnen später Nachrichten senden. Sie können sogar mit anderen Prime-Agent-Sessions direkt kommunizieren – über eine Agent-zu-Agent-Messaging-Infrastruktur, die über den Daemon läuft. Dieser Daemon ist ein Hintergrundprozess, der alle live Sessions verwaltet. Du kannst dich von einer Session ab- und wieder ankoppeln, ohne dass der Agent stoppt. Fällt ein Worker-Prozess ab, stellt der Daemon die Session aus den JSONL-Logs und dem Kernel-Snapshot wieder her. Die Agents View, erreichbar per Pfeil-links-Taste, zeigt dir alle laufenden, im Leerlauf befindlichen und inaktiven Sessions. Du kannst in jede hineinspringen, Nachrichten senden, Befehle wie /compact einplanen – das Ganze rekursiv bis hinunter zu den Sub-Agenten. Diese verschachtelte Navigation spart Speicher. Inaktive Sub-Agenten werden nach 30 Minuten aus dem RAM entfernt und bei Bedarf von der Festplatte geladen.
Selbstverbesserung durch Continual Harness: Der Agent formt sich selbst
Der Continual Harness erlaubt dem Agenten, seine eigenen Prompts, Skills, Erinnerungen und Sub-Agenten im laufenden Betrieb zu verändern. Das passiert über eine CRUD-Oberfläche, die direkt im IPython-Kernel als rlm.harness verfügbar ist. Der Agent kann jederzeit einen neuen Skill anlegen, eine Gedächtnisnotiz schreiben oder einen Prompt verfeinern. Alles wird auf der Festplatte gespeichert und überlebt Sitzungswechsel. Die /refine-Pipeline ist das Herzstück dieser Selbstverbesserung. Sie liest die eigene Trajektorie – also das, was versucht wurde und was dabei herauskam – und schlägt dann eine minimale CRUD-Änderung vor, die das Ergebnis verbessern würde. Das ist bewusst kein großes Umschreiben. Es ist ein gezielter, evidenzbasierter Eingriff. Die Planungsphase, also der LLM-Aufruf, der die Änderung vorschlägt, läuft im Hintergrund und blockiert die Unterhaltung nicht. Erst das Anwenden der Änderung – Schreiben auf die Festplatte und Neubauen des Systemprompts – dauert kurz und passiert an der nächsten Turn-Grenze. Das Basis-Systemprompt bleibt unantastbar. /refine verändert nur die äußere Harness-Schicht. Falls eine Änderung schlecht war, gibt es einen Rollback-Mechanismus, der vorherige Zustände per ID wiederherstellt. Der Agent kann sogar refine.run() direkt aufrufen, wenn er eine wiederholte Fehlerquelle oder eine wiederverwendbare Taktik entdeckt – nicht nur nach einem festen Zeitplan.
Autonome Evaluierung: Wenn der Agent über Stunden hinweg arbeiten soll
Für langfristige, unbeaufsichtigte Aufgaben hat Prime Agent einen speziellen Modus entwickelt. Drei Mechanismen greifen ineinander. Ein Ziel (Goal) definiert die übergeordnete Aufgabe, mit einem optionalen Token-Budget, das der Agent nicht überschreiten darf. Herzschläge (Heartbeats) sind Cron-artige Nachrichten, die in festen Intervallen eingespielt werden, um etwa den Fortschritt eines Sub-Agenten zu überwachen oder ein Training-Update abzurufen. Der Autonomous Mode selbst ist die Fortsetzungslogik, die verhindert, dass der Agent früh aufhört, nur weil ein Turn kein Ergebnis brachte. Zusammen ermöglichen diese Mechanismen eine über Stunden laufende Session, die durch ein klares Budget begrenzt und über die Agents View jederzeit beobachtbar ist. Ein Beispiel aus der Praxis: Für den ARC-AGI-3-Benchmark, der symbolisches Denken und das Lernen von Regeln in simulierten Welten misst, wurde Prime Agent mit mehreren Frontier-Modellen getestet. Der Agent läuft im Autonomous Mode, mit einem klaren Ziel und einem Token-Limit. Diese Kombination aus langfristiger Planung und Selbstverbesserung scheint prädestiniert dafür, die bisherigen Grenzen von Agent-Harnesses zu sprengen.
Einordnung: Was Prime Agent für die Zukunft von Coding-Agenten bedeutet
Prime Agent ist nicht einfach ein weiterer Coding-Agent. Es ist eine Plattform, die zeigt, wohin die Reise geht: Harnesses, die sich nicht mehr um die Einschränkungen älterer Modelle kümmern müssen, sondern die Fähigkeiten moderner Frontier-Modelle voll ausschöpfen. Die Idee, dass der Agent seine eigenen Werkzeuge programmatisch steuern und sogar weiterentwickeln kann, ist ein Paradigmenwechsel. Statt dass wir dem Agenten beibringen, mit unserem Werkzeugkasten zu arbeiten, bringt er sich selbst bei, seinen Werkzeugkasten zu optimieren. Das erinnert an den Schritt von einfachen Chatbots zu autonomen Code-Agenten. Die Frage ist nicht, ob dieser Ansatz kommt, sondern wie schnell er sich durchsetzt. Die offene Lizenzierung und die sofortige Kompatibilität mit existierenden Modellen senken die Einstiegshürde. Was bedeutet das konkret für dich? Du wirst in Zukunft weniger Zeit mit dem Füttern von Kontext und dem Feintuning von Prompts verbringen. Stattdessen beobachtest du, wie der Agent aus seinen Fehlern lernt, seine Strategie anpasst und über lange Strecken selbstständig arbeitet – ohne dass du ständig eingreifen musst. Das ist keine Zukunftsmusik. Prime Agent zeigt heute schon, wie es geht.
Quelle: primeintellect.ai
