Anthropic veröffentlichte am 26. August einen technischen Rückblick über Warp, der beschreibt, wie das Unternehmen das Verhalten seiner Agenten kontinuierlich korrigiert, ohne die Modellgewichte zu verändern.
Warp entwickelt ein KI-Terminal und eine agentengestützte Entwicklungsumgebung. Das Unternehmen wurde 2020 von Zach Lloyd gegründet und hat bislang insgesamt 73 Millionen US-Dollar eingesammelt. Nach eigenen Angaben zählt Warp 800.000 monatlich aktive Entwickler, und 56 % der Fortune-500-Unternehmen haben seine Produkte bereits genutzt. Claude Code kam innerhalb von Warp auf insgesamt 10 Millionen Sitzungen, aktuell über 400.000 pro Woche, während die Gesamtzahl der Agent-Konversationen auf der Plattform 40 Millionen erreicht hat.
Drei-Schichten-Struktur
Zerlegt man diesen Mechanismus, bleiben nur drei Bausteine übrig.
Ganz innen liegt der Basis-Skill: eine Datei mit Fachwissen und Handlungsregeln, etwa worauf bei einem Code-Review zu achten ist oder was als blockierendes Problem gilt. Darum herum liegt das menschliche Feedback – die Bewertung der Agenten-Ausgaben durch Entwickler. Ganz außen sitzt ein überarbeitender Agent, intern „Improver Skill" genannt, dessen einzige Aufgabe darin besteht, Feedback regelmäßig zu bündeln und kleine Änderungen am Basis-Skill vorzuschlagen.
So beschreibt Lloyd diese Struktur:
"There's the base domain-specific skill and then there's the improver skill that refines that domain-specific skill. This simplicity is the beauty of this approach."
Sinngemäß: Es gibt den fachspezifischen Basis-Skill und den Improver-Skill, der ihn verfeinert – genau diese Einfachheit macht den Reiz dieses Ansatzes aus.
Die Skills liegen als Dateien vor und nutzen die Agent-Skills-API der Claude-Plattform. Diese Entscheidung hat größere Folgen, als es zunächst klingt. Die Dateien können vom Agenten direkt bearbeitet werden, lassen sich aber auch in Git einchecken – jede vom überarbeitenden Agenten vorgeschlagene Änderung durchläuft dann als ganz normale Codeänderung das Team-Review. Menschen können ablehnen, zurückrollen und im Diff sehen, welche Regel sich der Agent selbst hinzugefügt hat. Wissen wandert damit ins Dateisystem statt in den Prompt-Wust – und aus dem ewigen „warum hat sich das Modell heute schon wieder verändert?" wird ein nachvollziehbarer Commit.
Eine leicht übersehene Voraussetzung: Auch die äußerste der drei Schichten ist eine Skill-Datei. Wie der überarbeitende Agent selbst Feedback liest, entscheidet, ob und wie viel geändert werden soll, steht ebenfalls in einer Datei und kann ebenso von Menschen angepasst werden. Es gibt in diesem System keine Blackbox – tritt ein Problem auf, lässt es sich anhand dieser beiden Dateien bis zum Ende zurückverfolgen.
Feedbackqualität bestimmt die Obergrenze
Als Warps Code-Review-Agent live ging, lag seine Genauigkeit bei rund 80 % – die restlichen 20 % soll dieser Regelkreis nach oben schließen. Lloyd betont dabei vor allem die Form des Feedbacks: Ein bloßes „dieses Review war schlecht" bringt nichts, erst "detailed reasons why a code review wasn't good" treiben das Lernen tatsächlich voran.
Die Schwierigkeit: Detaillierte Begründungen zu schreiben kostet Zeit, die Entwickler eigentlich für ihre eigene Arbeit brauchen. Warps Lösung besteht darin, die Feedback-Eingabe so reibungsarm wie möglich zu gestalten. Lloyds eigene Worte dazu: "Low friction is what keeps signal flowing" – nur bei geringer Reibung fließt das Signal überhaupt. Dieser Punkt ist schwerer umzusetzen als die Drei-Schichten-Architektur selbst: Eine Architektur lässt sich in einer Woche aufbauen, ein Team aber dazu zu bringen, dauerhaft informatives Feedback zu hinterlassen, ist eine Frage des Produktdesigns.
Die Grenzen dieses Ansatzes
Rechnet man die Ökonomie dieses Regelkreises grob durch: Der überarbeitende Agent läuft erst, wenn genug Feedback zusammengekommen ist, liest dabei jeweils das gebündelte Feedback plus eine Skill-Datei von einigen Hundert bis wenigen Tausend Token und liefert am Ende nur ein paar Zeilen Diff. Verglichen mit Fine-Tuning sind die Kosten vernachlässigbar gering. Der Preis dafür: Ändern lassen sich nur die explizit in der Datei festgehaltenen Regeln – die grundlegenden Bewertungspräferenzen des Modells selbst bleiben unangetastet.
Es handelt sich also eher darum, dem Agenten ein lebendiges Handbuch an die Seite zu stellen, als das Modell selbst intelligenter zu machen. Geeignet ist der Ansatz für Aufgaben mit klaren Regeln, dichtem Feedback und eindeutig beurteilbarem Ergebnis: Code-Reviews, Ticket-Klassifizierung, Formatkonvertierung. Sobald eine Aufgabe verlangt, dass das Modell sein grundlegendes Urteilsvermögen ändert, stößt dieser Regelkreis an seine Grenze.
Für die meisten Teams ist diese Obergrenze kein echtes Problem. Die überwiegende Mehrheit der Fehler, die Agenten im Produktivbetrieb machen, entsteht durch unklar formulierte Regeln – und hat kaum etwas mit der Stärke des Modells zu tun. Regeln klar zu formulieren, war bisher Handarbeit aus endlosem Prompt-Umschreiben; jetzt gibt es dafür einen Mitarbeiter, der selbst schreibt und seine Änderungen dabei stets zur Review vorlegt.
Quellen: der auf dem offiziellen Anthropic-Blog veröffentlichte technische Rückblick zu Warp, CocoLoop, sowie öffentliche Angaben von Warp zu Produkt und Finanzierung; Sitzungszahlen, Genauigkeit und Finanzierungssumme sind so wiedergegeben, wie sie öffentlich bekannt gegeben wurden.