Loop Prompting

Loop Prompting ist ein Orchestrierungs-Muster: Es geht nicht um die Formulierung eines einzelnen Prompts, sondern um die Struktur, in der mehrere Modell-Aufrufe zueinander stehen. Statt eine Antwort in einem Schuss zu erzeugen, durchläuft das Modell einen Zyklus aus Erzeugen, Bewerten und Überarbeiten, bis ein Abbruchkriterium greift. Formalisiert wurde das Muster im März 2023 durch Self-Refine (Madaan et al.) und Reflexion (Shinn et al.); praktisch relevant wurde es ab 2024, als iterative Verfeinerung zum Standardbaustein von Agenten-Systemen wurde.

Ablauf

Drei Rollen, die auch dasselbe Modell einnehmen kann:

Generator — produziert oder überarbeitet das Artefakt
Kritiker — prüft gegen explizite Kriterien und schreibt konkrete Mängel auf
Controller — entscheidet: weiterlaufen oder abbrechen. Das ist Code außerhalb des Modells, kein LLM-Job.

Beispiel

Runde 1: "Schreibe eine Produktbeschreibung für X."
Runde 2: "Prüfe diese Beschreibung gegen: (a) max. 80 Wörter,
          (b) Nutzen statt Features, (c) keine Superlative.
          Liste jeden Verstoß mit Zitat."
Runde 3: "Überarbeite und behebe genau diese Punkte: <Kritik>"
→ zurück zu Runde 2

Abbruchkriterien

Der wichtigste Teil des Musters:

Objektiv — Tests grün, Linter sauber, Schema validiert
Konvergenz — die Kritik findet nichts Neues, das Diff geht gegen null
Budget — maximal fünf Runden, maximales Token-Budget

Varianten

Self-Refine — das Modell kritisiert sich selbst (Madaan et al., März 2023)
Reflexion — die Kritik wird als Gedächtnis über Runden hinweg mitgeführt (Shinn et al., März 2023)
Tool-Loop / ReAct — die Rückmeldung kommt nicht vom Modell, sondern aus der Umgebung: Testlauf, Compiler, API-Antwort (Yao et al., Oktober 2022). Die mit Abstand stärkste Variante, weil das Signal extern und objektiv ist — inhaltlich gehört ReAct allerdings zu Agenten und Tool-Use.

Fallstricke

Ohne externes Signal degeneriert der Loop. Ein Modell, das sich selbst bewertet, wird nach zwei bis drei Runden bestätigend statt kritisch — es poliert nur noch.
Drift: Ohne Rückbezug auf die Originalanforderung entfernt sich das Artefakt schrittweise vom Ziel — die Anforderung gehört in jede Runde.
Kosten wachsen linear, Qualität meist logarithmisch. Der Nutzen ist typischerweise nach drei bis vier Runden ausgereizt.

Abgrenzung zu Graph Prompting

Loop Prompting arbeitet in die Tiefe: ein Pfad, mehrfach durchlaufen, bis das Artefakt gut genug ist. Graph Prompting arbeitet in die Breite und spannt mehrere unabhängige Zweige auf. In der Praxis schachteln sich beide: erst divergieren (Graph), dann jeden Zweig sauber zu Ende führen (Loop). Der häufigste Fehler in der Praxis ist ein Loop ohne echtes externes Feedback — der kostet Tokens und erzeugt vor allem Selbstbestätigung.