A Language for Describing Agentic LLM Contexts

Technische Zusammenfassung: Eine Sprache zur Beschreibung agenter LLM-Kontexte

Problemstellung
Große Sprachmodelle (LLMs) werden zunehmend als zentrale Schlussfolgerungskomponenten in komplexen, mehrkomponentigen Agentensystemen eingesetzt. Diese Systeme verlassen sich auf ausgefeilte Eingabekontexte, die sich dynamisch über die Zeit entwickeln und aus Anweisungen, Beobachtungen, Interaktionsverläufen und Tool-Ausgaben bestehen. Die Struktur dieses Kontexts – insbesondere welche Nachrichten einbezogen werden, wie der Verlauf akkumuliert wird und unter welchen Bedingungen Inhalte erscheinen – ist ein kritisches Design-Element, das das Verhalten von Agenten direkt prägt.

Trotz seiner Zentrallität gibt es derzeit keine standardisierte Methode zur Beschreibung der Kontexterstellung. Praktiker verlassen sich auf informelle Prosa, ad-hoc-Diagramme oder direkte Code-Inspektion. Dieser Mangel an einem gemeinsamen deskriptiven Rahmenwerk führt zu mehreren Problemen:

1. Mehrdeutigkeit: Textliche Beschreibungen erfassen oft nicht präzise, wie sich ein Prompt über Interaktionsschritte hinweg entwickelt oder wie sich zwei strukturell ähnliche Strategien unterscheiden.
2. Reproduzierbarkeit: Selbst wenn Code und Prompt-Vorlagen geteilt werden, ist die Logik, die die Kontextzusammenstellung steuert, in Forschungsarbeiten selten explizit, was die Reproduktion erschwert.
3. Vergleichbarkeit: Es ist schwierig, Strategien zur Konteksentwicklung rigoros zu kommunizieren oder zu vergleichen, sei es über verschiedene Systeme hinweg oder innerhalb von Forschungsteams.
4. Performance-Sensitivität: Kleine strukturelle Variationen (z. B. das Einbeziehen oder Auslassen von Schlussfolgerungsspuren aus dem Verlauf) können zu messbaren Unterschieden in der Agentenleistung führen, doch diese Nuancen werden in der Standarddokumentation oft verschleiert.

Methodik: Die Agente Kontext-Beschreibungssprache (ACDL)
Um diese Herausforderungen zu adressieren, stellen die Autoren die Agente Kontext-Beschreibungssprache (ACDL) vor, eine domänenspezifische Sprache (DSL), die entwickelt wurde, um Struktur und Dynamik von LLM-Eingabekontexten unabhängig von einer spezifischen Implementierung präzise zu beschreiben.

ACDL basiert auf folgenden Prinzipien:

• Abstraktion: Sie abstrahiert von konkreter Wortwahl (dem Bereich des Prompt-Engineerings), um sich auf die Makro-Logik der Informationsauswahl und -strukturierung (Context Engineering) zu konzentrieren. Sie verwendet symbolische Bezeichnungen, um Rolle, Typ und Quelle von Informationen zu kennzeichnen (z. B. Unterscheidung von Systemanweisungen und Tool-Ausgaben).
• Zeitliche Modellierung: Die Sprache modelliert agentische Systeme als diskrete Zustandsautomaten. Sie verwendet zeitindizierte Variablen (z. B. @T), um zu verfolgen, wie sich Elemente über Interaktionsschritte hinweg akkumulieren. Sie unterstützt verschachtelte Zeitschritte (Teilschritte), um komplexe Schleifen zu beschreiben, wie etwa einen Multi-Turn-Chat, bei dem jeder Turn einen internen ReAct-Loop enthält.
• Kontrollfluss: ACDL umfasst Konstrukte für bedingte Logik (If, Else, Switch) und Iteration (ForEach), um zu beschreiben, wie Kontexte zusammengefügt, transformiert und wie der Verlauf in den Prompt entpackt wird.
• Informationsquellen: Sie kategorisiert Informationsquellen in Konstanten, Systemzustand (sys), Umgebungszustand (env), vorherige LLM-Antworten (resp) und reine Funktionen. Dies ermöglicht es der Sprache, dynamische Inhalte zu beschreiben, ohne den zugrunde liegenden Code für das Zustandsmanagement zu spezifizieren.
• Multi-Agenten-Unterstützung: Die Sprache kann Kontexte nach Agent-ID parametrisieren, was die Beschreibung von Systemen mit isolierten Zuständen oder gemeinsamem Speicher/Zeitgeber ermöglicht.

Die Sprache ist sowohl für Menschen lesbar als auch maschinenlesbar. Sie unterstützt eine visuelle Darstellung, sodass Spezifikationen als Diagramme (ähnlich Flussdiagrammen oder Sequenzdiagrammen) gerendert werden können, die strukturelle Unterschiede sofort erkennbar machen.

Hauptbeiträge

1. Formale Sprachspezifikation: Das Papier definiert ACDL, eine formale Syntax zur Spezifikation von Kontextzusammensetzung, -entwicklung und Kontrollfluss.
2. Tooling-Ökosystem: Die Autoren stellen einen Parser, einen interaktiven webbasierten Visualisierer, eine VS Code-Erweiterung mit Live-Rendering und eine Claude Code-Fähigkeit bereit, um ACDL operationalisierbar zu machen.
3. Reverse-Engineering und Dokumentation: Die Autoren demonstrieren die Nützlichkeit der Sprache durch die Dokumentation mehrerer bestehender Systeme:
   • ReAct-Varianten: Sie zeigen, wie geringfügige strukturelle Änderungen in ReAct-Schleifen (z. B. Platzierung von Schlussfolgerungsspuren) explizit erfasst werden.
   • OpenCode und OpenClaw: Reverse-Engineering der Hauptschleifen-Prompts dieser beliebten Open-Source-Coding- und persönlichen Assistenten-Agenten, um Unterschiede in ihren Strategien zur Kontextkomprimierung und Tool-Aufrufe hervorzuheben.
   • Gemini Pokémon-Agent: Dokumentation der Kontextstruktur des Gemini 2.5-Agenten, der Pokémon Blue spielt, wie in einem technischen Bericht beschrieben, und bietet eine klarere, weniger mehrdeutige Darstellung als der Originaltext.
4. Empirische Validierung: Die Autoren führten ein kleines Experiment mit einem ReAct-Agenten durch, bei dem sie Schlussfolgerungsspuren aus dem Verlauf entfernten (eine Änderung, die sich in ACDL leicht spezifizieren lässt). Sie beobachteten, dass diese Variante die Leistung bei Schlussfolgerungsaufgaben beeinträchtigte, während sie die Leistung bei Codierungsaufgaben leicht verbesserte, was die greifbare Auswirkung struktureller Kontextentscheidungen veranschaulicht.

Ergebnisse und Demonstrationen
Das Papier beansprucht nicht, das Problem der Optimierung von Kontexten zu lösen, sondern das Problem ihrer Beschreibung. Die präsentierten Ergebnisse sind qualitativ und demonstrativ:

• Klarheit: ACDL macht strukturelle Unterschiede (z. B. den Ort von Anweisungen, die Verschachtelung von Tool-Antworten) explizit und auf einen Blick vergleichbar, während textliche Beschreibungen ausgedehnte Prosa erfordern.
• Präzision: Die Sprache erfasst erfolgreich komplexe Szenarien, wie verschachtelte Schleifen in mehrstufigen Agenten und die spezifischen Strategien zur Verlaufskomprimierung, die in fortschrittlichsten Systemen verwendet werden.
• Adoptionspotenzial: Die Autoren stellen fest, dass die Tools sowohl die Kommunikation zwischen Menschen (via Whiteboard-Diagramme oder PDFs) als auch die Kommunikation zwischen Mensch und KI ermöglichen, wobei sie beobachten, dass Codierungsagenten (wie Claude Code) ACDL-Spezifikationen lesen können, um entsprechende agentische Schleifen zu generieren.

Bedeutung und Behauptungen
Das Papier positioniert ACDL als notwendigen Standard für die „Wissenschaft und Technik agenter Systeme". Seine Bedeutung liegt in:

• Rigoroser Kommunikation: Ermöglichung einer eindeutigen Kommunikation von Kontextdesign-Entscheidungen innerhalb von Teams und über die Forschungscommunity hinweg.
• Treuer Vergleich: Ermöglichung für Forscher, Strategien zur Kontexterstellung über verschiedene Systeme hinweg zu vergleichen, ohne das Rauschen von Implementierungsdetails.
• Aufwertung des Context Engineering: Hebung der Kontexterstellung von einem „Nachgedanken" oder einer informellen Praxis zu einem „rigorosen Untersuchungsgegenstand" durch Bereitstellung eines formalen Vokabulars und einer Visualisierungsmethode.

Die Autoren sind in ihren Behauptungen bescheiden und erkennen an, dass ACDL eine beschreibende Sprache und keine Programmiersprache zum Bauen von Agenten ist. Sie weisen zudem auf aktuelle Grenzen hin, wie die Schwierigkeit, Systeme mit veränderbarem Zustand während der Kontexterstellung zu beschreiben (was zunächst eine Umwandlung in ein unveränderliches Modell erfordert), und das Fehlen eines sauberen Mechanismus für Multi-Agenten-Systeme mit separaten Zeitgebern, die veränderbaren Zustand teilen. Sie betrachten ACDL als einen Kandidatenstandard, der klarere Dokumentation, Vergleichbarkeit und Analyse im sich schnell entwickelnden Feld der agenten LLMs erleichtern soll.