Auf meiner Startseite tippt seit einiger Zeit ein kleines Terminal-Fenster vor sich hin. Es sieht aus wie eine Demo, fühlt sich an wie Deko — und genau das ist das Problem, das ich hier aufklären will: Es ist keine. Jeder Prompt und jeder Tool-Aufruf bildet ein reales Muster ab, wie ich mit Agenten arbeite. Die Zahlen in der Statuszeile sind dagegen simuliert: Der Kontextzähler wächst plausibel mit jedem Schritt, die Geschwindigkeitsangabe ist ein Zufallswert in einer realistischen Bandbreite.
Ich habe die Animation bewusst so gebaut, dass sie nicht nur „irgendein Terminal“ simuliert, sondern die vier Begriffe sichtbar macht, die in jeder Unterhaltung über KI-Agenten auftauchen und die trotzdem fast nie erklärt werden: Modell, Kontextfenster, Prompt und Token. Dazu kommt ein fünfter, unsichtbarerer Begriff, der das ganze Fenster zusammenhält: der Harness. Wer diese fünf Begriffe versteht, versteht nicht nur meine Startseite besser — sondern auch jede Diskussion über „KI-Agenten“, die aktuell durch jedes Tech-Briefing geht.
Deshalb mache ich aus der Animation jetzt eine geführte Tour. Das Terminal bleibt sichtbar, während du runterscrollst, und ich erkläre dir Abschnitt für Abschnitt, welches Element gerade was bedeutet. Kein Marketing-Sprech – und wo die Animation simuliert, sage ich es dazu.
Das Terminal der Startseite (Nachbau) — beim Scrollen wird jeweils das besprochene Element markiert. Die Messwerte in der Statuszeile sind simuliert.
01 Begriff 1: MODELL
Ganz unten im Terminal, am Anfang der Statuszeile, steht claude-fable-5.2 — ein aktuelles Modell von Anthropic, veröffentlicht am 9. November 2026, gebaut für anspruchsvolles Reasoning und lang laufende agentische Arbeit. Genau die Art von Workflow, die diese Animation zeigt.
Das Modell ist die eigentliche Intelligenz hinter jedem Schritt, den du im Terminal siehst. Es liest den Prompt, „versteht“ (im statistischen Sinn) die Aufgabe und schlägt die nächste Aktion vor — zum Beispiel „jetzt sollte ich die Datei lean-canvas.md lesen“ oder „jetzt sollte ich drei Subagenten starten“. Wichtig ist: Das Modell schlägt nur vor. Es tippt keinen Befehl in ein echtes Terminal, es öffnet keine Datei, es startet keinen Prozess. Es produziert Text, der wie ein Werkzeugaufruf aussieht.
Was aus diesem Vorschlag wird, entscheidet eine andere Instanz — der Harness, um den es in Begriff 5 geht. Für jetzt reicht: Wenn du claude-fable-5.2 im Terminal siehst, denk an „die Denkmaschine“, nicht an „das Programm, das alles ausführt“. Diese Trennung ist der Schlüssel zum Verständnis der restlichen vier Begriffe.
02 Begriff 2: KONTEXT / CONTEXT WINDOW
Direkt neben dem Modellnamen läuft eine Angabe wie 250K/1M mit, begleitet vom Fortschrittsbalken [==--------] 25%. Das ist das Kontextfenster — die Gesamtmenge an Text, die das Modell in einem einzelnen Durchlauf „sehen“ kann, bevor es antwortet. 1M ist die Obergrenze (hier: eine Million Tokens, dazu gleich mehr), 250K ist das, was aktuell davon verbraucht ist: der unsichtbare System-Prompt, der bisherige Verlauf der Unterhaltung, die aktuelle Anfrage und ein reservierter Platz für die kommende Antwort.
Das Fenster wächst mit jedem Schritt, den du im Terminal siehst — jeder getippte Prompt, jeder Tool-Aufruf, jedes Ergebnis landet im Kontext und der Balken füllt sich weiter. So verhalten sich auch reale Agentensysteme im Grundsatz. Je länger die Session (ein durchgehender Arbeitsdurchlauf vom ersten bis zum letzten Prompt, ohne dass das Gespräch neu gestartet wird), je mehr Dateien gelesen, je mehr Zwischenschritte protokolliert werden, desto voller wird das Fenster.
Und dann kommt der Moment, den die Animation bewusst zeigt: Wenn der Balken nahe an die Grenze kommt, läuft eine „compacting context…“-Sequenz, und der Zähler springt zurück. Das ist keine Fehlermeldung, sondern ein notwendiger Mechanismus: Ist das Fenster voll, muss der bisherige Verlauf verdichtet werden, damit überhaupt noch neue Informationen hineinpassen. Ohne Verdichtung müsste der Harness alte Inhalte einfach abschneiden oder eine neue Session beginnen. Das Verdichten übernimmt übrigens nicht das Modell von sich aus, sondern der Harness — oft, indem er das Modell selbst um eine Zusammenfassung bittet. Jeder, der länger mit einem Agenten arbeitet, kennt diesen Moment — hier siehst du ihn einmal von außen.
03 Begriff 3: PROMPT
Die Eingabezeile mit dem >-Zeichen ist der Teil, den du am unmittelbarsten wahrnimmst: Die Animation tippt nacheinander vier verschiedene Prompts, von analyze the lean canvas and plan the website über agent:content → derive structure and copy from the canvas bis agent:dev → build, test and ship the page. Jeder dieser Prompts ist die konkrete Anweisung, die an das Modell geht — und jeder löst eine andere Kette von Tool-Aufrufen darunter aus.
Ein Prompt ist mehr, als die eine Zeile zeigt, die getippt wird. Die erste Zeile ist die eigentliche Nutzeranfrage, die folgenden drei sind Aufträge, die der Orchestrator (die übergeordnete Instanz, die die Arbeit auf mehrere Subagenten verteilt — mehr dazu in Begriff 5) an seine Subagenten weitergibt. Zu jedem dieser vier sichtbaren Prompts gehört unsichtbar ein System-Prompt — Vorgaben, die ich als Entwickler vorher festgelegt habe, etwa Rolle, Werkzeuge, Grenzen. Das gilt für jeden Agenten, nicht nur für meine Demo.
Dass die Animation gleich vier Prompts hintereinander zeigt, statt nur einen, ist ebenfalls Absicht: Ein realer Agenten-Workflow läuft fast nie in einem einzigen Prompt ab. Er wird in Phasen zerlegt — hier: Planung, Content, Design, Entwicklung — und jede Phase bekommt ihren eigenen, fokussierten Prompt. Das hält jede Phase fokussiert und das Kontextfenster aus Begriff 2 handhabbarer.
04 Begriff 4: TOKEN
Dieselbe Zahl 250K/1M, die du schon beim Kontextfenster gesehen hast, besteht aus Tokens — nicht aus Wörtern und nicht aus Zeichen. Ein Token ist eine Texteinheit, die bei der sogenannten Tokenisierung entsteht: Text wird in Stücke zerlegt, die im Schnitt etwa drei Viertel eines englischen Wortes entsprechen (Deutsch braucht wegen längerer, zusammengesetzter Wörter in der Regel deutlich mehr Tokens pro Wort). Manche Wörter sind ein Token, lange oder seltene Wörter werden in mehrere Tokens zerschnitten.
Die zweite Stelle, an der Tokens im Terminal auftauchen, ist die Zahl ↑ 85 t/s am Ende der Statuszeile — Tokens pro Zeit, das gängige Geschwindigkeitsmaß für Sprachmodelle: Wie viele dieser Texteinheiten pro Sekunde erzeugt werden, während die Antwort „geschrieben“ wird. In der Animation ist dieser Wert simuliert und schwankt zufällig; das Tipptempo der Demo selbst ist fest eingestellt. In echten Systemen bestimmt genau diese Zahl, wie schnell eine Antwort Wort für Wort erscheint.
Dass Kontextgröße und Geschwindigkeit in derselben Einheit gemessen werden, ist kein Zufall, sondern zeigt, wie zentral das Token-Konzept für alles ist, was ein Modell tut: Wie viel es „sehen“ kann (Kontextfenster in Tokens), wie viel es produziert (Antwortlänge in Tokens) und wie schnell es das tut (Tokens pro Sekunde) — alles dieselbe Grundeinheit, nur aus drei verschiedenen Blickwinkeln.
05 Begriff 5: HARNESS
Jetzt kommt der Begriff, der am wenigsten sichtbar ist, obwohl er das ganze Terminal-Fenster trägt. Schau dir die Zeilen mit dem ⏺-Symbol an — das sind die Aktionen, die das Modell vorschlägt: ReadFile(lean-canvas.md), orchestrator.spawn(3 subagents), Bash(curl 127.0.0.1:8188/system_stats), Write(index.html). Die eingerückten ⎿-Zeilen darunter sind das, was der Harness daraus macht: das tatsächliche Ergebnis der Ausführung — 9 fields detected..., agent:content · agent:design · agent:dev, performance 97 · SEO 100. Genau dieses Paar aus Vorschlag und Ausführungsergebnis ist der Harness in Aktion.
Erinnerst du dich an Begriff 1: Das Modell schlägt nur Aktionen vor, es führt sie nicht selbst aus. Der Harness ist die Software-Schicht, die diese Vorschläge tatsächlich ausführt — die Datei wirklich liest, den Bash-Befehl wirklich startet, das Ergebnis wirklich zurückliest — und dieses Ergebnis dann als nächsten Baustein wieder ins Kontextfenster des Modells schreibt. Diese Schleife aus Vorschlag → Ausführung → Ergebnis → nächster Vorschlag ist der eigentliche Kern dessen, was man heute „Agent“ nennt: Agent = Modell + Harness. Ohne Harness kann ein Modell keine Datei lesen, kein Terminal-Kommando ausführen und sich zwischen zwei Antworten an gar nichts erinnern — es wäre reine Texterzeugung ohne jede Verbindung zur Außenwelt.
Das eindrücklichste Beispiel dafür steht gleich im ersten Prompt der Animation: orchestrator.spawn(3 subagents), gefolgt von agent:content · agent:design · agent:dev. Das Modell schlägt den Aufruf orchestrator.spawn vor, aber erst der Harness startet tatsächlich drei separate Modell-Aufrufe mit jeweils eigenem Kontext und eigener Rolle, sammelt ihre Ergebnisse ein und führt sie zusammen. Hinter dem Schlagwort „Multi-Agenten-System“ steckt in der Praxis meist genau das: ein Harness, der mehrere Modell-Durchläufe orchestriert. Genau dieses Prinzip steckt auch hinter dem echten, deutlich komplexeren Setup hinter ketovavaria.de. Mehr zur eigenen KI-Infrastruktur, die solche Workflows trägt, findest du auf meiner Tech-Radar-Seite dazu.
Konkret benannt: Diese Seite hier (bernd-zuther.de) läuft auf dem Harness Hermes, ketovavaria.de auf dem Harness OpenClaw – zwei unterschiedliche Software-Schichten, die nach demselben Prinzip arbeiten (Vorschlag → Ausführung → Ergebnis). Der Aufruf curl 127.0.0.1:8188/system_stats weiter oben ist kein Platzhalter, sondern die echte Status-Abfrage von ComfyUI, dem lokal laufenden Werkzeug, mit dem Bilder wie das Roboter-Maskottchen in diesem Artikel generiert werden – ein typisches Beispiel für ein Werkzeug, das ein Harness für einen Agenten ansteuert, statt selbst ein Harness zu sein.
Fazit
Das Terminal auf meiner Startseite ist eine Vereinfachung — die vier Prompts laufen in Wirklichkeit nicht ganz so linear und aufgeräumt ab, und manche Tool-Ergebnisse sind gekürzt, damit sie in eine Zeile passen. Inhaltlich ist die Animation aber korrekt: Sie zeigt ein Modell, das Vorschläge macht, einen Harness, der sie ausführt und koordiniert, ein Kontextfenster, das sich mit jedem Schritt füllt und irgendwann kompaktiert werden muss, und eine Statuszeile, die alles in Tokens misst. Die echten Pipelines, mit denen ich arbeite — etwa die KI-Agenten-Workflows hinter ketovavaria.de — laufen komplexer, mit mehr Subagenten, mehr Zwischenschritten und mehr Fehlerbehandlung. Aber sie laufen nach exakt demselben Grundprinzip: Modell plus Harness.