Der Gauntlet Loop. Geben Sie der KI eine echte Messlatte

Ende Juli 2026 fügte Matt Shumer drei Absätze in Claude Code ein und ließ es laufen. Zurück kam ein Ego-Shooter, der im Browser läuft. Rund 55.000 Zeilen JavaScript in elf Subsystemen, und keine einzige Grafikdatei. Jede Textur, jedes Modell, jede Animation und jeder Ton entsteht beim Laden der Seite aus Code. Das Repository ist öffentlich unter MIT-Lizenz, es gibt Gameplay-Aufnahmen, falls Sie es in Bewegung sehen wollen, und dieselbe Methode hat seither Dutzende Browserspiele zum sofortigen Ausprobieren hervorgebracht.

Das ist der komplette Prompt.

I want you to build a first-person shooter at the level of the most recent Call of Duty games. It should be utterly perfect, visually beautiful, with every single thing done at AAA quality—from textures to physics to anything you could think of.

Fan out sub-agents and have sub-agents tackle each one individually so that the game is utterly perfect. You should /loop on each item and have a separate sub-agent check it visually to ensure it looks triple A. That separate sub-agent should be a really harsh critic, and if it doesn't look triple A, it should keep going.

Don't stop until each sub-agent is utterly wowed with the quality when compared with the actual Call of Duty game. It should literally compare them side by side blind and say which one looks better. Do this in ThreeJS. /loop until it's utterly perfect. Fan out sub-agents and ultracode.

Shumer nannte das Muster später den Gauntlet Loop. Es liest sich wie ein Streit mit einem Computer, und die Wörter, die hier arbeiten, sind weder „utterly“ noch „perfect“.

Fangen wir mit dem an, was misslungen ist

In der README steht ein Abschnitt mit dem Titel Honest assessment. Er ist der nützlichste Teil des ganzen Experiments.

Elf unabhängige Kritiker bewerteten die fertigen Frames gegen echtes Call-of-Duty-Material. Die Werte lagen bei 3,59, dann 4,14, dann 4,05 und zuletzt 5,05 von zehn. Zwei Aufnahmen erreichten die Stufe „close“, der Rest blieb bei „amateur“. In jedem Blindvergleich, in jeder Runde wählte der Kritiker das echte Spiel.

Die Schwächen sind genau benannt. Hände wirken wie kantige Klötze, die die Waffe nicht greifen. Oberflächen wirken wie prozedurales Rauschen statt wie fotografiertes Material. Gegner wirken auf Distanz wie Schaufensterpuppen. Indirektes Licht ist eine Näherung. Der fertige Build läuft auf einem Apple-Silicon-Notebook mit 28 bis 30 Bildern pro Sekunde.

Die Schleife hat also verloren. Sie lieferte aber nach jeder Runde eine Zahl und wusste, warum sie verlor. Genau diesen Unterschied lohnt es sich zu kopieren. Die meiste KI-Arbeit hört auf, sobald das Ergebnis nicht mehr peinlich wirkt, und das ist ein Gefühl, keine Messung.

Vier bewegliche Teile

Nimmt man das Geschrei aus dem Prompt heraus, bleiben vier Anweisungen übrig.

Die erste ist eine Messlatte außerhalb des Modells. Nicht „AAA-Qualität“, die ein Modell so weit nach unten definieren kann, bis es sie erfüllt. Ein echter Call-of-Duty-Frame, den es nicht umdefinieren kann.

Dann kommt die Erlaubnis, die Arbeit aufzuteilen. Der Prompt nennt die Subsysteme nie. Der Agent entscheidet selbst, was die Teile sind, und genau diese Entscheidung nehmen ihm Menschen am häufigsten ab und treffen sie dann schlechter.

Der Kritiker ist nicht der Builder. Er bekommt das Ziel, die Messlatte und das fertige Artefakt. Er bekommt weder die Überlegungen des Builders noch dessen Zusammenfassung. Anthropic nennt dieses Muster Evaluator-Optimizer und empfiehlt es dort, wo klare Bewertungskriterien vorliegen und ein zweiter Durchgang messbar hilft.

Zuletzt die Erlaubnis weiterzumachen. Ohne sie kehrt ein Agent nach einer Runde zurück, weil Zurückkehren genau das ist, worauf er trainiert wurde.

Was die Befehle wirklich tun

Der ursprüngliche Prompt schreibt /loop als normales Englisch im Sinne von mach weiter. Im heutigen Claude Code haben diese Wörter eine genaue Bedeutung, und eine Verwechslung kostet Geld.

/goal setzt eine Abschlussbedingung. Nach jedem Zug liest ein kleines schnelles Modell die Konversation und antwortet, ob die Bedingung erfüllt ist. Wenn nicht, startet Claude einen weiteren Zug, statt die Kontrolle zurückzugeben. Das ist die Zielschleife.

/loop startet den nächsten Zug nach Ablauf eines Zeitintervalls. Es dient wiederkehrender Arbeit und Überwachung, nicht dem Schleifen an einer Messlatte.

ultracode ist noch etwas anderes. Direkt im Prompt getippt sorgt es dafür, dass Claude für diese eine Aufgabe einen dynamischen Workflow schreibt und ausführt, also ein Skript, das im Hintergrund Subagenten steuert. Über /effort ultracode gesetzt verbindet es die höchste Denkstufe mit automatischer Workflow-Orchestrierung für die ganze Sitzung. Die Laufzeitumgebung erlaubt sechzehn Agenten gleichzeitig, auf Maschinen mit wenigen Kernen weniger, und tausend pro Lauf. Ein Lauf, der mehr als fünfundzwanzig Agenten plant oder die Schätzung von 1,5 Millionen Tokens überschreitet, gibt eine Warnung aus. In einer Sitzung mit eingeschaltetem ultracode erscheint sie allerdings nicht, weil Sie mit dieser Einstellung große Läufe bereits zugelassen haben.

Für einen Gauntlet Loop brauchen Sie also /goal für die Abbruchbedingung und ultracode für die Verzweigung.

Die Vorlage

Füllen Sie vier Stellen aus. Die Referenz muss etwas sein, das der Agent tatsächlich öffnen, starten, fotografieren oder lesen kann.

Baue <DING>, das <WAS ES TUN MUSS>, auf dem Qualitätsniveau von <BENANNTE REFERENZ>.
Wähle den Ansatz selbst.

Teile die Arbeit in die kleinsten Teile, die sich einzeln beurteilen lassen.
Starte für jedes Teil einen Builder-Subagenten und einen separaten Kritiker-Subagenten.

Der Kritiker bekommt Ziel, Messlatte und fertiges Artefakt. Er bekommt weder die
Überlegungen des Builders noch dessen Zusammenfassung. Er prüft die echte Ausgabe,
vergleicht sie blind mit <BENANNTE REFERENZ>, sagt, welche besser ist, und benennt
die eine größte verbleibende Lücke mit Beleg.

Wenn unsere verliert, gib diese Lücke an den Builder zurück und geh noch einmal.

Höre auf, wenn der Kritiker unsere wählt, oder nach <N> Runden, oder wenn eine Runde
die Punktzahl um weniger als <X> verbessert. Gib nach jeder Runde Punktzahl und größte Lücke aus.

Der Kritiker-Prompt ist der Teil, den Leute überspringen. Schlecht geschrieben erzeugt er einen Builder mit zweiter Meinung. Ordentlich geschrieben sieht er so aus.

Du bewertest ein Artefakt, das du nicht gebaut hast. Du bekommst keine Historie und
keine Erklärung, und du sollst auch nicht danach fragen.

Unser Artefakt: <PFAD ODER SCREENSHOT>
Die Referenz: <PFAD ODER SCREENSHOT>

Bewerte unseres von 1 bis 10 gegen die Referenz. Dann beantworte eine Frage.
Wenn ein Käufer beide ohne Beschriftung sähe, welches würde er wählen, und an
welchem sichtbaren Detail hätte er sich entschieden?

Benenne die eine größte Lücke. Zeige auf den Beleg. Zähle nicht zehn Kleinigkeiten
auf, und mildere die Punktzahl nicht ab, weil die Arbeit schwierig aussieht.

So starten Sie es an einem Spiel

Der ursprüngliche Prompt funktioniert weiterhin, und es lohnt sich, ihn genau so zu lesen, wie er geschrieben wurde. Eine straffere Fassung, die seltener scheitert, sieht so aus.

ultracode Baue ein Browser-Kart-Rennspiel in Three.js auf dem visuellen Niveau von
Mario Kart 8 Deluxe. Wähle die Architektur selbst.

Teile es in Strecke, Fahrverhalten, Materialien, Effekte, Audio und HUD. Gib jedem
davon einen Builder-Subagenten. Starte nach jeder Runde einen separaten
Kritiker-Subagenten, der unser Spiel fotografiert, es blind mit Referenzmaterial
vergleicht, es von 1 bis 10 bewertet und die eine größte visuelle Lücke benennt.

Arbeite immer an einem gekoppelten System, nicht an allen sechs gleichzeitig.
Beleuchtung, Tonemapping und Materialien sind ein System, nicht drei.

/goal jeder Kritiker vergibt 7 oder mehr, oder es vergehen vier Runden mit weniger
als 0,3 Verbesserung

Die Zeile über das eine gekoppelte System ist keine Verzierung. Der Grund dafür steht zwei Abschnitte weiter unten.

So starten Sie es an einem geschäftlichen Ergebnis

An dieser Methode ist nichts spezifisch für Grafik. Sie braucht ein Artefakt, das man prüfen kann, und eine Referenz, die Sie benennen können. Eine Preisseite erfüllt das. Ein Quartalsbericht nicht, solange Sie nicht zuerst festlegen, wie ein guter aussieht.

Zwei, die funktionieren.

ultracode Schreibe unsere Preisseite unter src/app/preise so um, dass ein
Erstbesucher in unter dreißig Sekunden einen Tarif wählen kann. Die Messlatte sind
die Preisseite von Stripe und die Preisseite von Linear. Beide sind öffentlich, hole
sie also und lies sie.

Teile die Arbeit in Struktur, Tarifvergleich, Text, Einwandbehandlung und mobiles
Layout.

Nach jeder Runde lädt ein separater Kritiker-Subagent unsere Seite und beide
Referenzseiten im Browser bei 390 px und 1440 px, mit Screenshots. Unseren Text hat
er vorher nicht gesehen. Er beantwortet drei Fragen. Welche Seite erklärt die Wahl
am schnellsten. Wo hält unsere Seite den Leser an und zwingt ihn zum Nachdenken.
Welche eine Änderung schließt den größten Teil der Lücke.

Ändere unsere Preise nicht und erfinde keine Funktionen, die wir nicht verkaufen.

/goal der Kritiker wählt unsere Seite vor beiden Referenzen im
Dreißig-Sekunden-Test, oder es vergehen sechs Runden

Und einer ganz ohne Code.

Schreibe das Angebotsdokument für unseren Dienst zur Dokumentenautomatisierung,
gerichtet an ein Unternehmen mit zwanzig Mitarbeitern, das Rechnungen von Hand
bearbeitet.

Die Messlatte sind die Preisseite von Basecamp und der Stripe-Atlas-Leitfaden, beide
öffentlich. Gleicher Test. Ein beschäftigter Inhaber liest es einmal und weiß, was er
bekommt, was es kostet und was als Nächstes passiert.

Teile es in Problembeschreibung, Leistung, Preis, Zeitplan und Einwände.

Ein separater Kritiker-Subagent liest nur das fertige Dokument. Meine Notizen sieht er
nicht. Er beantwortet, was der Leser weiterhin nicht wüsste, was er nicht glauben
würde und bei welchem Absatz er aufhören würde zu lesen. Er bewertet es gegen die
Referenzdokumente.

Schreibe den schwächsten Abschnitt neu. Wiederhole, bis der Kritiker keinen Absatz
mehr findet, bei dem ein Leser abbricht, oder bis fünf Runden vergangen sind.

Wo es bricht

Dasselbe Repository hat einen Befund festgehalten, der dem Prompt widerspricht, aus dem es entstand. Dieser Befund ist das Wertvollste am ganzen Experiment.

Die parallele Verzweigung verlor. Drei Runden mit je sechs Agenten, von denen jeder ein Verzeichnis besaß, bewegten die Punktzahl um 0,46 und ließen die Zahl bildzerstörender Defekte höher zurück als zu Beginn, nämlich 60, dann 47, dann 66. Tonemapping, Himmel und indirektes Licht sind ein gekoppeltes System, und getrennte Agenten zerbrachen einander laufend die Annahmen. Ein sequenzieller Durchgang mit einem einzigen Verantwortlichen je gekoppeltem Bereich bewegte die Punktzahl um einen ganzen Punkt und senkte die Defekte von 66 auf 26.

Verzweigen Sie über Dinge, die sich nicht berühren. Durch Dinge, die sich berühren, gehen Sie nacheinander.

Drei weitere Fehlermodi verdienen einen Namen. Eine Messlatte, die der Agent selbst definieren kann, ist keine Messlatte, deshalb versagt „professionelle Qualität“ und „besser als diese benannte Seite“ trägt. Ein Kritiker, dem die Zusammenfassung des Builders vorgelegt wird, bewertet die Zusammenfassung statt das Artefakt. Und eine Schleife ohne Obergrenze läuft, bis das Budget es bemerkt. James Altucher ließ den ursprünglichen Prompt rund zehn Stunden und 1,3 Millionen Tokens laufen. Anthropic maß am eigenen Multi-Agenten-Recherchesystem etwa das Fünfzehnfache der Tokens einer gewöhnlichen Chat-Interaktion und empfiehlt das Muster nur dort, wo der Wert der Aufgabe das trägt.

Die Schleife hält nicht von selbst an. Die Abbruchbedingung sind Sie.

Was wir damit machen

Bei Rise.sk läuft eine Fassung mit Review-Gate. Ein Agent baut, ein frischer Agent ohne Bauhistorie prüft, und ein Mensch mergt. Diesen Ablauf haben wir gesondert beschrieben, ebenso die verwandte Frage, wo der Mensch in einer KI-Entwicklung steht.

Der Gauntlet Loop ist dasselbe Muster, gerichtet auf Qualität statt auf Korrektheit. Er verdient seine Tokens, wenn sich die Ausgabe prüfen lässt, wenn eine benannte Referenz existiert und wenn „gut genug“ Sie still etwas kostet. Er verdient nichts, wenn niemand entschieden hat, was gut bedeutet.

Wenn Sie herausfinden wollen, welcher Ihrer Prozesse eine solche Schleife tragen könnte, bauen wir KI-Automatisierung und Workflows und führen Technologie-Audits durch, die genau mit dieser Frage beginnen.

Quellen

• Matt Shumer, Claude of Duty, der vollständige Prompt und das Honest assessment
• Anthropic, Keep Claude working toward a goal
• Anthropic, Orchestrate subagents at scale with dynamic workflows
• Anthropic, Building effective agents
• Anthropic, How we built our multi-agent research system
• Anthropic, Loop engineering, getting started with loops
• Anthropic, Building verification loops in Claude Code with skills
• Decrypt, The dumbest-looking AI prompt just beat months of careful game-design prompt engineering