Selbstentwickelnde Kontextschichten: Implizites Lernen aus dem Verhalten von Agenten in Code-Wissensgraphen

Statische Code-Kontextwerkzeuge liefern stets dieselben Antworten, unabhängig davon, wie Agenten sie nutzen. Wir führen Gap-Signale ein – implizite Metriken, die sich aus der Diskrepanz zwischen dem, was ein Kontextwerkzeug zurückgibt, und dem, was der Agent nutzt, ableiten – und implementieren ein Drei-Schleifen-Selbstverbesserungssystem in Karna, einem persistenten Code-Wissensgraphen für LLM-Agenten. In einem kontrollierten A/B-Experiment mit 70 Live-Agenten-Sitzungen (35 statisch, 35 adaptiv, Claude Sonnet 4 über Cursor Agent CLI) führt das adaptive System zu 79,3 % mehr explorativen Werkzeugaufrufen (p=0,010) und stellt 46,4 % mehr Entitäten pro Sitzung dar (p=0,063).