Begriffe aus der KI-Welt: Progressive Disclosure

Progressive Disclosure heißt, dass ein Agent Wissen schrittweise bekommt, und zwar erst dann, wenn er es braucht. Statt alle Anleitungen, Tool-Schemas und Dokumente vorab in den Kontext zu laden, sieht er zunächst nur eine knappe Übersicht und lädt Details gezielt nach. Der Kontext bleibt schlank, und der Agent behält das Wesentliche im Blick. Nebenbei fällt die Token-Rechnung kleiner aus.

Begrenztes Kontextfenster

Das Kontextfenster, also die Textmenge, die ein Modell pro Anfrage verarbeiten kann, ist begrenzt. Und jedes Token darin kostet Aufmerksamkeit. Wer vorab 50 Skills mit je 500 Zeilen Anleitung lädt, bekommt schlechtere Ergebnisse, nicht bessere. Die Folgen:

• Fokusverlust: Zwischen 25.000 Zeilen Anleitung verliert der Agent aus dem Blick, worum es in der aktuellen Aufgabe geht.

• Platzmangel: Was für Anleitungen draufgeht, fehlt für Code, Dateien und Gesprächsverlauf.

• Kosten: Jedes geladene Token wird bezahlt, auch wenn der Agent es nie braucht.

Stufen beim Laden eines Skills

Ein Skill ist ein Paket aus Anleitung und Hilfsmaterial, das ein Agent für eine bestimmte Art von Aufgabe heranziehen kann. Am Aufbau solcher Skills lässt sich das Prinzip gut nachvollziehen. Der Agent lädt sie in Stufen:

1. Metadaten, immer geladen. Von jedem Skill sieht der Agent nur den Namen und eine Zeile Beschreibung, etwa skill-humanize: Use when a finished German text should lose its AI fingerprints …. Das sind ein paar Dutzend Tokens pro Skill. Mehr braucht der Agent nicht, um zu entscheiden, ob der Skill zur Aufgabe passt.

2. Inhalt der `SKILL.md`, bei Bedarf. Erst wenn die Aufgabe passt, liest der Agent die eigentliche Anleitung.

3. Referenzen, Skripte, Beispiele, bei weiterem Bedarf. Die SKILL.md verweist auf weitere Dateien, etwa eine Farbpalette oder ein Hilfsskript. Die liest der Agent nur, wenn der konkrete Fall es verlangt. Skripte führt er oft nur aus, ohne dass ihr Code überhaupt im Kontext landet.

Bei 50 Skills liegen im Grundzustand also 50 Zeilen Beschreibung im Kontext statt 25.000 Zeilen Anleitung. Den Rest holt sich der Agent, sobald er ihn braucht.

Die Beschreibung entscheidet

Technisch ist das keine Raketenwissenschaft. Der schwierige Teil steckt in Stufe 1: Die Beschreibung ist das Einzige, was der Agent von einem Skill sieht, bevor er entscheidet. Ist sie unscharf, greift er nicht zum Skill, und der beste Inhalt bleibt ungelesen.

Ein vager Einzeiler wie skill-humanize: Textoptimierung gibt dem Agenten keinen Anlass, den Skill in einer bestimmten Situation zu laden. Die Beschreibung aus dem Beispiel oben nennt dagegen den Auslöser: ein fertiger deutscher Text, der seine KI-Spuren verlieren soll. Gute Beschreibungen beginnen deshalb mit „Use when …“ und benennen konkrete Situationen, in denen der Skill gebraucht wird.

Dasselbe Prinzip bei Tools, Subagents und Doku

Progressive Disclosure taucht in Agenten-Systemen an mehreren Stellen auf:

• Deferred Tools: Von vielen Tools, die über MCP (Model Context Protocol, ein Standard zur Anbindung externer Werkzeuge) angebunden sind, kennt der Agent zuerst nur den Namen. Das vollständige Schema lädt er erst nach, wenn er das Tool tatsächlich aufrufen will.

• Subagents: Ein Subagent liest zehn Dateien und gibt nur sein Ergebnis zurück. Die Dateiinhalte landen nicht im Hauptkontext.

• Dokumentationsstruktur: Eine schlanke AGENTS.md verweist auf eine README, die wiederum auf einzelne Dossiers verweist. Die README dient als Wegweiser, die Details liegen eine Ebene tiefer.

Jedes Mal sieht der Agent zuerst einen Verweis und den Inhalt erst bei Bedarf.

Herkunft aus dem UX-Design

Der Begriff stammt aus dem UX-Design. Dort bedeutet er: Dem Nutzer werden zuerst nur die wichtigen Optionen gezeigt, die erweiterten liegen hinter „Mehr …“. Bei Agenten ist der Leser eben das Modell. Die Regel bleibt dieselbe, nur wird hier jede gelesene Zeile in Tokens bezahlt. Was ein Agent nicht sehen muss, sollte er auch nicht sehen.