[{"data":1,"prerenderedAt":782},["ShallowReactive",2],{"blog-erp-integration-error-agent-de":3},{"slug":4,"published":5,"minutes":6,"category":7,"tags":8,"keywords":14,"about":25,"sources":35,"cover":72,"og":73,"expertise":74,"locales":75,"lang":77,"title":79,"description":80,"coverAlt":81,"metaTitle":82,"takeaways":83,"faq":89,"toc":105,"blocks":136,"others":510},"erp-integration-error-agent","2026-10-09",8,"agents",[9,10,11,12,13],"ERP integration","SAP","Error handling","Retries","AI agents",[15,16,17,18,19,20,21,22,23,24],"ERP integration error handling","IDoc status 51","SAP OData error handling","dead letter queue integration","integration retry idempotency","order sync failed shop ERP","AI agent triage logs","SAP Integration Suite JMS retry","integration error taxonomy","incident deduplication",[26,29,32],{"name":27,"url":28},"IDoc","https:\u002F\u002Fen.wikipedia.org\u002Fwiki\u002FIDoc",{"name":30,"url":31},"Dead letter queue","https:\u002F\u002Fen.wikipedia.org\u002Fwiki\u002FDead_letter_queue",{"name":33,"url":34},"Exponential backoff","https:\u002F\u002Fen.wikipedia.org\u002Fwiki\u002FExponential_backoff",[36,39,42,45,48,51,54,57,60,63,66,69],{"title":37,"url":38},"SAP Library: IDoc interface and ALE exception handling","https:\u002F\u002Fhelp.sap.com\u002Fsaphelp_aii710\u002Fhelpdata\u002Fen\u002F0b\u002F2a6743507d11d18ee90000e8366fc2\u002Fcontent.htm",{"title":40,"url":41},"SAP Community: IDoc status codes","https:\u002F\u002Fcommunity.sap.com\u002Ft5\u002Ftechnology-q-a\u002Fidoc-status-codes\u002Fqaq-p\u002F3961848",{"title":43,"url":44},"SAP CAP: indicating errors (Java)","https:\u002F\u002Fcap.cloud.sap\u002Fdocs\u002Fjava\u002Fevent-handlers\u002Findicating-errors",{"title":46,"url":47},"SAP Community: Cloud Integration asynchronous messaging with retry using JMS (2017)","https:\u002F\u002Fcommunity.sap.com\u002Ft5\u002Fintegration-blog-posts\u002Fcloud-integration-configure-asynchronous-messaging-with-retry-using-jms\u002Fba-p\u002F13315669",{"title":49,"url":50},"SAP Community: Cloud Integration dead-letter handling in the JMS adapter (2017)","https:\u002F\u002Fcommunity.sap.com\u002Ft5\u002Ftechnology-blogs-by-sap\u002Fcloud-integration-configure-dead-letter-handling-in-jms-adapter\u002Fba-p\u002F13325734",{"title":52,"url":53},"Temporal: retry policies","https:\u002F\u002Fdocs.temporal.io\u002Fencyclopedia\u002Fretry-policies",{"title":55,"url":56},"Amazon SQS: dead-letter queues","https:\u002F\u002Fdocs.aws.amazon.com\u002FAWSSimpleQueueService\u002Flatest\u002FSQSDeveloperGuide\u002Fsqs-dead-letter-queues.html",{"title":58,"url":59},"Azure Service Bus: dead-letter queues","https:\u002F\u002Flearn.microsoft.com\u002Fen-us\u002Fazure\u002Fservice-bus-messaging\u002Fservice-bus-dead-letter-queues",{"title":61,"url":62},"Stripe API reference: idempotent requests","https:\u002F\u002Fdocs.stripe.com\u002Fapi\u002Fidempotent_requests",{"title":64,"url":65},"AWS Architecture Blog: Exponential backoff and jitter","https:\u002F\u002Faws.amazon.com\u002Fblogs\u002Farchitecture\u002Fexponential-backoff-and-jitter\u002F",{"title":67,"url":68},"MuleSoft: 2026 Connectivity Benchmark Report","https:\u002F\u002Fblogs.mulesoft.com\u002Fagentic-perspectives\u002Fconnectivity-benchmark-report\u002F",{"title":70,"url":71},"OWASP GenAI Security Project: LLM06:2025 Excessive Agency","https:\u002F\u002Fgenai.owasp.org\u002Fllmrisk\u002Fllm062025-excessive-agency\u002F","\u002Fimages\u002Fblog\u002Ferp-integration-error-agent\u002Fcover.webp","\u002Fimages\u002Fblog\u002Ferp-integration-error-agent\u002Fog.jpg","b2b-ecommerce-developer",[76,77,78],"en","de","hu","Ein Agent für ERP-Integrationsfehler: Taxonomie, Runbooks und sichere Wiederholungen","Ein Agent für Fehler in ERP-Integrationen: Fehlertaxonomie aus IDoc- und OData-Verträgen, freigegebene Runbooks, sichere Retries und Deduplizierung.","Ein Rohr mit Warnzeichen an einer Verbindung, darunter Karten in einem Sortierfach.","Agent für ERP-Integrationsfehler · Balázs Csorba",[84,85,86,87,88],"Die meisten Fehler in der Integration von Shop, PIM und ERP fallen in fünf Familien: Mapping und Validierung, fehlende Stammdaten, Preis- oder Kundensperren, Verfügbarkeitskonflikte und Infrastrukturfehler.","Bauen Sie die Fehlertaxonomie aus echten Verträgen wie IDoc-Statussätzen und OData-Fehlerobjekten und bilden Sie Fingerabdrücke, damit dieselbe Klasse immer zum selben Runbook führt.","Klassifizieren Sie zuerst mit Regeln und nutzen Sie das LLM nur für unstrukturierten Laufzeittext; der Agent handelt nur über freigegebene, protokollierte Runbook-Aktionen.","Wiederholen Sie nur idempotente Operationen, mit begrenzten Versuchen und exponentiellem Backoff mit Jitter; Daten- und Validierungsfehler gehen in Quarantäne und als Ticket an das zuständige Team.","Laut MuleSoft-Benchmark 2026 verbringen IT-Teams 36 % ihrer Zeit mit individueller Integrationsarbeit; messen Sie daher fehlgeschlagene Nachrichten pro Schnittstelle, Zeit bis zur Lösung und den Anteil ohne menschlichen Eingriff.",[90,93,96,99,102],{"q":91,"a":92},"Was bedeutet IDoc-Status 51?","Laut der IDoc-Statusliste von SAP bedeutet Status 51 „Anwendungsbeleg nicht gebucht“: Das IDoc hat die Anwendung erreicht, aber die Buchung ist fehlgeschlagen, etwa wegen fehlender Stammdaten, eines Validierungsfehlers oder einer Sperre. Die Eingangsverarbeitung dieses IDocs stoppt; nach Behebung der Ursache kann es erneut verarbeitet werden, etwa mit dem Report RBDMANI2, den SAP auch zur regelmäßigen Einplanung bei Sperrproblemen empfiehlt.",{"q":94,"a":95},"Welche ERP-Integrationsfehler darf man automatisch wiederholen?","Vorübergehende Infrastrukturfehler wie Timeouts, 5xx-Antworten und Sperren, und nur wenn die Operation idempotent ist, mit begrenzten Versuchen und Backoff mit Jitter. Daten- und Validierungsfehler wie ein fehlendes Material oder ein gesperrter Kunde werden durch Wiederholung nicht besser; sie gehören in Quarantäne mit einem Ticket an das Team, dem die Daten gehören.",{"q":97,"a":98},"Kann ein KI-Agent ERP-Integrationsfehler selbst beheben?","Er sollte keine Geschäftsdaten ändern. Ein nützlicher Agent liest Signale, klassifiziert Fehler, dedupliziert Vorfälle und führt eine kurze Liste sicherer Aktionen aus, etwa einen begrenzten Retry oder ein Ticket mit vollem Kontext. Einen Kundenstamm oder ein Mapping zu korrigieren ist eine menschliche Änderung, vom Agenten vorgeschlagen und vom Datenverantwortlichen freigegeben.",{"q":100,"a":101},"Was ist eine Dead Letter Queue in SAP Cloud Integration?","Bei den nicht exklusiven JMS-Queues von Cloud Integration, wie 2017 dokumentiert, nimmt die Dead Letter Queue Nachrichten auf, die wegen eines abgestürzten Worker-Knotens nicht verarbeitet werden konnten: Sie werden zweimal wiederholt und dann für manuelle Bearbeitung geparkt. Nachrichten, die an einem Verarbeitungsfehler scheitern, landen dort nicht und brauchen eine eigene Überwachung.",{"q":103,"a":104},"Wie misst man einen Triage-Agenten für Integrationsfehler?","Vor dem Pilot eine Basislinie erheben und danach vergleichen: fehlgeschlagene Nachrichten pro Schnittstelle und Woche, Zeit bis zur Lösung je Fehlerklasse, Anteil ohne menschlichen Eingriff, manuelle Eingriffe pro fehlgeschlagenem Auftrag und durch Mapping-Korrekturen beseitigte wiederkehrende Klassen. Einen veröffentlichten Vergleichswert gibt es nicht; Ihre eigenen Logs sind der Beleg.",[106,109,112,115,118,121,124,127,130,133],{"id":107,"title":108},"what-breaks-between-shop-pim-and-erp","Was bricht zwischen Shop, PIM und ERP?",{"id":110,"title":111},"taxonomy-from-error-contracts","Wie baut man eine Taxonomie für Integrationsfehler?",{"id":113,"title":114},"the-agent-triage-loop","Wie funktioniert die Triage-Schleife des Agenten?",{"id":116,"title":117},"safe-retries-and-runbooks","Wann ist ein Retry sicher, und was gehört in ein Runbook?",{"id":119,"title":120},"queue-and-dlq-mechanics","Welche Queue- und Dead-Letter-Mechanik sollte man kennen?",{"id":122,"title":123},"guardrails-and-audit","Welche Leitplanken braucht ein Triage-Agent?",{"id":125,"title":126},"what-it-is-worth","Was ist ein Triage-Agent für Integrationsfehler wert?",{"id":128,"title":129},"when-not-to-build-an-agent","Wann sollte man dafür keinen Agenten bauen?",{"id":131,"title":132},"implementation-checklist","Eine Umsetzungs-Checkliste auf einer Seite",{"id":134,"title":135},"sources","Quellen",[137,145,154,157,160,163,164,167,214,281,282,285,291,293,300,301,304,308,323,325,332,333,336,381,392,393,399,410,413,414,417,437,440,441,444,445,463,471,472],{"type":138,"content":139},"paragraph",[140,144],{"tag":141,"children":142},"strong",[143],"Fehlerbehandlung in ERP-Integrationen"," ist die Betriebsseite der Verbindung von Shop, PIM und ERP: fehlgeschlagene Nachrichten lesen, zwischen Wiederholen und Korrigieren entscheiden, herausfinden, wessen System die Korrektur verantwortet, und wissen, welche Aufträge betroffen sind. Ein Agent kann dem Integrationsteam den Großteil des Lesens und Sortierens abnehmen, solange er gegen eine echte Fehlertaxonomie klassifiziert, nur über eine kurze Liste sicherer Runbook-Aktionen handelt und jede Änderung an Geschäftsdaten Menschen überlässt.",{"type":138,"content":146},[147,148,153],"Dieser Artikel behandelt, was zwischen Shop, PIM und ERP bricht, eine Taxonomie aus den Fehlerverträgen von SAP, die Triage-Schleife des Agenten, sichere Retries und Runbooks, Queue- und Dead-Letter-Mechanik, Leitplanken, den Business Case und wann eine Regel-Engine die bessere Antwort ist. Das Design der Synchronisation selbst beschreibt ",{"tag":149,"to":150,"children":151},"link","\u002Fblog\u002Fpimcore-erp-delta-sync",[152],"der Pimcore-ERP-Delta-Sync",".",{"type":155,"level":156,"id":107,"text":108},"heading",2,{"type":138,"content":158},[159],"Fünf Fehlerfamilien decken die meisten Vorfälle ab: Mapping- und Validierungsfehler, fehlende oder gesperrte Stammdaten, Preis- und Kundensperren, Verfügbarkeits- und Zuteilungskonflikte sowie Authentifizierungs-, Timeout- und Infrastrukturfehler. Jede Triage beantwortet drei Fragen: wiederholen oder korrigieren, wessen System die Korrektur verantwortet und wie viele Aufträge betroffen sind.",{"type":138,"content":161},[162],"Der Unterschied zwischen Wiederholen und Korrigieren zählt am meisten. Nur die letzte Familie bessert sich mit der Zeit; ein fehlendes Material oder ein gesperrter Kunde scheitert bei jedem Retry gleich, und eine Integration, die solche Fehler endlos wiederholt, macht aus einem Datenproblem hunderte laute Alarme. Bei meiner Arbeit an B2B-Commerce-Systemen mit Spryker und Pimcore habe ich gelernt, dass Teams nach einem Projekt nicht den Integrationscode behalten, sondern die Runbook-Bibliothek und das Fehler-Dashboard; planen Sie diese von Anfang an.",{"type":155,"level":156,"id":110,"text":111},{"type":138,"content":165},[166],"Bauen Sie sie aus den Fehlerverträgen, die Ihre Systeme schon ausgeben, nicht aus erfundenen Bezeichnungen. SAP liefert zwei gute: IDoc-Statussätze und OData-Fehlerobjekte.",{"type":168,"ordered":169,"items":170},"list",false,[171,185],[172,175,176,180,181,184],{"tag":141,"children":173},[174],"IDoc-Statussätze."," Laut der Statusliste von SAP, abgeglichen mit der ",{"tag":177,"href":41,"children":178},"a",[179],"SAP Community",", bedeutet 51 „Anwendungsbeleg nicht gebucht“, 53 „Anwendungsbeleg gebucht“, 64 „IDoc bereit zur Übergabe an die Anwendung“, 66 „IDoc wartet auf Vorgänger-IDoc“ und 68 „Fehler, keine weitere Verarbeitung“. Die ALE-Dokumentation von SAP beschreibt, dass die Eingangsverarbeitung eines fehlerhaften IDocs abbricht, ein Workflow-Workitem entsteht und das IDoc nach der Korrektur erneut übergeben wird; der Report RBDMANI2 verarbeitet IDocs mit Status 51 und 63 erneut und lässt sich einplanen, um an einer Sperre gescheiterte einzusammeln (",{"tag":177,"href":38,"children":182},[183],"SAP Library",").",[186,189,190,194,195,197,198,201,202,205,206,209,210,213],{"tag":141,"children":187},[188],"OData-Fehlerobjekte."," Eine OData-V4-Fehlerantwort ist ein JSON-Objekt ",{"tag":191,"children":192},"code",[193],"error"," mit sprachunabhängigem ",{"tag":191,"children":196},[191],", einer Meldung, einem optionalen ",{"tag":191,"children":199},[200],"target",", das auf die fehlerhafte Eigenschaft zeigt, und einem Array ",{"tag":191,"children":203},[204],"details",". SAP CAP ergänzt eine numerische Schwere und zieht eine klare Linie: Eine ",{"tag":191,"children":207},[208],"ServiceException"," bricht ab und rollt zurück, während über die Messages-API ergänzte Meldungen die Verarbeitung nicht stoppen (",{"tag":177,"href":44,"children":211},[212],"SAP CAP","). Eine Warnung mit Target ist ein Bericht, kein Retry-Kandidat.",{"type":215,"head":216,"rows":227},"table",[217,219,221,223,225],[218],"Fehlerklasse",[220],"Erkennungssignal",[222],"Wiederholbar?",[224],"Sichere erste Aktion",[226],"Verantwortlich",[228,239,249,259,270],[229,231,233,235,237],[230],"Mapping, Validierung",[232],"IDoc 51 mit Feldmeldung; OData-Fehler mit Target",[234],"nein",[236],"Quarantäne, Ticket mit Feld",[238],"Integrationsteam",[240,242,244,245,247],[241],"Fehlende Stammdaten",[243],"IDoc 51, „Material nicht vorhanden“",[234],[246],"Quarantäne, Ticket",[248],"Stammdatenteam",[250,252,254,255,257],[251],"Kunden- oder Preissperre",[253],"Anwendungsmeldung bei Buchung",[234],[256],"Innendienst benachrichtigen",[258],"Vertrieb, Finanzen",[260,262,264,266,268],[261],"Verfügbarkeit, Zuteilung",[263],"ATP- oder Zuteilungsmeldung",[265],"manchmal",[267],"benachrichtigen, nach Nachschub erneut",[269],"Supply Chain",[271,273,275,277,279],[272],"Sperre, Timeout, 5xx",[274],"IDoc 51 bei Sperre; HTTP 5xx; Queue-Retry",[276],"ja, wenn idempotent",[278],"begrenzter Retry",[280],"Plattformteam",{"type":155,"level":156,"id":113,"text":114},{"type":138,"content":283},[284],"Jedes Signal in einen Datensatz normalisieren, zuerst mit Regeln klassifizieren, aus der Taxonomie entscheiden, innerhalb einer Freigabeliste handeln, das Geschehene festhalten und per Fingerabdruck deduplizieren. Das LLM ist ein Bestandteil des Klassifikators und nur für unstrukturierten Laufzeittext gedacht, auf den keine Regel passt.",{"type":286,"src":287,"alt":288,"wide":289,"caption":290},"image","\u002Fimages\u002Fblog\u002Ferp-integration-error-agent\u002Fdiagram-11.webp","Triage-Schleife für Integrationsfehler Sechs Stufen von links nach rechts: Signale aus IDoc-Statussätzen, Cloud-Integration-Logs, Queues und Dead Letter Queues, OData-Fehlerantworten und der Sync-Queue des Shops; ein Normalisierer, der daraus eine einheitliche Datensatzform macht; ein Klassifikator, der zuerst Regeln anwendet und ein LLM nur für unstrukturierten Laufzeittext nutzt; eine Entscheidung aus der Taxonomie; eine freigegebene Aktion wie Retry, Quarantäne, Benachrichtigung oder Ticket; und ein Dedup-Speicher, der Fingerabdrücke zählt, bekannte Vorfälle verknüpft und Runbook- und Mapping-Korrekturen zurückspielt.",true,"Die Triage-Schleife: Jedes Signal wird zu einer einheitlichen Datensatzform, Regeln entscheiden zuerst, und der Agent kann nur Aktionen aus einer kurzen Freigabeliste ausführen.",{"type":191,"code":292},"\u002F\u002F One record shape for every signal (sketch)\ntype IntegrationError = {\n  source: 'idoc' | 'cpi' | 'odata' | 'queue' | 'shop'\n  interface: string      \u002F\u002F e.g. \"ORDERS inbound\", \"stock sync\"\n  entityKey: string      \u002F\u002F order number, material, customer\n  code: string           \u002F\u002F IDoc status + message class\u002Fnumber, OData error code, DLQ reason\n  target?: string        \u002F\u002F OData target path or IDoc segment\u002Ffield\n  text: string           \u002F\u002F runtime message text: untrusted input for any LLM step\n  retryCount: number\n}\n\n\u002F\u002F Same class, same runbook: fingerprint without volatile values\nconst fingerprint = (e: IntegrationError) =>\n  sha256([e.source, e.interface, e.code, e.target ?? '', stripVolatile(e.text)].join('|'))\n\u002F\u002F stripVolatile removes ids, numbers and timestamps, so\n\u002F\u002F \"material 4711 not found\" and \"material 4712 not found\" share one fingerprint",{"type":138,"content":294},[295,296,299],"Der Fingerabdruck macht aus einer Flut eine Liste. Zweihundert fehlgeschlagene Auftrags-IDocs mit demselben fehlenden Material werden zu einem Vorfall mit Zähler und Liste betroffener Aufträge, verknüpft mit einem Ticket. Behandeln Sie den Laufzeittext als nicht vertrauenswürdige Eingabe: Er kann Zeichenketten des Kunden enthalten; der LLM-Schritt klassifiziert und fasst daher nur zusammen und entscheidet nie eine Aktion außerhalb der Taxonomie. Mein eigener ",{"tag":191,"children":297},[298],"jev-decide","-Skill hat dieselbe Form, eine typisierte Entscheidung mit Konfidenz, bei der niedrige Konfidenz an einen Menschen geht, und der Triage-Klassifikator sollte genau das liefern: Fehlerklasse, wiederholbar, Verantwortlicher, Konfidenz.",{"type":155,"level":156,"id":116,"text":117},{"type":138,"content":302},[303],"Ein Retry ist sicher, wenn der Fehler vorübergehend und die Operation idempotent ist, und er bleibt nur sicher, wenn die Versuche begrenzt und zeitlich verteilt sind. Alles andere ist Quarantäne plus Ticket. Ein Runbook ist eine kurze Liste benannter Aktionen je Fehlerklasse: automatischer Retry, Quarantäne mit Zuständigem, Benachrichtigung, Ticket mit Kontext oder Vorschlag einer Mapping-Änderung.",{"type":286,"src":305,"alt":306,"wide":289,"caption":307},"\u002Fimages\u002Fblog\u002Ferp-integration-error-agent\u002Fdiagram-16.webp","Retry-Entscheidungsbaum für Integrationsfehler Eine fehlgeschlagene Nachricht verzweigt in vier Klassen. Vorübergehende Fehler wie Timeouts, 5xx-Antworten und Sperren bekommen einen begrenzten Retry mit Backoff und Jitter, nur für idempotente Operationen. Daten- und Validierungsfehler wie ein fehlendes Material gehen in Quarantäne mit Ticket an das zuständige Team. Fehler aus Geschäftsregeln wie eine Kreditsperre benachrichtigen den Innendienst mit Kontext. Unbekannte Fehler aus Freitextmeldungen ordnet ein LLM ein, und Ergebnisse mit niedriger Konfidenz gehen an einen Menschen.","Der Retry-Entscheidungsbaum: Nur vorübergehende Fehler bei idempotenten Operationen werden wiederholt; Daten- und Geschäftsfehler gehen an die Menschen, denen die Korrektur gehört, und unbekannte Fehler werden mit einer Konfidenzschwelle eingeordnet.",{"type":138,"content":309},[310,311,314,315,319,320,184],"Idempotenz ist ein Vertrag auf Empfängerseite. Die Stripe-API ist die saubere Referenz: Ein Idempotenzschlüssel erlaubt es, eine Anfrage zu wiederholen, ohne die Operation doppelt auszuführen, und die Wiederverwendung eines Schlüssels mit anderen Parametern liefert einen Fehler (",{"tag":177,"href":62,"children":312},[313],"Stripe","). Jeder Aufruf, der einen Kundenauftrag, eine Lieferung oder eine Rechnung anlegt, braucht denselben Vertrag, bevor ein Agent ihn wiederholen darf; der doppelte Kundenauftrag ist der Fehler, der echtes Geld kostet, weshalb ",{"tag":149,"to":316,"children":317},"\u002Fblog\u002Fb2b-email-order-entry-llm",[318],"die automatisierte Auftragserfassung aus E-Mails"," den Schlüssel an den Anlageaufruf hängt. Backoff allein reicht auch nicht: In der AWS-Simulation mit 100 konkurrierenden Clients halbierte Full Jitter auf begrenztem exponentiellem Backoff die Zahl der Aufrufe mehr als (",{"tag":177,"href":65,"children":321},[322],"AWS",{"type":191,"code":324},"\u002F\u002F Capped exponential backoff with full jitter, for idempotent operations only\nfunction retryDelayMs(attempt: number, baseMs = 1_000, capMs = 60_000): number {\n  const ceiling = Math.min(capMs, baseMs * 2 ** attempt)\n  return Math.random() * ceiling\n}\n\nconst MAX_ATTEMPTS = 5   \u002F\u002F bounded: after that, quarantine and open a ticket",{"type":138,"content":326},[327,328,153],"Die Runbook-Bibliothek ist zugleich die Rückkopplung. Landet derselbe Fingerabdruck immer wieder in Quarantäne, schlägt der Agent dem Datenverantwortlichen per Ticket eine Mapping-Korrektur vor, mit Zähler, betroffenen Aufträgen und Beispiel-Payload. So verschwinden wiederkehrende Klassen, statt ewig bearbeitet zu werden. Retries bei LLM-API-Aufrufen folgen ähnlichen Regeln, aber einem anderen Fehlerbild, beschrieben in ",{"tag":149,"to":329,"children":330},"\u002Fblog\u002Fllm-rate-limits-retries-provider-fallback",[331],"LLM-Rate-Limits, Retries und Provider-Fallback",{"type":155,"level":156,"id":119,"text":120},{"type":138,"content":334},[335],"Wissen Sie genau, was in jeder Dead Letter Queue landet, denn die Regeln unterscheiden sich je Plattform, und ein Agent, der die falsche annimmt, übersieht Fehler. Drei Beispiele decken die meisten Stacks ab.",{"type":168,"ordered":169,"items":337},[338,349,360],[339,342,343,345,346,348],{"tag":141,"children":340},[341],"JMS-Queues in SAP Cloud Integration:"," Bei nicht exklusiven JMS-Queues, wie SAP 2017 dokumentiert hat, beträgt das Retry-Intervall standardmäßig eine Minute, exponentielles Backoff verdoppelt es nach jedem Fehlschlag, und ein Höchstintervall von 60 Minuten oder mehr wird empfohlen (",{"tag":177,"href":47,"children":344},[179],"). Die Dead Letter Queue ist dort eng gefasst: Sie nimmt Nachrichten auf, die wegen eines abgestürzten Knotens nicht verarbeitet werden konnten, zweimal wiederholt und dann für manuelle Bearbeitung geparkt; Nachrichten, die an einem Verarbeitungsfehler scheitern, landen dort nicht (",{"tag":177,"href":50,"children":347},[179],"). Neuere exklusive Queues verhalten sich anders; prüfen Sie, welche Art eine Schnittstelle nutzt.",[350,353,354,357,358,184],{"tag":141,"children":351},[352],"Amazon SQS:"," Eine Redrive-Policy mit ",{"tag":191,"children":355},[356],"maxReceiveCount"," verschiebt Nachrichten in eine Dead Letter Queue, deren Ablauf sich nach dem ursprünglichen Einreihungszeitpunkt richtet; ihre Aufbewahrung muss daher länger sein als die der Quell-Queue (",{"tag":177,"href":56,"children":359},[322],[361,364,365,368,369,372,373,376,377,380],{"tag":141,"children":362},[363],"Azure Service Bus:"," Dead-Letter-Nachrichten tragen ",{"tag":191,"children":366},[367],"DeadLetterReason"," und ",{"tag":191,"children":370},[371],"DeadLetterDescription",", etwa ",{"tag":191,"children":374},[375],"MaxDeliveryCountExceeded"," nach standardmäßig 10 Zustellungen, und Microsoft empfiehlt, Ausnahmetyp und Stacktrace in diese Felder zu schreiben (",{"tag":177,"href":59,"children":378},[379],"Microsoft Learn","). Das ist kostenlose Eingabe für den Klassifikator.",{"type":138,"content":382},[383,384,387,388,391],"Engines für dauerhafte Ausführung kodieren dieselben Regeln als Standard. Temporal wiederholt Activities mit exponentiellem Backoff, Faktor 2,0 von einer Sekunde Startintervall bis 100 Sekunden, behandelt maximal null Versuche als unbegrenzt und nennt in der Dokumentation fehlerhafte Eingabedaten als vernünftigen Fall für einen nicht wiederholbaren Fehler (",{"tag":177,"href":53,"children":385},[386],"Temporal","). Laufen Ihre Auftragsabläufe darauf, liest der Agent deren Fehler wie jedes andere Signal; die Plattform selbst ist in ",{"tag":149,"to":389,"children":390},"\u002Fblog\u002Ftemporal",[386]," besprochen.",{"type":155,"level":156,"id":122,"text":123},{"type":138,"content":394},[395,396,184],"Standardmäßig nur lesend, Aktionen nur aus einer Freigabeliste, ein Probelaufmodus, Freigaben je Aktionsklasse und ein vollständiger Audit-Trail. Die OWASP Top 10 für LLM-Anwendungen führen übermäßige Handlungsbefugnis, also mehr Funktionen, Rechte oder Autonomie für ein LLM-gesteuertes System als die Aufgabe braucht, in der Ausgabe 2025 als LLM06 (",{"tag":177,"href":71,"children":397},[398],"OWASP GenAI",{"type":400,"variant":401,"title":402,"body":403},"callout","warn","„Kundenstamm korrigieren“ ist nie eine Agentenaktion",[404],[405,406,153],"Der Agent darf einen idempotenten Aufruf wiederholen, eine Nachricht in Quarantäne nehmen, jemanden benachrichtigen oder ein Ticket mit Kontext anlegen. Stammdaten, Mappings oder Auftragsinhalte darf er nicht ändern, auch wenn er sich der Korrektur sicher ist. Solche Änderungen gehen als Vorschlag an das zuständige Team. Die Muster für diese Übergabe stehen in ",{"tag":149,"to":407,"children":408},"\u002Fblog\u002Fhuman-in-the-loop-ai-agents",[409],"Human-in-the-Loop für KI-Agenten",{"type":138,"content":411},[412],"Ein gutes Ticket ist der halbe Nutzen. Es enthält Schnittstelle, IDoc-Nummer oder Nachrichten-ID, Nachrichtenklasse und -nummer, Objektschlüssel, Fingerabdruck-Zähler, betroffene Aufträge und einen Link zum Runbook. Ich lege solche Tickets täglich über einen Jira-MCP-Server mit 20 Werkzeugen an, und der Unterschied zwischen einem Ticket mit und ohne Kontext lässt sich in Analystenminuten messen.",{"type":155,"level":156,"id":125,"text":126},{"type":138,"content":415},[416],"Er ist die Integrationszeit wert, die er freisetzt, und die fehlgeschlagenen Aufträge, die er sichtbar macht, bevor Kunden es merken. Für eingesparte Analystenstunden durch Triage-Automatisierung oder die Kosten eines fehlgeschlagenen B2B-Auftrags gibt es keine veröffentlichte Zahl; der Business Case stützt sich daher auf Kontextzahlen und Ihre eigene Basislinie.",{"type":168,"ordered":169,"items":418},[419,427],[420,423,424,184],{"tag":141,"children":421},[422],"Integrationslast:"," Der Connectivity Benchmark 2026 von MuleSoft, eine Umfrage unter 1.050 IT-Verantwortlichen von Oktober bis November 2025, berichtet, dass IT-Teams 36 % ihrer Zeit mit Entwurf, Bau und Test individueller Integrationen verbringen, dass eine durchschnittliche Organisation 957 Anwendungen betreibt, von denen 27 % verbunden sind, und dass 26 % der IT-Projekte ihren Termin verfehlten (",{"tag":177,"href":68,"children":425},[426],"MuleSoft",[428,431,432,436],{"tag":141,"children":429},[430],"Auftragsfehler treiben Abwanderung:"," In einer Studie von Sana Commerce mit 750 B2B-Einkäufern vom September 2024 berichteten 33 % von Auftragsfehlern durch ungenaue Webshop-Daten, und 75 % würden für ein besseres Erlebnis einen Lieferantenwechsel erwägen (",{"tag":177,"href":433,"children":434},"https:\u002F\u002Fprocurementmag.com\u002Fprocurement-strategy\u002Fsana-real-time-data-key-to-persuading-b2b-buyers",[435],"Procurement Magazine","; Anbieterumfrage).",{"type":138,"content":438},[439],"Für eine Leitung E-Commerce-Betrieb oder ERP-Integration: Erheben Sie vor dem Pilot vier Basiswerte, fehlgeschlagene Nachrichten pro Schnittstelle und Woche, Zeit bis zur Lösung je Fehlerklasse, Anteil ohne menschlichen Eingriff und manuelle Eingriffe pro fehlgeschlagenem Auftrag. Zählen Sie dann die wiederkehrenden Klassen, die durch Mapping-Korrekturen verschwinden; diese Zahl versteht ein COO.",{"type":155,"level":156,"id":128,"text":129},{"type":138,"content":442},[443],"Bauen Sie keinen, wenn das Nachrichtenvolumen gering ist, wenn jedes Signal bereits strukturiert ist, wenn es keine Beobachtbarkeit gibt, aus der man lesen kann, oder wenn das eigentliche Problem ein ungelöster Designfehler weiter vorn ist. In diesen Fällen gewinnt eine Regel-Engine mit Alarmierung, und ein LLM bringt Kosten und ein neues Fehlerbild, aber kein zusätzliches Signal.",{"type":155,"level":156,"id":131,"text":132},{"type":168,"ordered":289,"items":446},[447,449,451,453,455,457,459,461],[448],"Für den Pilot eine Schnittstelle und eine Fehlerklasse wählen, etwa eingehende Auftrags-IDocs.",[450],"Die Taxonomie aus echten Statuscodes und Fehlerobjekten schreiben, mit Verantwortlichem je Klasse.",[452],"Alle Signale in eine Datensatzform normalisieren und ohne veränderliche Werte Fingerabdrücke bilden.",[454],"Zuerst mit Regeln klassifizieren; nur unpassenden Freitext mit Konfidenzschwelle an das LLM geben.",[456],"Aktionen per Freigabeliste festlegen, im Probelauf starten und Freigaben je Aktionsklasse verlangen.",[458],"Nur idempotente Aufrufe wiederholen, begrenzt, mit Backoff und Jitter.",[460],"Jede Entscheidung und Aktion mit Fingerabdruck, Regel- oder Modellversion und Ergebnis protokollieren.",[462],"Die vier Kennzahlen als Basislinie erheben und wiederkehrende Klassen monatlich mit den Datenverantwortlichen durchgehen.",{"type":138,"content":464},[465,466,470],"Ein Triage-Pilot mit festem Umfang für eine Schnittstelle, mit schriftlicher Taxonomie, Runbook-Bibliothek, Dedup-Berichten und einem Vorher-nachher aus Ihren eigenen Logs, ist ein klar abgegrenztes Projekt. Wenn Sie Unterstützung bei der Planung möchten, sehen Sie sich meine ",{"tag":149,"to":467,"children":468},"\u002Fexpertise\u002Fb2b-ecommerce-developer",[469],"B2B-E-Commerce-Arbeit"," an.",{"type":155,"level":156,"id":134,"text":135},{"type":168,"ordered":289,"items":473},[474,477,480,483,486,489,492,495,498,501,504,507],[475],{"tag":177,"href":38,"children":476},[37],[478],{"tag":177,"href":41,"children":479},[40],[481],{"tag":177,"href":44,"children":482},[43],[484],{"tag":177,"href":47,"children":485},[46],[487],{"tag":177,"href":50,"children":488},[49],[490],{"tag":177,"href":53,"children":491},[52],[493],{"tag":177,"href":56,"children":494},[55],[496],{"tag":177,"href":59,"children":497},[58],[499],{"tag":177,"href":62,"children":500},[61],[502],{"tag":177,"href":65,"children":503},[64],[505],{"tag":177,"href":68,"children":506},[67],[508],{"tag":177,"href":71,"children":509},[70],[511,570,643,713],{"slug":512,"published":513,"minutes":514,"category":7,"tags":515,"keywords":520,"about":531,"sources":541,"cover":563,"og":564,"expertise":565,"locales":566,"lang":77,"title":567,"description":568,"coverAlt":569},"agent-tool-design-descriptions-errors","2026-10-17",11,[13,516,517,518,519],"Tool use","Function calling","MCP","Agent design",[521,522,523,524,525,526,527,528,529,530],"agent tool design","writing tool descriptions for llm","function calling best practices","tool use error handling","mcp tool design","tool calling is_error","how many tools should an agent have","tool search defer_loading","agent computer interface","llm tool schema design",[532,535,538],{"name":533,"url":534},"Intelligent agent","https:\u002F\u002Fen.wikipedia.org\u002Fwiki\u002FIntelligent_agent",{"name":536,"url":537},"Model Context Protocol","https:\u002F\u002Fmodelcontextprotocol.io\u002F",{"name":539,"url":540},"Poka-yoke","https:\u002F\u002Fen.wikipedia.org\u002Fwiki\u002FPoka-yoke",[542,545,548,551,554,557,560],{"title":543,"url":544},"Anthropic Engineering: Writing effective tools for agents, with agents (Sep 2025)","https:\u002F\u002Fwww.anthropic.com\u002Fengineering\u002Fwriting-tools-for-agents",{"title":546,"url":547},"Anthropic Engineering: Building effective agents (Dec 2024)","https:\u002F\u002Fwww.anthropic.com\u002Fengineering\u002Fbuilding-effective-agents",{"title":549,"url":550},"Claude Platform Docs: Define tools","https:\u002F\u002Fplatform.claude.com\u002Fdocs\u002Fen\u002Fagents-and-tools\u002Ftool-use\u002Fdefine-tools",{"title":552,"url":553},"Claude Platform Docs: Handle tool calls","https:\u002F\u002Fplatform.claude.com\u002Fdocs\u002Fen\u002Fagents-and-tools\u002Ftool-use\u002Fhandle-tool-calls",{"title":555,"url":556},"Claude Platform Docs: Tool search tool","https:\u002F\u002Fplatform.claude.com\u002Fdocs\u002Fen\u002Fagents-and-tools\u002Ftool-use\u002Ftool-search-tool",{"title":558,"url":559},"Model Context Protocol specification 2025-11-25: Tools","https:\u002F\u002Fmodelcontextprotocol.io\u002Fspecification\u002F2025-11-25\u002Fserver\u002Ftools",{"title":561,"url":562},"OpenAI API Docs: Function calling","https:\u002F\u002Fdevelopers.openai.com\u002Fapi\u002Fdocs\u002Fguides\u002Ffunction-calling","\u002Fimages\u002Fblog\u002Fagent-tool-design-descriptions-errors\u002Fcover.webp","\u002Fimages\u002Fblog\u002Fagent-tool-design-descriptions-errors\u002Fog.jpg","ai-engineer",[76,77,78],"Tools für KI-Agenten gestalten: Namen, Beschreibungen, Schemas und Fehlermeldungen","Agent-Tools, die richtig gewählt und aufgerufen werden: aufgabenorientierte Tools, Beschreibungen, Schemas, kompakte Antworten und verwertbare Fehlermeldungen.","Ein Sockel mit drei Schlitzen; über dem mittleren steht ein passend breiter Block, daneben zwei Blöcke falscher Breite.",{"slug":571,"published":513,"minutes":514,"category":7,"tags":572,"keywords":578,"about":591,"sources":601,"cover":637,"og":638,"expertise":565,"locales":639,"lang":77,"title":640,"description":641,"coverAlt":642},"coding-agents-legacy-codebase-migration",[573,574,575,576,577],"Legacy migration","Coding agents","Strangler fig","Testing","Code review",[579,580,581,582,583,584,585,586,587,588,589,590],"legacy code migration ai","coding agent legacy codebase","strangler fig pattern ai","characterization tests legacy code","ai code migration review","agent assisted refactoring","legacy modernization coding agent","differential testing migration","shadow traffic migration","ai code review gate","test harness before migration","llm code migration",[592,595,598],{"name":593,"url":594},"Legacy code","https:\u002F\u002Fen.wikipedia.org\u002Fwiki\u002FLegacy_code",{"name":596,"url":597},"Characterization test","https:\u002F\u002Fen.wikipedia.org\u002Fwiki\u002FCharacterization_test",{"name":599,"url":600},"Strangler fig pattern","https:\u002F\u002Fen.wikipedia.org\u002Fwiki\u002FStrangler_fig_pattern",[602,605,607,610,613,616,619,622,625,628,631,634],{"title":603,"url":604},"Martin Fowler: Strangler Fig (2024)","https:\u002F\u002Fmartinfowler.com\u002Fbliki\u002FStranglerFigApplication.html",{"title":606,"url":597},"Wikipedia: Characterization test",{"title":608,"url":609},"Google Research: Accelerating code migrations with AI (2024)","https:\u002F\u002Fresearch.google\u002Fblog\u002Faccelerating-code-migrations-with-ai\u002F",{"title":611,"url":612},"Ziftci et al.: Migrating Code At Scale With LLMs At Google (arXiv 2504.09691)","https:\u002F\u002Farxiv.org\u002Fabs\u002F2504.09691",{"title":614,"url":615},"Anthropic: Effective harnesses for long-running agents (2025)","https:\u002F\u002Fwww.anthropic.com\u002Fengineering\u002Feffective-harnesses-for-long-running-agents",{"title":617,"url":618},"Anthropic: Redesigning source control at Anthropic (2026)","https:\u002F\u002Fwww.anthropic.com\u002Fengineering\u002Fredesigning-source-control",{"title":620,"url":621},"METR: Measuring the Impact of Early-2025 AI on Experienced Open-Source Developer Productivity","https:\u002F\u002Fmetr.org\u002Fblog\u002F2025-07-10-early-2025-ai-experienced-os-dev-study\u002F",{"title":623,"url":624},"Chand et al.: Why Industry Migrates and When It Trusts LLMs (ESEM 2026)","https:\u002F\u002Fdrops.dagstuhl.de\u002Fentities\u002Fdocument\u002F10.4230\u002FLIPIcs.ESEM.2026.85",{"title":626,"url":627},"Li et al.: Environment-in-the-Loop: Rethinking Code Migration with LLM-based Agents (arXiv 2602.09944)","https:\u002F\u002Farxiv.org\u002Fabs\u002F2602.09944",{"title":629,"url":630},"AWS: Amazon Q Developer just reached a $260 million dollar milestone (2024)","https:\u002F\u002Faws.amazon.com\u002Fblogs\u002Fdevops\u002Famazon-q-developer-just-reached-a-260-million-dollar-milestone\u002F",{"title":632,"url":633},"OpenAI: Why SWE-bench Verified no longer measures frontier coding capabilities (2026)","https:\u002F\u002Fopenai.com\u002Findex\u002Fwhy-we-no-longer-evaluate-swe-bench-verified\u002F",{"title":635,"url":636},"GitHub Docs: About GitHub Copilot cloud agent","https:\u002F\u002Fdocs.github.com\u002Fen\u002Fcopilot\u002Fconcepts\u002Fagents\u002Fcoding-agent\u002Fabout-coding-agent","\u002Fimages\u002Fblog\u002Fcoding-agents-legacy-codebase-migration\u002Fcover.webp","\u002Fimages\u002Fblog\u002Fcoding-agents-legacy-codebase-migration\u002Fog.jpg",[76,77,78],"Legacy-Codebase mit Coding-Agenten migrieren: ein Strangler-Fig-Playbook","Wie Coding-Agenten eine Legacy-Migration tragen: Characterization-Tests zuerst, ein Seam pro Task, Review-Gates und differentielle Verifikation.","Ein Stapel Schichten, bei dem die obersten zwei durch neue ersetzt werden, daneben eine Naht und ein Haken.",{"slug":644,"published":513,"minutes":645,"category":7,"tags":646,"keywords":650,"about":662,"sources":672,"cover":707,"og":708,"expertise":565,"locales":709,"lang":77,"title":710,"description":711,"coverAlt":712},"background-agents-async-pr-workflow",12,[574,647,648,577,649],"Pull requests","CI","Automation",[651,652,653,654,655,656,657,658,659,660,661],"background coding agent","async coding agent","cloud coding agent pull request","copilot coding agent limits","codex cloud tasks","claude code cloud sessions","jules coding agent limits","agent pull request review","coding agent sandbox","agent CI gating","cost per merged pull request",[663,666,669],{"name":664,"url":665},"Software agent","https:\u002F\u002Fen.wikipedia.org\u002Fwiki\u002FSoftware_agent",{"name":667,"url":668},"Pull request","https:\u002F\u002Fen.wikipedia.org\u002Fwiki\u002FDistributed_version_control",{"name":670,"url":671},"Continuous integration","https:\u002F\u002Fen.wikipedia.org\u002Fwiki\u002FContinuous_integration",[673,674,677,680,683,686,689,692,695,698,701,704],{"title":635,"url":636},{"title":675,"url":676},"GitHub Docs: Risks and mitigations for Copilot cloud agent","https:\u002F\u002Fdocs.github.com\u002Fen\u002Fcopilot\u002Fconcepts\u002Fagents\u002Fcloud-agent\u002Frisks-and-mitigations",{"title":678,"url":679},"OpenAI Developers: Codex cloud environments","https:\u002F\u002Fdevelopers.openai.com\u002Fcodex\u002Fcloud\u002Fenvironments",{"title":681,"url":682},"Anthropic: Use Claude Code in the cloud","https:\u002F\u002Fcode.claude.com\u002Fdocs\u002Fen\u002Fclaude-code-on-the-web",{"title":684,"url":685},"Google Jules: Limits and plans","https:\u002F\u002Fjules.google\u002Fdocs\u002Fusage-limits\u002F",{"title":687,"url":688},"Google Jules: Getting started","https:\u002F\u002Fjules.google\u002Fdocs\u002F",{"title":690,"url":691},"GitHub Docs: About protected branches","https:\u002F\u002Fdocs.github.com\u002Fen\u002Frepositories\u002Fconfiguring-branches-and-merges-in-your-repository\u002Fmanaging-protected-branches\u002Fabout-protected-branches",{"title":693,"url":694},"GitHub Docs: Models and pricing for GitHub Copilot","https:\u002F\u002Fdocs.github.com\u002Fen\u002Fcopilot\u002Freference\u002Fcopilot-billing\u002Fmodels-and-pricing",{"title":696,"url":697},"OpenAI Developers: Codex pricing","https:\u002F\u002Fdevelopers.openai.com\u002Fcodex\u002Fpricing",{"title":699,"url":700},"Ehsani et al.: Where Do AI Coding Agents Fail? An Empirical Study of Failed Agentic Pull Requests in GitHub (MSR 2026, arXiv 2601.15195)","https:\u002F\u002Farxiv.org\u002Fabs\u002F2601.15195",{"title":702,"url":703},"Peralta et al.: Why Are Agentic Pull Requests Merged or Rejected? An Empirical Study (MSR 2026, arXiv 2605.22534)","https:\u002F\u002Farxiv.org\u002Fabs\u002F2605.22534",{"title":705,"url":706},"DORA: State of AI-assisted Software Development 2025","https:\u002F\u002Fdora.dev\u002Fdora-report-2025","\u002Fimages\u002Fblog\u002Fbackground-agents-async-pr-workflow\u002Fcover.webp","\u002Fimages\u002Fblog\u002Fbackground-agents-async-pr-workflow\u002Fog.jpg",[76,77,78],"Coding-Agenten im Hintergrund: Pull Requests, Queues und Review","Wie asynchrone Coding-Agenten Tasks einreihen, in Sandboxes laufen, Draft-PRs öffnen und CI passieren. Grenzen, Kosten, Review und Fehlerbilder.","Eine Karte in einer Ablage fächert sich zu fünf Feldern auf, alle Pfeile führen zu einer Seite hinter einem Tor.",{"slug":714,"published":715,"minutes":716,"category":7,"tags":717,"keywords":723,"about":735,"sources":743,"cover":776,"og":777,"expertise":565,"locales":778,"lang":77,"title":779,"description":780,"coverAlt":781},"context-rot-compaction-long-running-agents","2026-10-16",10,[718,719,720,721,722],"Context rot","Compaction","Context engineering","Long-running agents","Agent memory",[724,725,726,727,728,729,730,731,732,733,734],"context rot","context rot LLM","compaction AI agents","context engineering","long-running agents context window","Claude compaction API","context editing clear tool results","OpenAI responses compaction","lost in the middle LLM","agent context management","sub-agents context isolation",[736,739,742],{"name":737,"url":738},"Context window","https:\u002F\u002Fen.wikipedia.org\u002Fwiki\u002FLarge_language_model#Context_window",{"name":740,"url":741},"Attention (machine learning)","https:\u002F\u002Fen.wikipedia.org\u002Fwiki\u002FAttention_(machine_learning)",{"name":533,"url":534},[744,747,750,753,756,758,761,764,767,770,773],{"title":745,"url":746},"Chroma: Context Rot: How Increasing Input Tokens Impacts LLM Performance (Jul 2025)","https:\u002F\u002Fresearch.trychroma.com\u002Fcontext-rot",{"title":748,"url":749},"Liu et al.: Lost in the Middle: How Language Models Use Long Contexts (2023)","https:\u002F\u002Farxiv.org\u002Fabs\u002F2307.03172",{"title":751,"url":752},"Modarressi et al.: NoLiMa: Long-Context Evaluation Beyond Literal Matching (2025)","https:\u002F\u002Farxiv.org\u002Fabs\u002F2502.05167",{"title":754,"url":755},"Anthropic: Effective context engineering for AI agents (Sep 2025)","https:\u002F\u002Fwww.anthropic.com\u002Fengineering\u002Feffective-context-engineering-for-ai-agents",{"title":757,"url":615},"Anthropic: Effective harnesses for long-running agents (Nov 2025)",{"title":759,"url":760},"Claude API docs: Compaction at a token threshold","https:\u002F\u002Fplatform.claude.com\u002Fdocs\u002Fen\u002Fbuild-with-claude\u002Fcompaction-threshold",{"title":762,"url":763},"Claude API docs: Compaction on demand","https:\u002F\u002Fplatform.claude.com\u002Fdocs\u002Fen\u002Fbuild-with-claude\u002Fcompaction-on-demand",{"title":765,"url":766},"Claude API docs: Context editing","https:\u002F\u002Fplatform.claude.com\u002Fdocs\u002Fen\u002Fbuild-with-claude\u002Fcontext-editing",{"title":768,"url":769},"Claude API docs: Memory tool","https:\u002F\u002Fplatform.claude.com\u002Fdocs\u002Fen\u002Fagents-and-tools\u002Ftool-use\u002Fmemory-tool",{"title":771,"url":772},"OpenAI API docs: Compaction","https:\u002F\u002Fplatform.openai.com\u002Fdocs\u002Fguides\u002Fcompaction",{"title":774,"url":775},"Cognition: Don't Build Multi-Agents","https:\u002F\u002Fcognition.ai\u002Fblog\u002Fdont-build-multi-agents","\u002Fimages\u002Fblog\u002Fcontext-rot-compaction-long-running-agents\u002Fcover.webp","\u002Fimages\u002Fblog\u002Fcontext-rot-compaction-long-running-agents\u002Fog.jpg",[76,77,78],"Context Rot bei langlaufenden Agenten: Leeren, Compaction, Memory und Sub-Agenten","Warum die Genauigkeit von LLMs mit wachsendem Kontext sinkt und wie Leeren, Compaction, Notizen und Sub-Agenten lange Agentenläufe stabil halten.","Eine kleine Presse drückt einen hohen Blätterstapel zu einem kurzen, zwei Notizen zweigen ab.",1792337023439]