KM4BI KM4BI

Ich habe eine offene Engine gebaut, die Claude, ChatGPT und Codex verbindet

Open Engine nutzt eine gemeinsame Arbeitswarteschlange, damit mehrere KI-Agenten koordiniert arbeiten können, ohne jede Übergabe auf Menschen abzuwälzen.

Nate B. Jones stellt Open Engine als praktische Antwort auf das Koordinationsproblem zwischen KI-Agenten vor. Claude, ChatGPT, Codex, OpenClaw, Hermes und ähnliche Werkzeuge sind jeweils in unterschiedlichen Teilen eines Workflows nützlich, aber sie übergeben Arbeit nicht automatisch mit dem nötigen Kontext. Der Mensch wird dadurch oft zum Boten, zur Copy-and-paste-Strecke und zum Hüter des Zustands.

Die Grundidee

Open Engine verwandelt diesen menschlichen Flur in eine gemeinsame Arbeitswarteschlange. Das kann Linear, Jira, Kanban oder jedes andere System sein, in dem Menschen und Agenten lesen, schreiben, Status ändern und Nachweise hinterlassen können. Eine gute Aufgabe fragt nicht nur nach einer Antwort: Sie beschreibt ein Ergebnis, einen Verantwortlichen, relevanten Hintergrund, Handlungsgrenzen, die Definition von fertig und den erwarteten Abschlussbeleg.

Vom Prompt zur prüfbaren Arbeit

Das Video trennt klar zwischen einer punktuellen Anfrage und einem echten Arbeitsauftrag. Ein Prompt lässt das Ergebnis häufig in einem Chat stecken. Ein Arbeitselement kann dagegen geprüft, angenommen, eskaliert oder mit Quellen und Einschränkungen an einen anderen Agenten übergeben werden.

Warum das für Workflows wichtig ist

Open Engine soll menschliches Urteilsvermögen nicht ersetzen. Der Nutzen liegt darin, mechanische Übergaben zwischen mehreren Tools und Agenten zu reduzieren. Wenn ein Agent auf Unklarheit stößt, soll er die konkrete blockierende Frage im gemeinsamen Datensatz stellen; wenn er fertig ist, soll er einen klaren Beleg hinterlassen. Die Warteschlange wird so zum sichtbaren System of Record für echten Fortschritt.

Wichtigster Punkt

Nate beschreibt diese Lösung als Infrastruktur für eine Multi-Agenten-Ära: weniger private Chat-Silos, sichtbarere Status, portabler Kontext und klarere Arbeitsnachweise. Entscheidend ist nicht mehr nur, was ein Modell in einer Sitzung leisten kann, sondern was ein ganzes Agentensystem tragen kann, ohne den Nutzer in unsichtbare Koordinationsarbeit zu verwandeln.

Source