iterative-retrieval

Überblick über den Skill „iterative-retrieval“

Der iterative-retrieval-Skill ist ein Workflow-Muster, um das „Context Problem“ in agentischer Arbeit zu lösen: Ein Subagent startet mit zu wenig Information, um zu wissen, was er braucht, und tastet sich dann schrittweise an die richtigen Dateien, Begriffe und Muster heran. Er eignet sich besonders für Workflow-Designer, Codebase-Explorer und alle, die iterative-retrieval for Workflow Automation bauen, wenn ein erster Retrieval-Durchlauf typischerweise unvollständig ist.

Worauf es Nutzern meist wirklich ankommt, ist nicht die Theorie, sondern ob der Skill einem Agenten hilft, zwei typische Fehler zu vermeiden: zu viel Kontext zu senden und das Budget zu sprengen oder zu wenig Kontext zu senden und stecken zu bleiben. Der zentrale Mehrwert von iterative-retrieval ist, dass es die Suche in eine Schleife verwandelt statt in einen einmaligen Schuss ins Blaue.

Was iterative-retrieval löst

Nutzen Sie diesen Skill, wenn die Aufgabe von codebasespezifischem Kontext abhängt, der sich nicht im Voraus kennen lässt: Implementierungsmuster finden, relevante Dateien identifizieren oder Suchbegriffe nach dem ersten Ansatz präzisieren. Besonders hilfreich ist er, wenn ein Agent über ein großes Repo hinweg denken muss, ohne direkte menschliche Anleitung.

Warum dieser Skill sich unterscheidet

Anders als ein generischer Prompt, der nur sagt „schau dich um und entscheide dann“, gibt iterative-retrieval eine konkrete Retrieval-Schleife vor: ausführen, bewerten, verfeinern, wiederholen. Das macht es leichter, Subagents zu orchestrieren, vor allem wenn Ihr Prozess ein vorhersehbares Wachstum des Kontexts braucht statt breiter, verrauschter Datenmengen.

Typische Einsatzfälle mit dem besten Fit

Dieser Skill passt zu Architektur-Recherche, RAG-artiger Code-Exploration und Multi-Agent-Workflows, bei denen der erste Retrieval-Durchlauf bewusst unvollständig ist. Weniger sinnvoll ist er, wenn die Antwort bereits lokal vorliegt, das Repo sehr klein ist oder Sie die exakte Dateiliste im Voraus liefern können.

So verwenden Sie den Skill iterative-retrieval

Installieren und aktivieren

Verwenden Sie den Installationspfad Ihres Skill-Managers und verweisen Sie dann in Ihrem Agent-Workflow auf skills/iterative-retrieval/SKILL.md. Ein typisches Installationsmuster für iterative-retrieval in diesem Repository ist:

npx skills add affaan-m/everything-claude-code --skill iterative-retrieval

Rufen Sie den Skill am besten dann auf, wenn die Aufgabe von Kontextsuche abhängt — nicht erst, wenn Sie alle relevanten Dateien bereits manuell zusammengestellt haben.

Aus einem vagen Ziel einen brauchbaren Prompt machen

Der Skill funktioniert am besten, wenn Ihr Prompt dem Agenten ein Ziel, eine Grenze und eine Abbruchregel mitgibt. Ein guter Input sieht so aus:

• Ziel: „Finde den Auth-Flow und erkläre, wo das Token-Refresh gehandhabt wird.“
• Grenze: „Suche nur im Production-Code, nicht in Tests.“
• Einschränkung: „Halte jeden Retrieval-Durchlauf bei wenigen Dateien.“
• Erfolgskriterium: „Gib die kleinste Dateimenge zurück, die eine sichere Antwort trägt.“

Das ist wichtig, weil es bei iterative-retrieval usage darum geht, Kontext zu verfeinern — nicht darum, das Modell mit einer schwammigen Anfrage das ganze Repo erraten zu lassen.

Diese Dateien zuerst lesen

Beginnen Sie mit SKILL.md und prüfen Sie danach alle unterstützenden Doku-Dateien, die das Repo bereitstellt. In diesem Repo ist SKILL.md weiterhin der praktische Einstiegspunkt; wenn Ihre Installation nur den Skill-Text kopiert, ist das die maßgebliche Quelle. Lesen Sie danach, falls in Ihrer Umgebung vorhanden, die angrenzenden Workflow-Dokumente, damit Sie die Schleife mit Ihren eigenen Orchestrierungsregeln abgleichen können.

Die Retrieval-Schleife ausführen

Ein guter Ablauf ist: eine enge Suche auslösen, prüfen, ob der zurückgelieferte Kontext ausreicht, die nächste Suche anhand der fehlenden Informationen verfeinern und dann so lange wiederholen, bis der Agent genügend Belege hat, um zu handeln. Entscheidend ist, die in jedem Durchlauf neu entdeckten Begriffe mitzunehmen, statt dieselbe Anfrage nur anders zu formulieren.

FAQ zum Skill iterative-retrieval

Ist iterative-retrieval nur für große Codebasen?

Nein. Die Größe spielt zwar eine Rolle, aber der eigentliche Auslöser ist Unsicherheit. Wenn der Agent vor dem Lesen nicht vorhersagen kann, welche Dateien relevant sind, kann iterative-retrieval auch in einem mittelgroßen Repo helfen.

Wann sollte ich es nicht verwenden?

Verwenden Sie iterative-retrieval nicht, wenn die Aufgabe bereits klar abgegrenzt ist, die relevanten Dateien bekannt sind oder ein direkter Prompt mit festen Eingaben ausreicht. In solchen Fällen erzeugt die Schleife nur Zusatzaufwand, ohne die Antwort zu verbessern.

Ist das besser als ein normaler Prompt?

Für Discovery-Aufgaben: ja. Ein normaler Prompt unterstellt oft, dass das Modell den passenden Kontext von Anfang an erraten kann. Der iterative-retrieval-Leitfaden ist besser, wenn sich der Prompt nach dem Lesen partieller Ergebnisse anpassen muss und die Endantwort genau von dieser Anpassung abhängt.

Ist das anfängerfreundlich?

Ja, wenn Sie die Schleife wörtlich befolgen. Die eigentliche Lernkurve liegt nicht in der Syntax, sondern darin, einen ersten Retrieval-Durchlauf zu wählen, der klein genug für echten Nutzen und zugleich breit genug ist, um die richtige Terminologie sichtbar zu machen.

So verbessern Sie den Skill iterative-retrieval

Dem ersten Durchlauf ein schärferes Ziel geben

Der größte Qualitätssprung entsteht durch ein besseres anfängliches Framing. Statt „finde relevanten Code“ sollten Sie nach einem konkreten Verhalten, Subsystem oder Entscheidungspunkt fragen. Nennen Sie, was Sie bereits wissen, was Sie vermuten und was als brauchbarer Hinweis gelten würde. Das macht iterative-retrieval usage deutlich effizienter.

Auf typische Fehlermuster achten

Der häufigste Fehler ist Over-Retrieval: Der Agent zieht zu viele Dateien und lernt dann nicht mehr aus den Ergebnissen. Der andere Fehler ist Under-Retrieval: zu wenig Kontext, um den nächsten Suchbegriff zu erkennen. Wenn der erste Durchlauf nur generische Dateien liefert, verfeinern Sie die Anfrage über Terminologie, Aufrufstellen oder Einstiegspunkte statt die Suche einfach zu verbreitern.

Mit Belegen iterieren, nicht mit Vermutungen

Geben Sie nach der ersten Ausgabe nur die informativsten Artefakte zurück: Dateinamen, Funktionsnamen, Fehlermeldungen oder unbekannte Begriffe. Vermeiden Sie es, den Agenten einfach nur „noch einmal schauen“ zu lassen, ohne neue Hinweise zu liefern. Für iterative-retrieval for Workflow Automation liegt die stärkste Verbesserung darin, diese Evidenzschleife in Ihre Orchestrierung einzubauen, damit jeder Durchlauf den Suchraum tatsächlich verändert.

An Ihre Repository-Regeln anpassen

Wenn Ihre Umgebung Namenskonventionen, Ordnergrenzen oder Regeln für die Übergabe zwischen Agents hat, sollten Sie diese vor dem ersten Retrieval in den Prompt einbauen. Der Skill ist am stärksten, wenn er die tatsächliche Struktur Ihres Repos respektiert, statt jede Codebase wie ein generisches Suchproblem zu behandeln.