Designer-RSI: Ein Agent mit eigenem Verfahrensgedächtnis

Ein neues Paper auf arXiv mit dem Titel „Designer-RSI: Evolving Procedural Memory from User Traffic for Agentic Graphic Design“ (arXiv:2609.22086), verfasst von Hongyang Du, Lan Yan, Christian Flores und Asim Kadav, stellt ein Framework vor, in dem ein sprachmodellgetriebener Agent eine Design-Software über mehr als 230 Werkzeuge bedient und dabei fortlaufend eine Bibliothek wiederverwendbarer Design-Prozeduren aufbaut, ein Verfahrensgedächtnis, das sich mit jeder echten Nutzeranfrage weiterentwickelt und verfeinert.

Warum Verfahrensgedächtnis statt episodisches Gedächtnis

Die meisten heutigen Agentensysteme stützen sich auf episodisches oder konversationelles Gedächtnis: sich merken, was in dieser Sitzung gesagt wurde, was gerade getan wurde. Das funktioniert für kurzlebigen Kontext, hilft aber wenig einem Agenten, der dieselben Design-Werkzeuge für hunderte ähnliche, aber nicht identische Anfragen wiederholt bedienen muss.

Sobald ein Gespräch endet, verschwindet die improvisierte Abfolge von Werkzeugaufrufen, mit der eine Aufgabe gelöst wurde, in der Regel mit ihm. Die zentrale Annahme von Designer-RSI lautet, dass nicht bewahrt werden sollte, „was passiert ist“, sondern „wie es gelöst wurde“ — eine abstrahierte, benennbare, wiederverwendbare Prozedur. Das ähnelt der Art, wie menschliche Experten tatsächlich arbeiten: Eine erfahrene Designerin entdeckt Softwarefunktionen nicht bei jedem Auftrag neu, sondern greift auf verinnerlichte Arbeitsabläufe zurück, die sie je nach Situation anpasst.

Ein Regressionsschutz für eine sich selbst umschreibende Skill-Bibliothek

Eine bemerkenswerte Designentscheidung ist ein Mechanismus, der verhindert, dass Verbesserungen an bestehenden Prozeduren Regressionen verursachen, und sicherstellt, dass eine neue Korrektur nicht heimlich etwas zerstört, das bereits funktioniert hat. Das ist entscheidend für ein System, das seine eigene Skill-Bibliothek über die Zeit hinweg fortlaufend umschreibt.

Ohne einen solchen Schutz würde jede Runde der „Verfeinerung“ das Risiko bergen, bereits erworbene Fähigkeiten still zu untergraben, sodass eine wachsende Skill-Bibliothek genauso leicht Risiko wie Kompetenz anhäufen könnte. Der Ansatz erinnert im Kern daran, wie sich die Softwaretechnik auf Regressionstests verlässt, um zu verhindern, dass Codeänderungen bestehende Funktionalität zerstören, nur dass hier nicht Quellcode, sondern die sich entwickelnde Prozedurbibliothek des Agenten selbst betroffen ist.

Warum Design ein besonders schwieriges Testfeld für Selbstverbesserung ist

Die Autoren argumentieren, dass Verfahrensgedächtnis einen praktischen Weg bietet, Agenten anzupassen, wenn Feedback verrauscht und schwer zu verifizieren ist, und genau diese Einordnung erklärt, warum Grafikdesign ein so anspruchsvoller Testfall ist. Ein mathematisches Problem hat eine eindeutige Lösung, Code läuft oder läuft nicht.

Ein Design-Ergebnis dagegen wird nach Geschmack, subjektiver Vorliebe und Kontext beurteilt, ohne einen Referenzwert, an dem man es direkt messen könnte. Das bedeutet, ein sich selbst verbesserndes System in diesem Bereich muss echten Fortschritt von Rauschen unterscheiden, ohne je ein sauberes binäres Signal zur Verfügung zu haben. Erfolgreiche Selbstverbesserung unter solchen Bedingungen zu erreichen, ist vermutlich schwieriger, als dasselbe in Bereichen zu erreichen, in denen Korrektheit klar überprüfbar ist.

Was die Zahlen nahelegen

Über 1.406 echte Nutzer-Designanfragen und 1.869 automatisierte Trajektorien hinweg wuchs die Skill-Bibliothek von 76 auf 139 Prozeduren, fast eine Verdopplung, während eine berichtete Kennzahl von 72,7 % auf 99,3 % stieg, begleitet von Gewinnraten zwischen 61,8 % und 67,6 % gegenüber Baseline-Modellen. Die Analyse bestätigte, dass sowohl Skill-Erwerb (Umgang mit zuvor unbehandelten Aufgaben lernen) als auch Prozedurverfeinerung (Verbessern bestehender Abläufe) substanziell zum Ergebnis beitrugen, ohne dass ein einzelner Mechanismus den gesamten Zugewinn trug.

Zusammengenommen verweisen diese Zahlen auf eine größere Lücke: Den meisten heute eingesetzten werkzeugnutzenden Agenten fehlt jeder eingebaute Weg, aus Wiederholung zu lernen. Jeder Aufruf wirkt wie der erste, und der durch dieses Fehlen liegen gelassene Spielraum könnte deutlich größer sein, als gemeinhin angenommen wird.