Fork-and-Flush: KI-Agenten werden besser, wenn man den Chatverlauf löscht

Dieselbe Aufgabe, derselbe Agent, acht Läufe: Die Endergebnisse lagen zwischen 68,3 und 100,0 Punkten, und mehr Rechenzeit schloss die Lücke nicht. Das ist der Ausgangsbefund des arXiv-Papers Fork-and-Flush, eingereicht am 5. Oktober 2026. The Decoder berichtete am 12. Oktober und ordnet die Autoren Microsoft Research zu; auf der arXiv-Seite stehen keine Zugehörigkeiten. Die Lösung klingt zunächst widersinnig: Man löscht das Gedächtnis des Agenten, behält aber seine Arbeitsergebnisse.

Das Problem: Ideen-Becken

Autoresearch-Agenten arbeiten stunden- bis tagelang an einer Aufgabe, schreiben Code, messen und verbessern. Die Autoren sehen, dass einzelne Läufe in einem kleinen Bereich des Lösungsraums hängen bleiben. Sie nennen diese Bereiche „Idea Basins". Das gilt auch dann, wenn der Agent seinen Verlauf zwischendurch komprimiert. Ein Zweig, der den Kontext des Elternlaufs behält, tendiert laut Paper dazu, wieder im selben Becken zu landen, weil frühere Überlegungen seine nächsten Schritte lenken.

Das Verfahren

Code und Dateien überleben den Flush, Argumentation und Zwischenüberlegungen nicht. Der neue Zweig sieht, was gebaut wurde, aber nicht, warum der alte Gedanke dazu geführt hat. So kann er einen anderen Weg einschlagen.

Die Zahlen

13 Aufgaben mit Laufzeiten von einigen Stunden bis über 100 Stunden, darunter Polyomino-Packung, Job-Shop-Scheduling, Kryptoanalyse, die Verkleinerung eines CIFAR-Klassifikators und die Optimierung eines VLIW-Kerns. Die Werte sind pro Aufgabe auf 0 bis 1 normiert und gemittelt, bei gleichem Rechenbudget.

Zusätzlich hob reines Flushen ohne Verzweigung auf 11 Aufgaben den Mittelwert von 0,45 auf 0,55, rund 22 Prozent. Die Streuung zwischen Läufen sank dagegen erst mit dem vollen Verfahren, von 0,26 beim Einzellauf auf 0,16 bei Fork-and-Flush. In einer Nebenstudie mit MAX-3-SAT und Qwen3.5 in 4, 9 und 27 Milliarden Parametern folgte die Varianz einer umgekehrten U-Kurve mit dem Höhepunkt bei Aufgaben an der Leistungsgrenze des Modells. Die Autoren erwarten, dass die Streuung auch bei stärkeren Modellen bleibt und nur zu schwereren Aufgaben wandert.

Was die Zahlen nicht zeigen

Die Blogseite explainx.ai weist darauf hin, dass ihr nur das arXiv-Abstract und der Decoder-Bericht vorlagen. Das ganze Paper hat sie nicht gelesen. Daraus ergeben sich offene Punkte:

• Es sind nur zwei Agentenmodelle im Hauptversuch, acht Läufe für die Plateau-Beobachtung und 13 Aufgaben.
• Alle Aufgaben sind Optimierungsprobleme mit Messwert. Mehrdatei-Umbauten in unordentlichen Repositories sind nicht untersucht.
• Der Vergleich gilt bei gleichem Rechenbudget. Laufzeit, Koordinationsaufwand und die Kosten der Bewertung sind getrennte Fragen.
• Zu dem Paper ist kein Code-Repository verlinkt. Nachbauten werden voneinander abweichen.

The Decoder fasst selbst vorsichtig zusammen: Die Ergebnisse legen nahe, dass regelmäßige Kontext-Neustarts auch bei stärkeren Agenten nützlich bleiben können. Bewiesen ist das nicht.

Was sich für eigene Agenten ableiten lässt

Die folgenden Punkte stammen aus dem explainx-Blog, nicht von den Paper-Autoren, und sind als Anregung für lange Läufe gedacht:

1. Zustand in Dateien halten: Notizen, Ergebnisprotokoll, Code.
2. Den Kontext nach Zeitplan oder bei einem Plateau zurücksetzen, mit kurzer Übergabenotiz.
3. Dem neuen Gespräch sagen, was gescheitert ist, nicht die Begründung, die zum alten Ansatz führte.
4. Einen objektiven Messwert behalten.

Für Chat-Anwendungen mit Menschen im Gespräch gilt das nicht. Dort ist der Verlauf der Auftrag. Es betrifft Agenten, die allein über Stunden an einem messbaren Ziel arbeiten, etwa Optimierungs- oder Tuning-Aufgaben.

Weiterführende Quellen

• arXiv:2610.07447: Fork-and-Flush, Escaping Idea Basins in Autoresearch Agents: Abstract, Autoren, Einreichung am 5. Oktober 2026
• The Decoder: Fork-and-Flush: Bericht vom 12. Oktober 2026 mit Benchmarks und Zahlen
• explainx.ai: Fork-and-Flush und Idea Basins: Einordnung, Grenzen und Praxisvorschläge