# Progressive Disclosure beim Lernen: Karten statt Auswendiglernen *2026-08-16* — Wie das Progressive-Disclosure-Muster beim Lernen neuer Domänen im Agenten-Zeitalter funktioniert — wann tief gehen, was an Agenten auslagern und wie man einen unverhältnismäßigen Vorteil ohne oberflächliches Vibe-Coding aufbaut. URL: https://dylanengelbrecht.dev/de/insights/progressive-disclosure-learning-with-agents.html Starke Lerner sind trainiert, ein System zu meistern, bevor sie das nächste anfassen. Diese Disziplin baute Karrieren in einer Ära auf, in der Dokumentation spärlich war und die Kosten der Exploration vor allem der Kalender waren. Coding-Agenten ändern die Kostenfunktion: Boilerplate-Exploration ist billig; Koordination, Urteil und Verifikation werden zum Engpass. Die Verschiebung heißt nicht „aufhören, tief zu verstehen“. Es geht um Neuallokation von Tiefe: von auswendig gelernte Oberfläche über jedes Framework hin zu einer navigierbaren Karte, tragfähigen Grundlagen und verifizierbaren Arbeitseinheiten — mit Agenten für Transkription, Retrieval und Implementierungsdetails unter Test. Koppeln Sie mit Wissen für KI-Agenten organisieren und Erste Schritte mit Cursor. ### Das alte Modell vs. das agenten-native Modell Sequentielle Meisterschaft: Stack A wählen, studieren bis fließend, dann Stack B. Funktioniert, wenn Stacks stabil sind. Karten-zuerst-Orchestrierung: Schichten skizzieren, vertikale Slices end-to-end fahren, tief bei Invarianten und Fehlermodi gehen, Agenten für Syntax und API-Churn nutzen — solange jede Einheit mit einem umgebungsgestützten Signal endet. Der Gewinner ist selten der mit jedem API im Kopf. Es ist der, der korrekte Arbeitseinheiten scoped, Agenten auf den richtigen Kontext zeigt und Logs mehr vertraut als fließender Prosa. ### Progressive Disclosure auf Lernen angewandt Progressive Disclosure — Detail in Schichten statt einem Riesendump (Nielsen Norman Group) — ist auch eine Lernstrategie, wenn das durchsuchbare Universum größer ist als jedes Arbeitsgedächtnis. Laden Sie in Reihenfolge: 1. Ein-Satz-Zweck. 2. Ein lauffähiger Pfad. 3. Drei Fehlermodi. 4. Ein kanonischer Link. 5. Tiefe bei Bedarf. Sie mappen Konzepte just-in-time, nicht just-in-case. ### Vier Schichten eines persönlichen Lernsystems Karte — was existiert, wie es verbunden ist, was Sie wirklich ausgeführt haben. Playbooks — Befehle und Checklisten. Grundlagen — tragfähige Konzepte. Ausführung — Code und Experimente in Versionskontrolle. Chat ist ephemeral; Git und Notizen sind Speicher für Agenten. ### Was tief lernen vs. was orchestrieren Tief lernen: Messung und Unsicherheit; Zeit und Konsistenz; Systemgrenzen; Sicherheit; experimentelle Methode. Indexieren und orchestrieren: SDK-Churn, Syntax, API-Details mit Spec und Testbefehl. ### Arbeitseinheiten, nicht Jobtitel Planen Sie vertikale Slices, nicht „Embedded lernen“ als Monolith. Folgen Sie Den Faden behalten: eine Session pro Einheit; mit Tests verifizieren, nicht mit zweitem LLM. ### Beispiel: Domänen kreuzen ohne zu ertrinken Wer stark in Python und Datensätzen ist und IoT, Embedded und Data Engineering kombinieren will: Karte mit Boxen — Gerät, Transport, Ingest, Store, Transform, Modell, Serve, Observe. Ein Begriff pro Box zum Lernen. Dann ein physikalischer Messwert end-to-end. Dasselbe Gerüst gilt für Backend→Mobile, Analyse→MLOps, Spiele→Live-Ops. ### Ein allgemeiner 90-Tage-Bogen Wochen 1–2: Karte. 3–5: Vertikaler Slice #1. 6–8: Slice #2 mit Operability. 9–12: Portfolio-Narrativ mit Architektur-Notiz und Agenten-Anweisungen. ### Ohne Hype beschreiben *Formulierung für Interview oder Kollegen* ``` Ich lagere nicht Denken aus, sondern Transkription und Boilerplate. Ich halte eine verifizierbare Systemkarte und nutze Agenten, um Implementierungsdetails unter Test zu traversieren. Mein Vorteil: experimentelle Disziplin plus schnellere Iteration über Schichten. ``` ### „Tief lernen“ im Agenten-Zeitalter neu rahmen Tief bei Invarianten. Tief bei einem vertikalen Slice. Breit auf der Karte. Sie werden nicht oberflächlich — Sie werden Principal Investigator mit schnellem Labor, solange Sie Diffs lesen und Verifikation ablehnen, die scheitert. ### Zusammenfassung Sequentielle Meisterschaft über jedes Framework ist eine Pre-Agent-Strategie. Der agenten-native Lerner baut eine Progressive-Disclosure-Karte, fährt verifizierbare vertikale Slices und nutzt Coding-Agenten für Implementierungs-Churn unter Test. Dylan Engelbrecht aktualisiert diesen Knowledge Hub häufig — lebendige Referenz, kein eingefrorenes Lehrbuch.