Der Artikel argumentiert, dass das klassische Muster – einem AI Agent eine generische Suchbox zu geben und ihn frei im Kontext wühlen zu lassen – strukturell fehleranfällig ist. Als Alternative schlägt der Autor typisierte Werkzeuge vor, die nur klar definierte Eingaben akzeptieren, kombiniert mit harten Obergrenzen (Hard Bounds), die unkontrolliertes Kontext-Crawling technisch verhindern. Das Herzstück des beschriebenen Ansatzes ist ein Knowledge-Graph, den der Agent schrittweise und regelgebunden abläuft, anstatt beliebig auf Rohdaten zuzugreifen. Ein zentrales Element ist das sogenannte Gate: eine Kontrollschranke, die der Agent sprachlich nicht umgehen kann – also eine strukturelle, nicht nur promptbasierte Sicherung. Um die praktische Wirksamkeit zu prüfen, wurden vier verschiedene Modelle mit diesem Setup getestet, wobei eine der Vorhersagen des Autors sich als falsch herausstellte – ein Befund, den er explizit thematisiert. Die Gegenüberstellung der Modellergebnisse soll zeigen, welche Architekturentscheidungen tatsächlich Einfluss auf das Verhalten haben und welche vor allem auf dem Papier attraktiv wirken. Der Beitrag richtet sich an Entwickler, die produktionsreife Agent-Systeme bauen, und liefert konkrete Designprinzipien statt abstrakter Empfehlungen.