ai-agent-papers: eine kuratierte Papersammlung mit Vier-Schichten-Taxonomie

Das Problem: Paperlisten, die niemand mehr liest

Wer Agentenarchitekturen baut, kennt das Muster. Eine Awesome-Liste wächst auf mehrere hundert Einträge, jeder mit Titel und Link, und nach zwei Wochen ist die Liste selbst das Problem. Der Autor dieses Repositories formuliert die Gegenposition im README recht offen: es werde nicht Vollständigkeit angestrebt, sondern es würden nur Papers aufgenommen, die einen eigenständigen neuen Ansatz oder ein neuartiges Konzept zeigen. Das ist eine redaktionelle Entscheidung, keine technische. Sie verschiebt die Arbeit vom Sammeln zum Auswählen, und sie macht das Repository für eine bestimmte Leserschaft nützlich: für Ingenieure und Forschende, die einen Überblick über Richtungen suchen, nicht über jede Veröffentlichung. Die Zielgruppe ergibt sich aus der Gliederung. Die vier Schichten capabilities, architecture, operations und applications spiegeln die Fragen wider, die beim Bauen eines Agenten tatsächlich auftreten: Was kann er, wie ist er gebaut, wie wird er betrieben, wo wird er eingesetzt.

Die Vier-Schichten-Taxonomie als eigentliches Produkt

Der interessanteste Teil des Repositories ist nicht die Paperliste, sondern die Datei TAXONOMY.md. Das README verweist auf sie als vollständige Verzeichniskarte und als Regelwerk dafür, wo ein Paper einsortiert wird. Die erste Schicht, Agent Capabilities, zerfällt in Core Cognition (Reasoning, Planning, Ideation, Perception), Knowledge & Context (Memory, Context Engineering, Knowledge Graphs & Ontology), Action (Tool Use, Skills), Adaptation & Self-Improvement (Exploration, Experience & Trajectory Learning, Failure Attribution & Error Localization, Self-Correction, Verification, Self-Evolution, Agent Tuning) und Trust & Measurement (Safety, Agent Evaluation). Die zweite Schicht, Architecture, kennt nur drei Dateien: Agent Design & Frameworks, Multi-Agent Systems und Harness. Die dritte Schicht, Operations & Interaction, trennt AgentOps & Observability, Human-AI Interaction & UX und Governance & Governed Self-Improvement. Die vierte Schicht, Applications, ist dreifach unterteilt, nach Schnittstelle (Embodied, Computer-Use, Web, Mobile), nach Domäne (Finance, Enterprise, AI Scientist, Vertical) und nach Systemmuster (Coding, Data, Deep Research, World Simulation).

Wie die Einordnung in der Praxis aussieht

Jede Kategorie ist eine Markdown-Datei mit einer datumsgeordneten Leseliste. Das README zeigt die relativen Pfade, etwa capabilities/core-cognition/reasoning.md oder applications/system/coding-agents.md. Wer ein Paper sucht, liest also nicht eine flache Liste, sondern navigiert über die Taxonomie. Das hat eine Konsequenz, die man kennen sollte: die Qualität der Sammlung hängt an der Qualität der Einsortierung. Ein Paper über Fehleranalyse in Multi-Agenten-Systemen kann je nach Blickwinkel unter capabilities/adaptation/failure-attribution.md oder unter architecture/multi-agent.md landen. Das README legt fest, dass TAXONOMY.md die Regeln enthält, nennt diese Regeln aber nicht im Fließtext. Wer die Sammlung produktiv nutzt, muss diese Datei also selbst lesen, bevor er sich auf die Struktur verlässt.

Badges, Newsletter und das Skript, das die Zahlen erzeugt

Die Klammerzahlen im README sind kein manuell gepflegter Text. Das README nennt den Befehl python scripts/update_readme_badges.py und erklärt, dass die Badges Papers der letzten zwei Monate anzeigen, während die Cluster-Überschriften die Summe bilden. Das ist der einzige im Material sichtbare Automatisierungsschritt, und er betrifft nur die Darstellung, nicht die Auswahl. Ein zweites Artefakt sind die Trend-Newsletter im Ordner newsletters, sortiert nach Jahr und Monat, mit Dateien wie harness_trends.md oder self_evolution_trends.md. Ab 2026-06 wird laut README jedes Paper im arXiv-HTML-Volltext gelesen und werden Abbildungen zitiert; die Fakten sollen durch mehrere Papers belegt sein. Der Erstellungsprozess liegt in .claude/skills/newsletter. Bemerkenswert ist die Sprachmischung: die Newsletter-Überschrift ist japanisch (研究トレンド), der Rest des README englisch, die Dateinamen englisch. Für ein internationales Publikum ist das eine kleine Hürde, aber keine inhaltliche.

Inbetriebnahme: Klonen, lesen, Skript ausführen

Es gibt hier nichts zu installieren. Das Repository ist eine Sammlung von Markdown-Dateien plus einem Python-Skript. Der übliche Weg ist git clone mit dem Repository-Namen, danach das Öffnen von README.md und TAXONOMY.md. Für die Aktualisierung der Badges nennt das README genau einen Befehl: python scripts/update_readme_badges.py. Weitere Konfigurationsschlüssel, Umgebungsvariablen oder Abhängigkeitsdateien werden im vorliegenden Material nicht erwähnt. Ob das Skript zusätzliche Pakete benötigt, ob es Netzwerkzugriff auf die arXiv-API hat oder ob es nur lokale Dateien liest, lässt sich aus dem README nicht ableiten. Wer das Skript einsetzen will, muss scripts/update_readme_badges.py selbst lesen. Das ist keine Kleinigkeit: die Badge-Zahlen sind das sichtbarste Signal im README, und ohne Kenntnis des Skripts weiß man nicht, worauf sie sich genau beziehen.

Die Lizenzfrage bleibt offen

Für das Repository ist keine Lizenz angegeben. Das ist bei kuratierten Listen nicht ungewöhnlich, aber es hat Folgen. Ohne Lizenzdatei ist nicht geregelt, ob und unter welchen Bedingungen Inhalte weiterverwendet, kopiert oder in eigene Sammlungen übernommen werden dürfen. Das betrifft nicht die verlinkten Papers selbst, die jeweils eigenen Lizenzbedingungen unterliegen, sondern die kuratierten Beschreibungen, die Taxonomiestruktur und die Newsletter-Texte. Wer die Struktur als Vorlage für ein eigenes Repository nutzen will, sollte das vorab klären. Eine rechtliche Bewertung kann hier nicht erfolgen, und sie sollte auch nicht aus dem Fehlen einer Datei abgeleitet werden. Faktisch heißt es: der Nutzungsrahmen ist undokumentiert.

Grenzen: Auswahl ist eine Meinung, und Pflege kostet Zeit

Die kuratierte Auswahl ist Stärke und Schwachstelle zugleich. Das README sagt selbst, dass nur Papers aufgenommen werden, die einen eigenständigen neuen Ansatz zeigen. Wer wissen will, ob ein bestimmtes bekanntes Paper enthalten ist, bekommt keine Garantie. Für eine vollständige Literatursuche ist das Repository das falsche Werkzeug. Ein weiterer Punkt ist der Pflegeaufwand. Das README nennt wöchentliche Arxiv-Suchen und eine Aktualisierung der Papers alle zwei Wochen. Dazu kommen monatliche Newsletter, die laut Beschreibung eine Volltextlektüre und Abbildungszitate erfordern. Das ist ein redaktioneller Prozess, der an einer Person oder einem kleinen Team hängt. Fällt er aus, veralten die Klammerzahlen und die Newsletter-Reihe bricht ab. Das Material enthält keine Angaben zu Mitwirkenden, Reviewprozess oder Aufnahmekriterien jenseits des einen Satzes zur Neuartigkeit. Wer die Sammlung zitiert, sollte das berücksichtigen.

Alternative: Awesome-Listen und Primärquellen

Das README nennt selbst drei verwandte Sammlungen: LLM Agents Papers von zjunlp, Awesome LLM-Powered Agent von hyp1231 und Awesome LLM agents von kaushikb11. Der Unterschied liegt im Ansatz. Diese Listen sind in der Regel breiter und weniger selektiv, oft nach Themen gruppiert, aber ohne eine so explizite Schichtung wie capabilities, architecture, operations und applications und ohne monatliche Trendauswertung. Wer eine möglichst große Abdeckung braucht, ist dort besser bedient. Wer dagegen eine kleine, kommentierte Auswahl mit Einordnung sucht, findet sie hier. Eine dritte Option ist, direkt in arXiv zu suchen und Papers selbst zu bewerten. Das kostet mehr Zeit, liefert aber eine Auswahl, die zur eigenen Fragestellung passt. Die Newsletter dieses Repositories sind insofern ein Zwischenweg: sie behaupten, mehrere Papers gegeneinander zu stellen und Abbildungen zu zitieren, was über eine reine Linkliste hinausgeht.

Redaktionelles Fazit

Wer eine kleine, kommentierte Auswahl statt einer endlosen Liste sucht, findet hier eine brauchbare Struktur. Wer Vollständigkeit, Lizenzklarheit oder reproduzierbare Metriken braucht, sollte vor der Nutzung prüfen, ob eine LICENSE-Datei im Repository liegt, ob TAXONOMY.md die eigenen Kategorien abdeckt und ob der letzte Push aktuell genug ist. Ohne diese drei Prüfungen bleibt die Sammlung eine Leseempfehlung mit ungeklärtem Nutzungsrahmen.

Offizielle Quellen

1. Issues
2. masamasa59/ai-agent-papers on GitHub
3. README