Context Engineering
Context Engineering (Kontextgestaltung) ist die Praxis, alles auszuwählen und zu pflegen, was während einer Aufgabe in das Kontextfenster eines Sprachmodells gelangt: Anweisungen, abgerufene Dokumente, Tool-Definitionen, Tool-Ergebnisse und Gesprächsverlauf.
Von Divya Sharma · Geprüft am 15. Nov. 2026 · So testen wir
Ein Modell weiß nur, was in seinen Trainingsdaten steckt und was ihm bei jedem Aufruf vorliegt. Context Engineering befasst sich mit dem zweiten Teil. Es fragt bei jedem Schritt, welche Informationen das Modell jetzt braucht und was weggelassen werden kann.
Warum es wichtig ist
Agenten laufen in Schleifen. Jeder Tool-Aufruf, jede gelesene Datei und jedes Suchergebnis fügt Tokens hinzu, und die Eingabe wächst mit jedem Durchlauf. Das Engineering-Team von Anthropic argumentiert, dass Kontext als endliche Ressource mit abnehmendem Ertrag behandelt werden sollte: Je größer die Eingabe, desto schlechter erinnern sich Modelle an ihren Inhalt. Dieser Abfall wird oft Context Rot genannt. Mehr Kontext ist nicht automatisch besserer Kontext.
Gängige Techniken
- Den System-Prompt kurz und konkret halten. - Nur relevante Passagen abrufen, wie bei Retrieval-Augmented Generation, statt ganze Dokumente einzufügen. - Alte Durchläufe zusammenfassen oder kürzen, bekannt als Kontextverdichtung. - Notizen außerhalb des Fensters speichern und bei Bedarf neu laden, eine Form von Agenten-Gedächtnis. - Eng umrissene Aufgaben an Subagenten geben, damit deren Arbeitsdetails nicht im Haupt-Thread landen.
Der Unterschied zu Prompt Engineering
Prompt Engineering ist meist eine einmalige Aufgabe: eine gute Anweisung schreiben. Context Engineering wiederholt sich in jedem Durchlauf, weil sich die Menge möglicher Informationen ständig ändert, während der Agent arbeitet. Anthropic beschreibt es als natürliche Weiterentwicklung des Prompt Engineering.
Beispiel
Ein Coding-Agent, der einen fehlschlagenden Test reparieren soll, schneidet besser ab, wenn er den Test, den Fehler und die getestete Funktion bekommt, als wenn er das ganze Repository bekommt. Die Kunst liegt darin, diese kleine, relevante Menge auszuwählen und sie aufzufrischen, während die Arbeit vorangeht.
Verwandte Begriffe
- Prompt Engineering
- Prompt Engineering ist die Praxis, die Anweisungen und Beispiele für ein Sprachmodell so zu schreiben, zu strukturieren und zu testen, dass es die Ausgabe liefert, die eine Anwendung braucht, ohne die Gewichte des Modells zu ändern.
- Agenten-Gedächtnis
- Agenten-Gedächtnis (Agent Memory) umfasst die Techniken, mit denen ein KI-Agent Informationen über ein einzelnes Kontextfenster hinaus behält, etwa Fakten über einen Nutzer oder frühere Arbeit, indem er sie außerhalb des Modells speichert und bei Bedarf wieder lädt.
- Retrieval-Augmented Generation
- Retrieval-Augmented Generation (RAG, abrufgestützte Generierung) ist ein Muster, bei dem ein System zuerst eine Dokumentensammlung nach Passagen durchsucht, die für eine Frage relevant sind, und diese Passagen dann einem Sprachmodell gibt, damit seine Antwort darauf aufbaut.
- Kontextfenster
- Ein Kontextfenster (Context Window) ist die maximale Textmenge, gezählt in Tokens, die ein Sprachmodell auf einmal berücksichtigen kann, einschließlich System-Prompt, Unterhaltung, Dokumenten, Tool-Ergebnissen und der Antwort, die es schreibt.
- Context Rot
- Context Rot (Kontextverfall) ist der Rückgang von Genauigkeit und Zuverlässigkeit eines Sprachmodells, wenn seine Eingabe länger wird, selbst wenn die Eingabe noch ins Kontextfenster passt und die benötigte Information vorhanden ist.
- Kontextverdichtung
- Kontextverdichtung (Context Compaction) ist der Schritt, in dem ein Agent eine Unterhaltung zusammenfasst, die an die Grenze ihres Kontextfensters kommt, und in einem frischen Fenster weitermacht, das mit dieser Zusammenfassung beginnt, damit eine lange Aufgabe fortgesetzt werden kann.