Zum Inhalt springen
ReviewRamble

Der wöchentliche Brief

KI im Test, in deinem Postfach.

  • Neue Tests von Tools, Modellen, MCP-Servern und Repos, mit dem Urteil vorneweg
  • Neu geprüfte Preise und Bewertungen, wenn sich etwas ändert
  • Neue Analysen, sobald sie erscheinen

Modelle, Agenten, MCP-Server und die Tools, die deine Zeit wirklich wert sind.

Eine E-Mail pro Woche. Abmelden kannst du dich über den Link in jedem Brief. Wie wir deine E-Mail-Adresse nutzen

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.

Auch: context length, max tokens, long context, 1M context

Von Divya Sharma · Geprüft am 15. Nov. 2026 · So testen wir

Das Kontextfenster ist das Arbeitsgedächtnis des Modells für eine Anfrage. Es ist getrennt von dem, was das Modell im Training gelernt hat. Was nicht im Fenster steht, kann das Modell nicht sehen.

Was zählt

Alles, was du schickst, zählt: der System-Prompt, jede frühere Nachricht, eingefügte Dokumente, Bilder, Tool-Definitionen und Tool-Ergebnisse. Auch die Ausgabe zählt, einschließlich verborgener Denkschritte. Größen werden in Tokens gemessen, nicht in Wörtern oder Zeichen.

Langer Kontext

Langer Kontext (Long Context) bezeichnet Modelle mit sehr großen Fenstern. Die Dokumentation von Anthropic nennt zum Beispiel je nach Modell ein Kontextfenster von bis zu 1M Tokens. Ein Label wie „1M Kontext“ bedeutet, dass etwa eine Million Tokens in eine Anfrage passen. Das reicht für eine große Codebasis oder mehrere lange Berichte.

Grenzen

Ein größeres Fenster ist nicht automatisch besser. Anthropic weist darauf hin, dass Genauigkeit und Erinnerungsvermögen mit wachsender Tokenzahl nachlassen, ein Effekt namens Context Rot. Lange Prompts kosten außerdem mehr und dauern länger, und der KV-Cache, der sie hält, belegt Speicher auf dem Server. Deshalb ist Context Engineering, also die Auswahl dessen, was ins Fenster kommt, genauso wichtig wie seine Größe.

Verwandte Begriffe

Token (LLM)
Ein Token (LLM) ist die Grundeinheit von Text, die ein Sprachmodell liest und schreibt, oft ein Wort, ein Wortteil, ein Satzzeichen oder ein Byte. Preise, Geschwindigkeit und Kontextgrenzen werden alle in Tokens gezählt.
KV-Cache
Ein KV-Cache speichert die Attention-Keys und -Values, die ein Transformer für frühere Tokens bereits berechnet hat, sodass jedes neue Token nur Arbeit für sich selbst braucht. Er beschleunigt die Generierung, belegt aber GPU-Speicher, der mit der Kontextlänge wächst.
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.
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.
Output-Tokens
Output-Tokens sind die Tokens, die ein Sprachmodell in seiner Antwort erzeugt. Sie werden getrennt von Input-Tokens gezählt und abgerechnet, und eine Einstellung namens max_tokens begrenzt, wie viele eine Antwort enthalten darf.

Quellen