Context Engineering ist die Praxis, zu entscheiden, was ein großes Sprachmodell bei jedem Aufruf in seinem Kontextfenster sieht: Systemanweisungen, Tool-Definitionen, abgerufene Dokumente, Gesprächsverlauf, Gedächtnis und Tool-Ergebnisse. Ziel ist, dass das Modell in jedem Schritt genau die High-Signal-Informationen bekommt, die es braucht. Der Begriff verbreitete sich im Juni 2025; Anthropic definierte ihn in einem Leitfaden vom September 2025 als die Strategien, mit denen während der Inferenz die optimale Menge an Tokens kuratiert und gepflegt wird.
Worin unterscheidet es sich von Prompt Engineering und RAG?
Die drei haben unterschiedliche Reichweiten. Prompt Engineering schreibt eine gute Anweisung. RAG holt ein paar relevante Passagen aus einer Wissensdatenbank ins Fenster. Context Engineering steuert alles, was in jeder Runde ins Fenster hinein- und herausgeht: welche Anweisungen geschrieben werden, welche Dokumente abgerufen werden, wie viele Runden Verlauf bleiben, wie alte Aufzeichnungen komprimiert werden und ob Tool-Ergebnisse nach Gebrauch gelöscht werden. LangChain fasste die gängigen Techniken im Juli 2025 in vier Gruppen zusammen: Schreiben, Auswählen, Komprimieren und Isolieren.
Ein größeres Fenster bedeutet nicht, dass das Modell mehr leisten kann. Chroma testete im Juli 2025 18 Modelle und stellte fest, dass die Leistung mit wachsender Eingabelänge immer unzuverlässiger wird, ein Phänomen, das oft als Context Rot bezeichnet wird. Tokens sind außerdem Geld: Ein vollgestopftes Fenster kostet mehr und senkt die Qualität, das Filtern selbst spart also.
Drei häufige Missverständnisse
Das erste Missverständnis ist die Gleichsetzung mit Prompt Engineering. Ein guter Prompt ist nur ein Teil der Arbeit; Tools, Gedächtnis und Verlauf müssen ebenfalls verwaltet werden. Das zweite ist der Glaube, mehr abgerufenes Material sei immer besser: Inhalte mit schwachem Signal können die entscheidenden Fakten aus der Aufmerksamkeit des Modells verdrängen. Das dritte ist der Glaube, man könne es einmal einrichten und dann vergessen. Jede Runde eines Agenten erzeugt neue Tool-Ergebnisse und Gespräche, also muss der Kontext in jeder Runde neu organisiert werden, sonst driftet der Lauf immer weiter ab.
Wann lohnt sich Context Engineering?
Mehrstufige Agenten brauchen es am meisten. Ein Kundenservice-Assistent behält zum Beispiel pro Runde nur die aktuelle Frage, den Bestellstatus und die letzten Runden, komprimiert ältere Tickets zu Zusammenfassungen und löscht verbrauchte Tool-Ergebnisse zeitnah. Für einzelne Fragen und fest vorgegebene Templates ist es unnötig; ein klarer Prompt genügt. Ein einfacher Test: Umfasst die Aufgabe mehrere Runden, ruft sie Tools auf und wächst ihr Verlauf ständig weiter? Treffen zwei der drei Punkte zu, verdient der Kontext ein ernsthaftes Design.