ToolNavs KI-Tools entdecken
Tool einreichen Anmelden
Zurück zu KI-Enzyklopädie
Was ist Context Engineering? Das Systemdesign, das KI-Agenten auf Kurs hält

Was ist Context Engineering? Das Systemdesign, das KI-Agenten auf Kurs hält

KI-Enzyklopädie • Admin • • 16 Aufrufe

Context Engineering ist die Methode, mit der Kontext für große Sprachmodelle und KI-Agenten gestaltet und verwaltet wird: Sie entscheidet, welche Informationen in den Prompt kommen, in welcher Reihenfolge, wie viele und wie der Überschuss komprimiert oder verworfen wird. Sie erforscht nicht die innere Struktur des Modells, sondern steuert nur, was das Modell bei jeder Antwort vor Augen hat. Guter Kontext lässt einen Agenten stabil arbeiten; chaotischer Kontext bringt selbst ein starkes Modell dazu, mitten im Weg abzudriften und die falsche Frage zu beantworten.

Was steckt eigentlich im Kontext?

Der Kontext einer einzelnen Antwort setzt sich in der Regel aus fünf Arten von Material zusammen: Der System-Prompt legt Rolle und Regeln fest; der Gesprächsverlauf bewahrt frühere Fragen und Antworten; Suchergebnisse liefern frische Informationen von außen; Tool-Aufrufe geben Ausführungsergebnisse zurück; und das Langzeitgedächtnis speichert Vorlieben und Fakten über Sitzungen hinweg. Die Aufgabe des Context Engineering ist es, diese fünf Materialarten innerhalb eines begrenzten Fensters zu priorisieren: Wichtiges kommt nach vorn, Veraltetes wird gelöscht, zu Lange wird erst zusammengefasst. Die Fensterlänge ist nur die Obergrenze — neue Modelle vergrößern das Fenster ständig. So hat zum Beispiel DeepSeek V3.1 die Kontextlänge seines Online-Dienstes auf 128K erweitert. Was die Qualität wirklich bestimmt, bleibt aber die Auswahl.

Context Engineering ist weder Prompt Engineering noch RAG

Prompt Engineering beschreibt, wie eine einzelne Anweisung klar formuliert wird; es ist ein einmaliges Handwerk. RAG beschreibt, wie relevante Unterlagen aus einer externen Wissensbasis gefunden werden; es ist ein Abrufprozess. Context Engineering dagegen steuert den gesamten Ablauf, vom Beginn einer Aufgabe bis zu ihrem Ende, und entscheidet fortlaufend, was im Kontext bleibt, was verworfen wird und wann aufgefrischt wird. Ein Vergleich: Prompt Engineering ist das Schreiben eines guten Notizzettels, RAG ist das Holen von Akten aus dem Archiv, und Context Engineering legt die Regeln für die gesamte Werkbank fest. Die drei treten oft gemeinsam auf, lösen aber Probleme auf unterschiedlichen Ebenen.

Drei häufige Missverständnisse

Erstens: Je größer das Fenster, desto unwichtiger werde Context Engineering. Es ist umgekehrt: Je größer das Fenster, desto mehr Rauschen passt hinein, und desto leichter lässt sich das Modell von irrelevanten Details ablenken — die Auswahl wird dadurch wichtiger. Zweitens: Je mehr man hineinstopft, desto besser werde die Antwort. In der Praxis verdünnt überflüssiger Inhalt die entscheidenden Informationen, und die Antwortqualität sinkt oft statt zu steigen. Drittens: Gedächtnis sei dasselbe wie Kontext. Gedächtnis sind Fakten, die über Sitzungen hinweg gespeichert werden; Kontext ist das Material, das für die aktuelle Aufgabe auf dem Tisch liegt. Gedächtnis wirkt sich erst dann auf eine Antwort aus, wenn es ausgewählt und in den Kontext gelegt wurde.

Ob ein Agentenprodukt solide gebaut ist, erkennt man daran, wie es mit Kontext umgeht: ob es sein Ziel mitten in einer langen Aufgabe vergisst, ob es nach einem Fehler seinen Zustand aus Tool-Ergebnissen wiederherstellen kann und ob es sich nach einem Themenwechsel noch an frühere Absprachen erinnert. Hinter diesem Verhalten entscheidet nicht die Parameterzahl des Modells, sondern die Qualität des Context Engineering. Wer es selbst ausprobieren will, beginnt mit den kleinsten Gewohnheiten: pro Runde nur den nötigen Gesprächsverlauf behalten, erledigte Teile regelmäßig als Zusammenfassung festhalten und von Tool-Ergebnissen nur die Schlussfolgerungen statt des Volltexts behalten.

Q: Macht ein größeres Kontextfenster das Context Engineering unwichtiger?

A: Genau das Gegenteil ist der Fall. Ein größeres Fenster hebt nur die Obergrenze an, und das Rauschen wächst mit — das Modell lässt sich leichter von irrelevanten Details ablenken. Je größer das Fenster, desto mehr braucht es Auswahlregeln, die bestimmen, was hineingehört und was hinaus muss.

Empfohlene Tools

Mehr