Context Engineering

Vorschau der Lektion

Gartner bezeichnete Context Engineering als die bahnbrechende KI-Fähigkeit des Jahres 2026. Die treffendste Definition stammt von Phil Schmid: das Entwickeln dynamischer Systeme, die die richtigen Informationen und Tools im richtigen Format und zur richtigen Zeit bereitstellen. Hier ist der entscheidende Unterschied: Prompt Engineering optimiert den Text, den du sendest. Context Engineering optimiert die gesamte Informationsumgebung – Systemanweisungen, Tool-Definitionen, Speicher, abgerufene Dokumente, den Anwendungsstatus und das, was jeder Subagent sehen darf. Betrachte dies als die fünf Arten, wie Context Engineering unbemerkt scheitert: 1. Context Overload (der „Alles-auf-einmal“-Prompt). Der Konsens in der Praxis lautet: Halte System-Prompts unter ~2.000 Tokens. Alles andere sollte bei Bedarf geladen werden – genau das Muster, das eine Skills-Architektur durchsetzt. Alles hineinzustopfen, was der Agent jemals brauchen könnte, verschwendet die meisten dieser Tokens für Inhalte, die nur zu 10 % relevant sind. 2. Context Poisoning. Ein einziges fehlerhaftes abgerufenes Dokument kann die gesamte Argumentationskette des Agenten vergiften. Die Gegenmaßnahmen: Füge jedem abgerufenen Chunk Provenienz-Tags hinzu, wende Aktualitätsfilter an und behandle abgerufenen Text als Daten – nicht als zusätzliche Anweisungen. 3. Naives RAG. 50 ungerankte Chunks einfach in den Kontext zu werfen, ist der Punkt, an dem die meisten RAG-Pipelines scheitern. Die Lösung: Weit gefasst abrufen (hoher Recall) und dann rigoros auf präzise Top-5 re-ranken. Re-Ranking ist die Trennlinie zwischen RAG, das funktioniert, und RAG, das versagt. 4. Context Rot in langen Sessions. Wenn Konversationen anwachsen, verliert früherer Kontext an Einfluss. Die Lösung: Verdichtungs-Trigger, die ältere Gesprächsrunden zusammenfassen, plus Auslagerung an Subagenten für umfangreiche Leseoperationen. 5. LLM-generierte Kontextdateien. Dateien im .md-Stil können der Leistung sogar schaden. Schreibe sie von Hand – basierend auf echtem Unternehmenswissen.

Wichtige Begriffe in diesem Modul

Context Engineering

Context Engineering ist das Festlegen, welche Informationen ein KI-Modell bei jedem Arbeitsschritt sieht: Anweisungen, Dokumente, Tool-Beschreibungen, Gedächtnis und Gesprächsverlauf. Es erweitert Prompt Engineering von der Formulierung einer Anfrage auf alles, was drumherum geladen wird.

System-Prompt

Ein System-Prompt ist der Block fester Anweisungen, den ein KI-Modell vor dem Gespräch bekommt und der für jede Antwort gilt. Er legt Rolle, Ton, Regeln und Ausgabeformat fest, und wer mit dem Assistenten chattet, sieht ihn meist nie.

Häufig gestellte Fragen

Für wen ist „Context Engineering“?

Dieses Experte-Modul aus Praxishandbuch für KI-Native Operatoren ist für Operator, Gründerinnen und Gründer sowie Growth-Teams, die KI in echter Arbeit einsetzen und Urteilsvermögen auf Produktionsniveau wollen. Es dauert etwa 8 Minuten und endet mit einem Quiz aus 5 Fragen.

Muss ich programmieren können?

Nicht unbedingt. Die Workflows nutzen Operator-Tools wie Claude, n8n und Lovable; manche Übungen fallen leichter, wenn du eine Konfigurationsdatei oder ein Prompt-Template bearbeiten kannst.

Was kommt vor und nach diesem Modul?

Vor „Context Engineering“ solltest du „Fortgeschrittenes Prompting 2026“ machen (Modul 15 von Praxishandbuch für KI-Native Operatoren). Danach geht es weiter mit „Evals & Review-Loops“.

Ähnliche Module

• Previous
  Fortgeschrittenes Prompting 2026

  Was den Unterschied macht, wenn Prompting längst Teil des Systemdesigns geworden ist.

• Next
  Evals & Review-Loops

  Die schärfste Trennlinie zwischen Demo-Ware und Produktivbetrieb.

• Gleiches Thema
  Von Chatbots zu Betriebssystemen

  Die drei Umbrüche, die KI vom Berater zum Operator gemacht haben.

• Gleiches Thema
  Claude Code als Agentur-OS

  Es ist ein universelles Agenten-Harness, das standardmäßig für Coding konfiguriert ist.