Inhaltsverzeichnis
Der Schwerpunkt der Arbeit mit KI verschiebt sich vom „Prompt Engineering“ zum „Context Engineering“. Über das Feilen am Prompt (der Anweisung) hinaus gestalten und verwalten Sie den gesamten Informationsbestand (den Kontext), den Sie dem Modell übergeben — und 2026 ist das eine unverzichtbare Fähigkeit im Umgang mit KI geworden, besonders beim Bauen von KI-Agenten.
Dieser Artikel erklärt für Einsteiger, was Context Engineering ist, warum es wichtig ist (der Schlüssel heißt „Context Rot“) und welche konkreten Techniken dazugehören.
Kontext ist ein „begrenztes Budget“
— die Kunst, nur die kleinste, signalstärkste Information zu behalten
Wählerisch sein
Nicht alles hineinstopfen — nur aufnehmen, was wirklich hilft.
Regelmäßig aufräumen
Veralteten Verlauf und Tool-Ergebnisse zusammenfassen oder verwerfen, um leicht zu bleiben.
Bei Bedarf abrufen
Nicht alles vorab laden; erst in dem Moment abrufen, in dem Sie es brauchen.
1. Was ist Context Engineering?
In Anthropics Worten ist Context Engineering „die Gesamtheit der Strategien, um den optimalen Satz an Tokens (Informationen) zu kuratieren und zu pflegen, den man dem Modell während der Inferenz übergibt“ (aus „Effective context engineering for AI agents“, März 2026). Es umfasst nicht nur den Prompt, sondern alles, was im Kontextfenster landet — den System-Prompt, Tools, den Gesprächsverlauf und externe Daten.
Stellen Sie es sich als „die Kunst, den Schreibtisch aufgeräumt zu halten“ vor. Sie behalten nur die Unterlagen in Reichweite, die Sie brauchen, und räumen weg, was erledigt ist. Türmen Sie auf Ihrem Schreibtisch (dem Kontextfenster) Dokumente auf, sinkt Ihre Effizienz tatsächlich — und bei KI passiert genau dasselbe. Eben deshalb ist „was hinein soll und was draußen bleibt“ ein Designproblem, das sich zu lösen lohnt.
💡 In einem Satz: Prompt Engineering = „die Anweisung feilen“. Context Engineering = „den gesamten Informationsbestand gestalten, den das Modell sieht.“ Letzteres ist die umfassendere Disziplin, die Ersteres einschließt.
2. Warum es zählt: die „Context Rot“-Mauer
„Wenn das Kontextfenster eine Million Tokens fasst, warum dann nicht einfach alles hineinpacken?“ Hier liegt die Falle: Je mehr Tokens Sie hinzufügen, desto stärker sinkt tatsächlich die Genauigkeit des Modells. Dieses Phänomen heißt „Context Rot“ (das schleichende Verderben des Kontexts).
Als Chroma 2025 18 führende Modelle (GPT, Claude, Gemini und weitere) testete, wurde jedes einzelne unzuverlässiger, je länger die Eingabe wurde. Der Grund: Die „Aufmerksamkeit“ des Modells ist ein begrenztes Budget. Jedes zusätzliche Token verdünnt dieses Budget, sodass relevante Informationen leichter übersehen werden — und Informationen, die in der Mitte eines langen Kontexts platziert sind, werden besonders leicht übersehen („lost in the middle“, in der Mitte verloren).
Je länger die Eingabe, desto niedriger die Genauigkeit (illustrativ)
* Eine konzeptionelle Darstellung. In gemessenen Studien berichtete etwa die Stanford-Forschung (2023), dass die Genauigkeit von 70–75 % auf 55–60 % sank, als rund 4.000 Tokens an Referenzmaterial bereitgestellt wurden. Bei schwierigeren Aufgaben ist die Verschlechterung größer.
Kurz gesagt: „Längerer Kontext ist immer besser“ stimmt nicht. Deshalb ist Context Engineering nötig — nur die kleinste, signalstärkste Menge an Tokens zu behalten. Besonders bei langlaufenden KI-Agenten und Coding-Agenten ist Context Rot meist die häufigste Fehlerursache.
3. Was tatsächlich im Kontext steckt
Man neigt zu der Annahme „Kontext = der Prompt“, doch in Wirklichkeit teilen sich weit mehr Elemente dasselbe Fenster — und sie alle verbrauchen das Budget.
System-Prompt
Die grundlegenden Anweisungen — Rolle, Regeln, Tonfall.
Tool-Definitionen und -Ergebnisse
Tool-Beschreibungen (z. B. MCP) und ihre Ausgaben.
Gesprächs- und Arbeitsverlauf
Der bisherige Austausch sowie die eigene angesammelte Argumentation des Modells.
Externe Daten
Abgerufene Dokumente und Code, RAG-Suchergebnisse und so weiter.
Je länger die Aufgabe, desto mehr häufen sich Verlauf und Tool-Ergebnisse an. Lässt man das ungebremst laufen, füllt sich das Fenster schnell mit „wichtiger, in der Mitte vergrabener Information“. Deshalb braucht es die folgenden Aufräum-Techniken.
4. Sechs zentrale Techniken
Auf Basis von Anthropics Empfehlungen und praktischer Erfahrung folgen hier sechs besonders wirksame Techniken. Das gemeinsame Prinzip lautet „finde die kleinste Menge signalstarker Tokens“.
① Anweisungen auf der richtigen Flughöhe
Zu kleinteilige Wenn-dann-Logik ist brüchig; zu vage greift sie nicht. Zielen Sie auf die Mitte: „konkret und doch flexibel“.
② Tools kuratieren
Verwerfen Sie Tools, die sich überschneiden oder bei denen unklar ist, welches greift. Reduzieren Sie auf wenige eindeutige Tools.
③ Just-in-time-Abruf
Statt alles vorab zu laden, halten Sie nur Dateipfade und Links bereit und rufen sie genau dann ab, wenn Sie sie brauchen. Dieselbe Idee wie die schrittweise Offenlegung der Claude Skills.
④ Compaction (Verdichtung durch Zusammenfassung)
Wenn das Fenster voll wird, fassen Sie den Verlauf zusammen und tragen ihn in ein frisches Fenster. Bewahren Sie Entscheidungen und offene Punkte; verwerfen Sie redundante Tool-Ausgaben.
⑤ Notizen (externes Gedächtnis)
Schreiben Sie Fortschritt und Kernpunkte in eine Datei außerhalb des Fensters und lesen Sie sie nur bei Bedarf zurück. Das hält lange Aufgaben kohärent.
⑥ Mit Sub-Agenten isolieren
Übergeben Sie schwere Arbeit wie Recherche an einen Sub-Agenten und geben Sie nur eine Zusammenfassung an den Hauptagenten zurück. Das hält detaillierten Kontext aus dem Hauptverlauf heraus.
⚠️ Nicht over-engineeren: Tun Sie das Einfachste, das funktioniert, bevor Sie zu aufwendiger Maschinerie greifen. Schon allein, keine unnötigen Informationen aufzunehmen und häufig eine frische Sitzung zu starten, bringt viel.
5. Verhältnis zu Prompts, RAG und Skills
Diese benachbarten Konzepte verschwimmen leicht miteinander, ordnen wir sie also ein. Context Engineering ist die „übergeordnete Denkweise“, die sie alle zusammenhält.
- Prompt Engineering: das Handwerk, Anweisungen zu feilen. Es ist ein Teil von Context Engineering.
- RAG: eine Methode, externes Wissen zu durchsuchen und dem Kontext hinzuzufügen. Ein Mittel, um zu handhaben, „was abgerufen und aufgenommen wird“.
- Skills: ein Mechanismus, der eine Vorgehensweise nur bei Bedarf entfaltet. Ein konkretes Beispiel für Just-in-time-Abruf.
So behandelt Context Engineering „die Anweisung feilen“ (Prompts), „Wissen hinzufügen“ (RAG) und „Vorgehensweisen ein- und ausladen“ (Skills) allesamt als ein einziges Designproblem: was ins Fenster kommt und was geräumt wird.
6. Was Sie heute schon tun können
Vor jeder aufwendigen Implementierung gibt es Gewohnheiten, die jeder sofort nutzen kann.
- Starten Sie einen neuen Chat, wenn das Thema wechselt: Allein den alten Kontext nicht mitzuschleppen, stellt die Genauigkeit wieder her. Der einfachste und wirksamste Schritt.
- Fügen Sie lange Dokumente nicht komplett ein: Extrahieren Sie nur den relevanten Teil und übergeben Sie diesen. Den gesamten Text anzuhängen, geht oft nach hinten los.
- Lassen Sie bei langer Arbeit zwischendurch zusammenfassen: Bitten Sie „liste die bisherigen Entscheidungen und die verbleibenden Aufgaben auf“ und machen Sie von dort aus weiter (manuelle Compaction).
- Häufen Sie nicht Tools und Erweiterungen an: Entfernen Sie MCP-Server und Skills, die Sie nicht nutzen. Je mehr Optionen, desto mehr zögert das Modell.
💡 Es ist auch günstiger: Keine zusätzlichen Tokens zu laden, übersetzt sich direkt in gesparte Token-Kosten. Genauigkeit und Kosten verbessern sich gleichzeitig.
Fazit
Drei Kernpunkte zum Context Engineering.
- Was es ist: die Disziplin, „den gesamten Informationsbestand, den das Modell sieht“ zu gestalten und zu verwalten, Prompts inklusive. Die nächste Stufe nach dem Prompt Engineering.
- Warum: wegen „Context Rot“ — die Genauigkeit sinkt, je mehr Tokens Sie hinzufügen. Kontext ist ein begrenztes Budget.
- Der Kniff: nur die kleinste, signalstärkste Menge an Tokens behalten. Ihre Werkzeuge sind Kuratieren, Aufräumen (Zusammenfassen), Abruf bei Bedarf und Isolation per Sub-Agent.
Beginnen Sie mit „neue Sitzung, wenn das Thema wechselt“ und „nur die Kernpunkte einfügen“. Wenn Sie tiefer einsteigen möchten, sehen Sie sich auch Claude Skills und Harness Engineering an.
FAQ
F. Ist Prompt Engineering jetzt überholt?
A. Nein. Prompt Engineering bleibt als Teil des Context Engineering wichtig. Das Verhältnis ist so, dass Sie zusätzlich zur Fähigkeit, Anweisungen zu feilen, die Perspektive ergänzen, den gesamten Informationsbestand zu gestalten.
F. Löst ein Modell mit größerem Kontextfenster das Problem?
A. Context Rot tritt auch bei einem großen Fenster auf. Studien zeigen, dass alles hineinzustopfen, nur weil Platz da ist, die Genauigkeit sogar senkt. Ein großes Fenster ist „Spielraum“, keine „Erlaubnis, alles aufzunehmen“.
F. Ist das für die normale Chat-Nutzung relevant?
A. Ja. Allein „pro Thema einen neuen Chat starten“ und „nur die Kernpunkte einfügen“ hebt die Antwortqualität. Das sind Tipps, die Sie heute nutzen können, auch wenn Sie kein Entwickler sind.
F. Was ist der Unterschied zwischen RAG und Context Engineering?
A. RAG ist eine konkrete Methode — „externes Wissen durchsuchen und dem Kontext hinzufügen“. Context Engineering ist das umfassendere Konzept, das „was ins Fenster kommt und was geräumt wird“ als Ganzes handhabt, und RAG ist ein Bestandteil davon.
