Zum Inhalt springen

Agenten und Wissen

Context Engineering

Context Engineering ist die Auswahl und laufende Pflege aller Informationen, die ein Sprachmodell bei einem Aufruf zu sehen bekommt: Anweisungen, Werkzeugbeschreibungen, abgerufene Dokumente, Zwischenergebnisse und Verlauf. Ziel ist, dass im Kontextfenster das Nötige steht und möglichst nichts Überflüssiges.

Auch: Kontextgestaltung, Kontextmanagement, Context Management

Ein Sprachmodell weiß bei jedem Aufruf nur, was in diesem Aufruf steht. Bei einer einzelnen Frage ist das überschaubar: eine Anweisung, ein Dokument, eine Antwort. Bei einem KI-Agenten, der über viele Schritte arbeitet, Werkzeuge aufruft und Ergebnisse sammelt, wächst der Inhalt mit jedem Schritt. Irgendwann steht dort mehr Ballast als Nutzen. Context Engineering ist die Arbeit, das zu verhindern.

Anthropic hat den Begriff im September 2025 in einem Beitrag beschrieben, als Gesamtheit der Strategien, mit denen man während der Ausführung die bestmögliche Auswahl an Informationen zusammenstellt und pflegt. Als Leitlinie nennt der Beitrag die kleinste Menge aussagekräftiger Token, die die Wahrscheinlichkeit des gewünschten Ergebnisses maximiert.

Vom Prompt zum Kontext

Prompt Engineering fragt, wie eine Anweisung formuliert sein muss. Context Engineering fragt, was außer ihr noch im Fenster steht, und zwar bei jedem einzelnen Schritt neu. Anthropic sieht darin die natürliche Weiterentwicklung des Prompt Engineering, keinen Gegensatz. Der gut formulierte Prompt bleibt ein Baustein. Hinzu kommen die Beschreibungen der Werkzeuge, Beispiele, abgerufene Dokumente, Ergebnisse früherer Werkzeugaufrufe und der bisherige Verlauf. Nach der Dokumentation von Anthropic belegen sie alle Platz im Kontextfenster.

Für eine Automatisierung, die pro Vorgang eine klar umrissene Aufgabe erledigt, ist der Unterschied klein. Dort ist der Kontext bei jedem Aufruf gleich aufgebaut und wird einmal sorgfältig entworfen. Für Agenten und lange Arbeitsabläufe wird er groß, weil sich der Kontext dort laufend verändert.

Warum mehr Kontext nicht mehr hilft

Anthropic beschreibt Kontext als begrenzte Ressource mit abnehmendem Ertrag. Mit wachsender Tokenzahl lässt die Genauigkeit nach, ein Effekt, den der Beitrag als „context rot“ bezeichnet, als Verrotten des Kontexts. Das Modell habe gewissermaßen ein Aufmerksamkeitsbudget, das jedes zusätzliche Token ein wenig aufbraucht. Liu und andere haben schon 2023 gezeigt, dass Modelle Informationen in der Mitte langer Texte schlechter nutzen als am Anfang oder Ende. Irrelevante Inhalte verursachen also nicht nur Kosten, sie lenken das Modell ab.

Die Bausteine und was für jeden gilt

Die Systemanweisung. Anthropic empfiehlt die richtige Flughöhe: nicht so starr, dass jede Ausnahme als Wenn-dann-Regel ausbuchstabiert ist, und nicht so vage, dass das Modell raten muss, was gemeint ist.

Die Werkzeuge. Jede Werkzeugbeschreibung belegt Platz. Werkzeuge sollten sich nach Anthropic nicht überschneiden, und es sollte eindeutig sein, welches wann passt. Der Beitrag formuliert die Probe so: Wenn schon ein Entwickler nicht sicher sagen kann, welches Werkzeug in einer Lage das richtige ist, kann man vom Modell nichts Besseres erwarten. Ebenso wichtig ist, was ein Werkzeug zurückgibt: zehn passende Felder statt eines vollständigen Datensatzes mit zweihundert. Wie Werkzeuge technisch angebunden werden, beschreiben die Einträge zum Function Calling und zum Model Context Protocol.

Die Beispiele. Wenige, unterschiedliche und typische Beispiele helfen mehr als eine lange Liste aller Sonderfälle.

Das Wissen. Firmenwissen kommt entweder vorab in den Kontext oder wird bei Bedarf geholt.

Vorab laden oder bei Bedarf holen

Der klassische Weg ist, Retrieval Augmented Generation vor dem Aufruf laufen zu lassen und die passenden Abschnitte mitzugeben. Anthropic beschreibt als Ergänzung einen zweiten Weg: Der Agent bekommt nur Verweise, etwa Dateipfade, Suchabfragen oder Kennungen von Datensätzen, und lädt die Inhalte selbst, wenn er sie braucht.

vorab mitgeben bei Bedarf holen
Geschwindigkeit schnell, alles liegt bereit langsamer, jeder Abruf ist ein zusätzlicher Schritt
Kontextverbrauch hoch, auch Unnötiges ist dabei gering, nur was gebraucht wird
Risiko Wichtiges geht in der Menge unter der Agent sucht an der falschen Stelle oder gar nicht
passt zu festen Abläufen mit vorhersehbarem Wissensbedarf offenen Aufgaben, bei denen der Bedarf erst entsteht

Beide Wege lassen sich kombinieren: die unverzichtbaren Stammdaten vorab, alles Weitere auf Abruf.

Lange Aufgaben: verdichten, notieren, aufteilen

Für Aufgaben, die über viele Schritte laufen, nennt Anthropic drei Techniken.

Verdichten. Nähert sich der Kontext der Grenze, wird der bisherige Verlauf zusammengefasst, und die Arbeit geht mit der Zusammenfassung weiter. Anthropic bietet dafür inzwischen eine eingebaute Verdichtung in der Schnittstelle an, außerdem das gezielte Entfernen alter Werkzeugergebnisse, die nicht mehr gebraucht werden. Die Gefahr liegt im Weglassen: Was die Zusammenfassung nicht enthält, ist für den Agenten verloren.

Notizen führen. Der Agent schreibt Zwischenstände, offene Punkte und Entscheidungen in einen Speicher außerhalb des Kontextfensters und liest sie bei Bedarf wieder ein.

Aufteilen. Spezialisierte Teilagenten bearbeiten abgegrenzte Teilaufgaben in einem eigenen, frischen Kontext und geben nur eine knappe Zusammenfassung an den steuernden Agenten zurück.

Ein Beispiel aus der Reklamationsbearbeitung

Ein konstruiertes Beispiel: Ein Agent bearbeitet die Reklamation eines Geschäftskunden. Im ersten Schritt braucht er die E-Mail, die Kundennummer und die Regeln für Reklamationen. Er ruft die Bestellung aus dem ERP ab, danach den Lieferschein und die bisherige Korrespondenz. Ohne Pflege stünden beim fünften Schritt alle Rohdaten aller Abrufe im Kontext, darunter Dutzende Positionen, die mit der Reklamation nichts zu tun haben.

Mit Context Engineering sieht es anders aus. Das ERP-Werkzeug liefert nur die betroffene Position. Die Korrespondenz wird nicht vollständig geladen, sondern nach dem Stichwort der Reklamation durchsucht. Nach jedem Schritt hält der Agent in einer kurzen Notiz fest, was geklärt ist. Der Kontext bleibt über alle Schritte etwa gleich groß, die Kosten bleiben planbar, und das Wichtige geht nicht unter.

Woran man gutes Context Engineering erkennt

  • Für jeden Schritt lässt sich nachvollziehen, was im Kontext stand. Erst dann lässt sich eine falsche Entscheidung auf eine fehlende, falsche oder übersehene Information zurückführen.
  • Werkzeuge liefern knappe, passende Ergebnisse statt vollständiger Exporte.
  • Inhalte aus E-Mails und Dokumenten werden als Daten gekennzeichnet, nicht als Anweisungen. Je mehr fremder Text in den Kontext gelangt, desto größer ist die Angriffsfläche für Prompt Injection.
  • Kosten und Kontextgröße je Vorgang werden gemessen und haben eine Obergrenze.

Quellen

  1. Effective context engineering for AI agents, Anthropic Engineering, 2025
  2. Context windows, Anthropic, Claude Developer Platform
  3. Context editing, Anthropic, Claude Developer Platform
  4. Compaction, Anthropic, Claude Developer Platform
  5. Lost in the Middle: How Language Models Use Long Contexts, Liu et al., arXiv, 2023

Inhaltlich geprüft im Oktober 2026. Der Eintrag erklärt einen Begriff und ersetzt keine Rechts- oder Steuerberatung.

Welcher Prozess kostet Ihr Team jeden Tag unnötig Zeit?

Bringen Sie einen konkreten Ablauf mit. In 45 Minuten klären wir, ob sich seine Automatisierung rechnet und was der nächste Schritt wäre.

Direkt mit einem Gründer · unverbindlich · ohne Verkaufsshow

Erst ein Prozess.
Dann der nächste.