BEGRIFF· 16.01.2026
Context Engineering
Warum eine KI oft nicht lügt, sondern schlecht gefüttert wird: Context Engineering entscheidet, was ins Kontextfenster darf und was draußen bleibt.
Was Context Engineering bedeutet
Ein Prompt reicht, solange die Aufgabe klein ist. Braucht ein Modell echtes Fachwissen oder den Verlauf eines längeren Gesprächs, hilft die beste Formulierung allein nicht mehr. Context Engineering ist die Arbeit an dem, was das Large Language Model über den Prompt hinaus sieht: Dokumente, Gesprächsverlauf, abgerufene Daten, Systemregeln.
Die Trennung zu Prompt Engineering ist simpel. Der Prompt ist das Rezept, das du dem Koch gibst. Der Kontext ist das, was in der Speisekammer steht. Mit dem besten Rezept scheitert der Koch, wenn die Speisekammer leer ist oder die falschen Zutaten enthält.
Damit schließt Context Engineering eine Lücke, die jedes Modell mitbringt: Ein Standardmodell weiß nur, was in seinen Trainingsdaten stand, und das ist fast immer veraltet.
Warum das Halluzinationen senkt
Kennt ein isoliertes Sprachmodell die Antwort nicht, erfindet es eine, die plausibel klingt. Reichert man den Kontext mit geprüften Fakten an, stützt sich das Modell auf diese Fakten statt auf die statistische Wahrscheinlichkeit aus dem Training. Das nennt sich Grounding.
Zwei Faktoren entscheiden, ob das gelingt. Der erste ist Relevanz. Ein Fenster voller halbrelevanter Schnipsel verwässert genau die Fakten, auf die es ankommt. Der zweite ist Datenqualität. Bei unstrukturierten oder fehlerhaften Quellen liefert auch die beste Architektur keine sauberen Ergebnisse.
Ein Grundsatz aus der Praxis lohnt sich aufzuschreiben: Leg im System fest, dass Antworten ausschließlich auf dem bereitgestellten Kontext beruhen dürfen. Fehlt die Information dort, soll das Modell "Ich weiß es nicht" antworten, statt zu raten.
RAG, Vektordatenbanken und die Grenze des Fensters
Technisch läuft Context Engineering meist über Retrieval Augmented Generation. Eine Vektordatenbank übernimmt dabei die Rolle des externen Langzeitgedächtnisses: Sie speichert Informationen als Embeddings und findet dadurch Dokumente, die thematisch passen, auch wenn sie andere Wörter benutzen als die Suchanfrage. Eine gute technische Erklärung dazu steht bei Pinecone.
Alles davon findet im Kontextfenster statt, dem Arbeitsspeicher des Modells, gemessen in Tokens. Dieses Fenster ist eine harte Grenze, auch wenn es mit jeder Generation wächst. Dazu kommt das Lost-in-the-Middle-Phänomen: Eine Untersuchung dazu zeigt, dass Modelle Informationen am Rand des Kontexts zuverlässiger abrufen als in der Mitte. Konkrete Gegenstrategien stehen im Deep-Dive Context Engineering: Herausforderungen und Tipps.
Warum Agenten es brauchen
Ein Chatbot liefert eine Antwort und ist fertig. Ein autonomer Agent führt ganze Prozessketten aus und braucht dafür ein Gedächtnis. Ohne sauberes Context Management vergisst er nach dem dritten Schritt, was er im ersten getan hat, und wiederholt eine Anfrage, die längst beantwortet ist.
Deshalb verschiebt sich die Rolle gerade sichtbar: vom Formulieren einzelner Prompts hin zum Bauen von Systemen, in denen System-Prompts, Datenquellen und Zusammenfassungen fest verankert sind. Wer die Datenflüsse beherrscht, beherrscht auch die Qualität der Antworten.
Zurück zum AI und Automation Glossar.
FAQ
- Ist Context Engineering nur ein neuer Name für Prompt Engineering?
- Nein. Prompt Engineering formuliert die einzelne Anweisung. Context Engineering entscheidet, was überhaupt an Wissen, Historie und Daten in das Kontextfenster geladen wird, bevor diese Anweisung ankommt. Ein perfekter Prompt bringt wenig, wenn der Kontext drumherum fehlt oder falsch ist, und umgekehrt hilft der beste Kontext nichts, wenn die Anweisung unklar bleibt.
- Braucht jedes Projekt eine Vektordatenbank für Context Engineering?
- Nein. Für kurze, einmalige Aufgaben reicht es, die nötigen Informationen direkt in den Prompt zu schreiben. Eine Vektordatenbank und RAG lohnen sich erst, wenn die Wissensbasis größer ist als das Kontextfenster fassen kann, etwa bei einer Dokumentation, einem Kundenverlauf oder einer Produktdatenbank, die laufend wächst.
- Warum vergisst ein KI-Agent manchmal, was er gerade tut?
- Meistens, weil das Kontextfenster mit irrelevanten Zwischenergebnissen und Logs vollläuft und das ursprüngliche Ziel verdrängt. Der Agent dreht sich dann im Kreis oder wiederholt Schritte, weil ihm das Gedächtnis fehlt, dass er sie schon probiert hat. Die Lösung ist strikte Relevanzfilterung: regelmäßig zusammenfassen, die rohe Historie löschen und nur die Zusammenfassung plus das Ziel im Kontext behalten.
Verwandte Begriffe
Verwandte Begriffe