Kontext-Engineering
Kontext-Engineering ist die gezielte Auswahl und Aufbereitung der Informationen, die einem Sprachmodell innerhalb seines Kontextfensters mitgegeben werden, damit es eine Aufgabe zuverlässig löst.
Kontext-Engineering ist die Disziplin, die das begrenzte Kontextfenster eines Sprachmodells gezielt füllt – die Voraussetzung dafür, dass ein KI-Agent verlässlich arbeitet.
In einfachen Worten
Ein Sprachmodell kann immer nur das berücksichtigen, was gerade in seinem Kontextfenster steht – dem begrenzten Arbeitsspeicher aus Anweisungen, Daten und bisherigem Verlauf. Welche Informationen dort landen und in welcher Form, entscheidet maßgeblich über die Qualität der Antwort. Genau das ist die Aufgabe des Kontext-Engineerings: nicht den perfekten Einzelsatz zu formulieren wie beim Prompt-Engineering, sondern den gesamten Informationsraum zu gestalten, in dem das Modell arbeitet. Dazu gehört, die wirklich relevanten Inhalte auszuwählen – etwa über ein RAG-Nachschlagen aus den eigenen Daten –, sie knapp und strukturiert aufzubereiten und Überflüssiges wegzulassen. Denn ein volles Kontextfenster ist nicht automatisch ein gutes: Zu viel Beiwerk lenkt ab, verwässert das Wichtige und erhöht das Risiko von Halluzinationen. Bei einem KI-Agenten, der über viele Schritte arbeitet, kommt hinzu, dass der Kontext laufend gepflegt werden muss – Erledigtes weicht Neuem, damit der Agent den Faden nicht verliert.
Wozu brauche ich das?
Kontext-Engineering ist überall dort entscheidend, wo eine KI auf unternehmenseigenes Wissen zugreifen soll. Die Antwort wird nur so gut wie die Informationen, die das Modell im richtigen Moment vor sich hat. Gut gemacht heißt: die passenden Dokumentauszüge auswählen, sie verständlich aufbereiten und in der richtigen Reihenfolge bereitstellen. Bei länger laufenden Agenten kommt die Pflege über die Zeit hinzu – das Kontextfenster ist begrenzt, also muss entschieden werden, was bleibt und was weicht. Diese Auswahl ist oft wichtiger für das Ergebnis als die Wahl des Modells selbst.
Beispiel aus der Praxis
Eine interne Auskunfts-Anwendung soll Fragen zu Verträgen beantworten. Ohne Kontext-Engineering bekäme das Modell entweder zu wenig – und rät – oder das ganze Vertragsarchiv auf einmal, in dem das Wesentliche untergeht. Gut gestaltet schlägt das System per RAG genau die einschlägigen Passagen nach, reicht sie knapp und geordnet mit der Frage an das Modell weiter und lässt alles Übrige weg. Das Modell antwortet daraufhin auf einer klaren, überprüfbaren Grundlage. Der sichtbare Unterschied – eine präzise statt einer vagen Antwort – stammt nicht aus einem besseren Modell, sondern aus dem besser gefüllten Kontext.
Wirtschaftlicher Nutzen
Der wirtschaftliche Hebel des Kontext-Engineerings ist hoch, weil es die Qualität der KI-Antworten stärker beeinflusst als fast jede andere Stellschraube – und ohne den Austausch des Modells auskommt. Gut aufbereiteter Kontext senkt Fehler und Halluzinationen, spart Rechenkosten, weil weniger Ballast verarbeitet wird, und macht Antworten überprüfbar. Für den Mittelstand ist das der pragmatische Weg zu verlässlicher KI: nicht das größte Modell, sondern die saubere Aufbereitung des eigenen Wissens. Der Aufwand steckt in der Auswahl und Strukturierung der Inhalte – eine Arbeit, die sich bei jeder einzelnen Anfrage auszahlt.
Typische Fehler
- Das Kontextfenster mit so vielen Informationen füllen wie möglich, statt gezielt das Relevante auszuwählen.
- Annehmen, ein größeres Kontextfenster ersetze die Aufbereitung – mehr Platz allein verbessert die Antwort nicht.
- Den Kontext bei länger laufenden Agenten nicht pflegen, sodass Veraltetes mitgeschleppt wird und den Faden verwässert.
- Inhalte ungeordnet hineinkippen, statt sie knapp und strukturiert bereitzustellen.
- Kontext-Engineering mit Prompt-Engineering verwechseln und nur an der Formulierung feilen, statt am Informationsraum.
Worauf achten?
- Gezielt das Relevante auswählen – ein knapper, geordneter Kontext schlägt einen vollen.
- Unternehmenswissen über ein RAG-Nachschlagen passgenau einspielen, statt alles auf einmal mitzugeben.
- Bei länger laufenden Agenten den Kontext aktiv pflegen: Erledigtes weicht Neuem.
- Inhalte strukturiert und in sinnvoller Reihenfolge bereitstellen.
- Die Wirkung über eine KI-Evaluierung prüfen, statt sich auf das Bauchgefühl zu verlassen.
Häufig gestellte Fragen
Was ist Kontext-Engineering?
Die gezielte Auswahl und Aufbereitung der Informationen, die einem Sprachmodell in seinem Kontextfenster mitgegeben werden. Statt nur die Formulierung zu optimieren, gestaltet es den gesamten Informationsraum, in dem das Modell eine Aufgabe löst.
Worin unterscheidet es sich vom Prompt-Engineering?
Prompt-Engineering feilt an der Formulierung einer Anweisung. Kontext-Engineering gestaltet den gesamten Informationsraum drumherum – welche Daten, Dokumente und Verlaufsinhalte in welcher Form ins Kontextfenster kommen. Es ist die umfassendere Aufgabe.
Ist ein größeres Kontextfenster nicht die einfachere Lösung?
Nein. Mehr Platz allein verbessert die Antwort nicht – ein volles Kontextfenster mit viel Beiwerk lenkt ab und erhöht das Risiko von Fehlern. Entscheidend ist die gezielte Auswahl des Relevanten, nicht die Menge.
Warum ist das für KI mit eigenen Daten so wichtig?
Weil die Antwort nur so gut wird wie die Informationen, die das Modell im richtigen Moment vor sich hat. Gut aufbereiteter Kontext – etwa per RAG aus den eigenen Quellen – macht Antworten präzise und überprüfbar.