Begriff
Context Engineering
Context Engineering ist die Disziplin, alle Inhalte des LLM-Kontextfensters — System-Prompt, Tool-Definitionen, RAG-Treffer, Memory, Konversationshistorie — bewusst zu kuratieren und über die Zeit zu pflegen.
Context Engineering — ausführlicher erklärt
Prompt Engineering optimiert die Anweisung an das Modell. Context Engineering geht eine Ebene höher und behandelt das gesamte Kontextfenster als knappe Ressource: welche System-Prompts, Tool-Beschreibungen, abgerufenen Dokumente, Notizen und Vorgespräche bekommt das Modell zu welchem Zeitpunkt zu sehen? Anthropic definiert es als iterative Strategie zur Verwaltung aller verfügbaren Tokens — die Auswahl passiert nicht einmalig, sondern bei jedem Schritt eines Agenten. Mit längeren agentischen Läufen und 1-Mio.-Token-Kontextfenstern wird die Frage „was gehört rein, was nicht” wichtiger als „wie formuliere ich den Prompt”.
Beispiel / Praxisbezug
In Claude Code sieht man Context Engineering in Aktion: der Agent schreibt sich eine TODO-Liste extern weg, statt sie im Kontext zu halten; Tool-Outputs werden gezielt gekürzt; Dateien werden „just in time” mit Read geladen, nicht alle vorab. Anthropic-Empfehlungen: System-Prompts auf der richtigen Abstraktionsebene halten (nicht zu rigide, nicht zu vage), Tools so designen, dass sie selbsterklärend und robust sind (jede unklare Tool-Description verschmutzt den Kontext bei jedem Call), und Memory bewusst außerhalb des Kontexts ablegen und nur bei Bedarf laden.
Abgrenzung zu ähnlichen Begriffen
Prompt Engineering optimiert die Eingabe-Formulierung — Context Engineering kuratiert den Gesamt-Kontext über mehrere Schritte. Retrieval-Augmented Generation (RAG) ist ein Werkzeug innerhalb von Context Engineering: ein Verfahren, externe Inhalte gezielt in den Kontext zu holen. Memory-Management überschneidet sich stark, fokussiert aber auf langlebige Zustands-Speicher zwischen Sessions.
Entdecke mehr
Effort-Level und Deep Thinking: zwei unabhängige Achsen bei KI-Aufgaben
Effort skaliert Breite, Deep Thinking skaliert Tiefe. Wann welche Stufe sinnvoll ist — mit drei klaren Beispielen und einer Faustregel.
GlossarChain-of-Thought
Chain-of-Thought (CoT) ist eine Prompting-Technik, bei der das Modell aufgefordert wird, seinen Lösungsweg in Zwischenschritten auszuformulieren — das verbessert die Trefferquote bei Aufgaben mit mehreren Denkschritten.
LexikonPrompt-Sicherheit — Injection, Leaking, Guardrails
Wie Prompt Injection, Prompt Leaking und Jailbreaks funktionieren — und welche Verteidigungen (Guardrails, Spotlighting, Sanitization) wirklich helfen.