Context Engineering: warum der Kontext wichtiger ist als der Prompt
Ein Sprachmodell kennt bei einer Anfrage nur, was in seinem Kontext steht. Context Engineering sorgt dafür, dass dort das Richtige steht: die passende Anweisung, das nötige Wissen aus Ihren Quellen, ein kurzer Verlauf und Ergebnisse von Werkzeugen. Dieser Ratgeber erklärt, wie das geht und warum es wichtiger ist als die perfekte Formulierung.
Mit Token-Budget zum Nachrechnen.
Das Wichtigste in Kürze
Context Engineering steuert alles, was ein Modell bei einer Anfrage sieht. Der Prompt ist nur ein Teil davon.- Für Unternehmenswissen ist
RAG das wichtigste Werkzeug: Zu jeder Frage werden passende Textstellen aus Ihren Dokumenten gesucht und mit Quelle mitgegeben. - Mehr Kontext ist nicht automatisch besser.
Ausgewählter, geordneter Kontext liefert meist genauere Antworten als ein volles Fenster.
Was ist Context Engineering?
Context Engineering bezeichnet das gezielte Zusammenstellen des Kontexts, den ein Sprachmodell bei einer Anfrage verarbeitet. Dazu gehören Anweisungen, die eigentliche Frage, abgerufenes Wissen, der bisherige Verlauf, Ergebnisse von Werkzeugen und ein Gedächtnis über frühere Schritte. Ziel ist, dass das Modell genau die Informationen sieht, die es für eine richtige Antwort braucht.
Der Begriff hat sich vor allem mit KI-Agenten verbreitet, die über viele Schritte arbeiten. Einen Überblick bietet Wikipedia. Die Grundidee, Wissen bei jeder Anfrage gezielt nachzuladen, beschreibt die Forschungsarbeit zu Retrieval-Augmented Generation (Lewis et al. 2020).
Warum das zählt: Viele falsche Antworten entstehen nicht durch eine schlechte Formulierung, sondern weil das Modell die passende Information nicht gesehen hat. Fehlt die richtige Textstelle im Kontext, rät das Modell. Steht sie dort, mit Quelle, lässt sich die Antwort prüfen.
Context Engineering vs. Prompt Engineering.
Beide hängen zusammen. Prompt Engineering ist ein Teil von Context Engineering: Es formuliert die Anweisung. Context Engineering entscheidet, was sonst noch mitgeht, und tut das bei jeder Anfrage automatisch neu.
| Merkmal | Prompt Engineering | Context Engineering |
|---|---|---|
| Gegenstand | die Anweisung | alles, was das Modell sieht |
| Wer macht es? | wer die Anweisung schreibt: Nutzer oder Admin | das System, bei jeder Anfrage |
| Wichtigste Mittel | Rolle, Aufgabe, Format, Beispiele | Suche, Auswahl, Kürzen, Reihenfolge |
| Typischer Fehler | unklare Aufgabe | falsches oder zu viel Wissen im Kontext |
Sechs Techniken für besseren Kontext.
Diese sechs Techniken prägen in RAG-Systemen und bei KI-Agenten die Qualität der Antworten. Die meisten lassen sich messen und einstellen.
1 · Auswählen
Nur Textstellen, die zur Frage passen. Hybride Suche und Reranking holen die besten Treffer nach oben.
2 · Kürzen
Langen Verlauf und Werkzeug-Ergebnisse zusammenfassen, statt sie vollständig mitzuschicken.
3 · Ordnen
Wichtiges an den Anfang oder ans Ende. Modelle nutzen die Mitte langer Kontexte oft schlechter (Liu et al. 2023, „Lost in the Middle“).
4 · Trennen
Anweisungen und Daten klar markieren. Text aus Dokumenten und E-Mails ist Inhalt, keine Anweisung.
5 · Begrenzen
Ein festes Token-Budget je Teil. So bleibt Platz für die Antwort und die Kosten je Anfrage bleiben planbar.
6 · Belegen
Jede Textstelle mit Quelle mitgeben und die Quelle in der Antwort verlangen. So lässt sich jede Aussage prüfen.
Wie viel Kontext braucht eine Anfrage?
Ein Beispiel aus einem typischen RAG-System: Die Systemanweisung braucht 500 Tokens, fünf Textstellen à 512 Tokens kommen auf 2.560, der Verlauf auf 1.000, und für die Antwort sind 1.000 reserviert. Zusammen sind das 5.060 Tokens. Ein Kontext von 8.192 Tokens je Anfrage lässt damit Luft für längere Fragen.
Jedes zusätzliche Token kostet Rechenzeit und, bei Cloud-Modellen, Geld. Bei einem eigenen Server wächst mit dem Kontext auch der Speicherbedarf je gleichzeitiger Anfrage. Wie viel in Ihr Fenster passt, rechnen Sie mit dem Kontextfenster-Rechner und dem Tokenizer nach.
| Teil | Tokens | Stellschraube |
|---|---|---|
| Systemanweisung | 500 | kurz und fest halten |
| Abgerufenes Wissen | 2.560 (5 × 512) | Anzahl und Größe der Textstellen, Reranking |
| Verlauf | 1.000 | ältere Nachrichten zusammenfassen |
| Antwort | 1.000 | Länge im Format vorgeben |
| Zusammen | 5.060 von 8.192 | Puffer für lange Fragen und Werkzeuge |
Context Engineering mit RAGSuite.
RAGSuite übernimmt den Teil des Context Engineering, der Ihr Wissen betrifft: Dokumente einlesen und in Textstellen zerlegen, zu jeder Frage die passenden Stellen suchen und mit Quelle an das Modell geben. Über den MCP-Server bekommen auch andere KI-Werkzeuge und Agenten dieses Wissen mit Quelle.
Wie die einzelnen Stufen zusammenspielen, vom Chunking bis zur Auswahl der Textstellen, erklärt der Ratgeber RAG-Pipeline mit Startwerten.
Für die Qualität gilt: messen statt raten. Legen Sie echte Fragen mit erwarteten Antworten an und prüfen Sie nach jeder Änderung an Chunking, Suche oder Anweisung, ob Antwort und Quelle stimmen. Kleine Änderungen am Kontext können mehr bewirken als ein Wechsel des Modells.
Ist Ihr Kontext gut gebaut?
Haken Sie ab, was erledigt ist. Nichts wird gespeichert.
Fragen zu Context Engineering.
Was ist Context Engineering einfach erklärt?
Context Engineering heißt, gezielt zu steuern, was ein Sprachmodell bei einer Anfrage zu sehen bekommt: Anweisungen, passende Textstellen aus Ihren Dokumenten, den bisherigen Verlauf und Ergebnisse von Werkzeugen. Je besser dieser Kontext ausgewählt und geordnet ist, desto genauer und belegbarer wird die Antwort.
Was ist der Unterschied zwischen Context Engineering und Prompt Engineering?
Prompt Engineering formuliert die Anweisung gut. Context Engineering sorgt dafür, dass alles Nötige im Kontext steht, und zwar bei jeder Anfrage aufs Neue: das richtige Wissen, die richtige Menge, in der richtigen Reihenfolge. Prompt Engineering ist damit ein Teil von Context Engineering, kein Ersatz dafür.
Was hat Context Engineering mit RAG zu tun?
Sehr viel. Retrieval-Augmented Generation, kurz RAG, ist die wichtigste Technik, um Wissen in den Kontext zu bringen: Zu jeder Frage werden passende Textstellen gesucht und mitgegeben. Wie gut das gelingt, hängt von Chunking, Suche, Reranking und der Reihenfolge im Kontext ab. Genau das ist Context Engineering.
Wird ein größeres Kontextfenster Context Engineering überflüssig machen?
Eher nicht. Ein größeres Fenster erlaubt mehr Text, kostet aber mehr Rechenzeit und Geld je Anfrage. Außerdem nutzen Modelle Informationen in der Mitte langer Kontexte oft schlechter als am Anfang oder Ende. Gezielt ausgewählter Kontext bleibt deshalb meist besser als möglichst viel Kontext.
Ist Context Engineering auch für KI-Agenten wichtig?
Besonders dort. Ein Agent sammelt über viele Schritte Werkzeug-Ergebnisse, Zwischenstände und Verlauf. Ohne Kürzen und Ordnen füllt sich der Kontext schnell mit Unwichtigem, und die Qualität sinkt. Gute Agenten fassen Zwischenergebnisse regelmäßig zusammen und holen Wissen gezielt mit Quelle nach, statt alles mitzuschleppen.
Der richtige Kontext für jede Antwort.
Sanjay zeigt Ihnen, wie RAGSuite passende Textstellen auswählt, nach Relevanz sortiert und mit Quelle an das Modell gibt.