--- title: "Context Engineering: Definition und Beispiel – Carl-Uwe Würfel" description: "Context Engineering erklärt: wie Anweisungen, Wissen, Verlauf und Werkzeuge ins Kontextfenster eines Sprachmodells kommen und was KI-Agenten verlässlich macht." url: https://carl-wuerfel.de/glossar/context-engineering author: Carl-Uwe Würfel --- 1. [Start](https://carl-wuerfel.de/) 2. [Wissen](https://carl-wuerfel.de/wissen) 3. [Glossar](https://carl-wuerfel.de/glossar) 4. Context Engineering # Context Engineering Context Engineering ist die gezielte Gestaltung aller Informationen, die ein Sprachmodell bei einem Aufruf sieht: Anweisungen, abgerufenes Wissen, Verlauf, Werkzeuge und Zwischenergebnisse. ## Auf dieser Seite 1. Was im Kontext steht 2. Mehr Kontext ist nicht besser 3. Die Grundtechniken 4. Abgrenzung zu Prompt Engineering, RAG und MCP 5. Rechte, Datenschutz und Sicherheit 6. Woran man eine gute Umsetzung erkennt 7. Die Grenze des Begriffs 8. Häufige Fragen 9. Quellen Gute Anwendungen geben dem Modell so wenig wie möglich und so viel wie nötig. _Abbildung: Trichter am Beispiel eines Versicherers, dessen KI-Agent Schadensmeldungen vorsortiert. Anfangs bekommt der Agent bei jedem Fall das gesamte Bedingungswerk und den vollständigen Mailverlauf; die Antworten werden langsam, teuer und übersehen einzelne Klauseln. Nach dem Umbau lädt er nur die Bedingungen des betroffenen Tarifs, eine Zusammenfassung des Verlaufs und die Kundendaten, die die zuständige Sachbearbeitung sehen darf; das übrige Material bleibt draußen. Darunter: Die Entscheidung über den Schaden bleibt bei der Sachbearbeitung._ **Beispiel** Ein Versicherer setzt einen [KI-Agenten](https://carl-wuerfel.de/glossar/ki-agenten) ein, der Schadensmeldungen vorsortiert. Anfangs bekommt der Agent bei jedem Fall das gesamte Bedingungswerk und den vollständigen Mailverlauf; die Antworten werden langsam, teuer und übersehen einzelne Klauseln. Nach dem Umbau lädt er nur die Bedingungen des betroffenen Tarifs, eine Zusammenfassung des Verlaufs und die Kundendaten, die die zuständige Sachbearbeitung sehen darf. Die Entscheidung über den Schaden bleibt bei der Sachbearbeitung. Ein Sprachmodell kennt bei jedem Aufruf zwei Dinge: was es im Training gelernt hat, und was im [Kontextfenster](https://carl-wuerfel.de/glossar/context-window) steht. Context Engineering befasst sich mit dem zweiten Teil. Dazu gehören der [System Prompt](https://carl-wuerfel.de/glossar/system-prompt), die Anfrage, Dokumente aus einer Suche, frühere Nachrichten, Notizen aus früheren Sitzungen, die Beschreibungen verfügbarer Werkzeuge und deren Ergebnisse. Anthropic beschreibt Context Engineering als die Strategien, mit denen die bestmögliche Auswahl an [Token](https://carl-wuerfel.de/glossar/token) während der Verarbeitung zusammengestellt und gepflegt wird, einschließlich allem, was außerhalb der eigentlichen Anweisung im Fenster landet. Verbreitet hat sich der Begriff im Juni 2025. Shopify-Chef Tobi Lütke schrieb am 18. Juni, er ziehe „context engineering“ dem Begriff [Prompt Engineering](https://carl-wuerfel.de/glossar/prompt-engineering) vor. Der KI-Forscher Andrej Karpathy schloss sich am 25. Juni an und beschrieb es als Kunst und Wissenschaft, das Kontextfenster für den nächsten Schritt mit genau den richtigen Informationen zu füllen. Hintergrund sind KI-Agenten, die in vielen Schritten arbeiten, Werkzeuge aufrufen und Dokumente nachladen. Dort entscheidet das gesamte Informationspaket über das Ergebnis, die Formulierung der Anweisung ist nur ein Teil davon. Für Führungskräfte ist Context Engineering der Punkt, an dem sich Qualität, Kosten und Datenschutz einer KI-Anwendung treffen. Was im Kontext steht, bestimmt die Antwort. Jedes Token darin wird bezahlt. Und jede Information darin geht an das Modell und damit oft an einen externen Anbieter. Welche Daten eine Anwendung sehen darf, ist deshalb eine Führungsfrage. ## Was im Kontext steht. Bei einem einfachen Chat besteht der Kontext aus wenig: einer Anweisung des Anbieters und der Frage. In einer Unternehmensanwendung kommen viele Bausteine zusammen. Der System Prompt legt Rolle, Regeln und Ausgabeformat fest. Dazu kommen die Anfrage selbst, Treffer aus einer Wissensbasis, der bisherige Gesprächsverlauf, gespeicherte Notizen zu früheren Vorgängen, Beispiele für gute Ergebnisse, die Beschreibungen der Werkzeuge, die das Modell aufrufen darf, und die Ergebnisse dieser Aufrufe. Alle Bausteine teilen sich dasselbe Fenster, gemessen in Token. Jeder zusätzliche Baustein nimmt anderen Platz weg und verlängert die Eingabe, die bei jedem Aufruf neu verarbeitet und bezahlt wird. Das Modell unterscheidet von sich aus nicht zwischen verlässlichen und unzuverlässigen Teilen. Eine veraltete Preisliste im Kontext wirkt so glaubwürdig wie die aktuelle. Und was nicht im Kontext steht, existiert für das Modell nicht, außer es kam im Training vor. Fehlt eine nötige Information, füllt das Modell die Lücke oft mit einer plausiblen Annahme, einer sogenannten [Halluzination](https://carl-wuerfel.de/glossar/hallucination). Context Engineering heißt deshalb, für jede Aufgabe festzulegen, was hineingehört und was draußen bleibt. ## Mehr Kontext ist nicht besser. Kontextfenster sind in den vergangenen Jahren stark gewachsen. Daraus folgt nicht, dass man sie füllen sollte. Mehrere Untersuchungen zeigen, dass Modelle mit langen Eingaben schlechter umgehen als mit kurzen. Die Studie „Lost in the Middle“ von Nelson F. Liu und Kollegen (2023) zeigte, dass Modelle Informationen am Anfang und am Ende einer langen Eingabe besser nutzen als in der Mitte. Das Forschungsteam des Datenbankanbieters Chroma testete im Juli 2025 18 Modelle und fand, dass die Leistung mit wachsender Eingabelänge schwankt, auch bei einfachen Aufgaben. Anthropic nennt den Effekt Context Rot und spricht von einem Aufmerksamkeitsbudget, das jedes zusätzliche Token verbraucht. Der Entwickler Drew Breunig hat typische Fehlerbilder beschrieben, die LangChain aufgegriffen hat: Ein Fehler gerät in den Kontext und wird immer wieder aufgegriffen, zu viel Material lenkt ab, überflüssige Informationen verwirren, und widersprüchliche Angaben stehen nebeneinander. Ein großes Fenster ist deshalb eine Obergrenze und keine Zielgröße. Gute Anwendungen geben dem Modell so wenig wie möglich und so viel wie nötig. ## Die Grundtechniken. Das Team des Framework-Anbieters LangChain ordnet die Techniken im Juli 2025 in vier Gruppen. Schreiben heißt, Informationen außerhalb des Fensters abzulegen, etwa als Notizen eines Agenten, die er später wieder lädt. Auswählen heißt, nur passende Inhalte hineinzuholen: Treffer aus einer Suche wie bei [RAG](https://carl-wuerfel.de/glossar/rag), die zur Aufgabe passenden Werkzeuge, relevante Erinnerungen. Verdichten heißt, lange Verläufe zusammenzufassen und alte Werkzeugergebnisse zu kürzen. Trennen heißt, Teilaufgaben an eigene Agenten mit eigenem Fenster zu geben, die nur ein Ergebnis zurückmelden. Anthropic beschreibt dieselben Ideen für lang laufende Aufgaben: Verdichtung des Verlaufs, strukturierte Notizen und Teilagenten. Dazu kommt das Nachladen bei Bedarf. Statt alles vorab mitzugeben, erhält der Agent Verweise wie Dateipfade oder Links und holt Inhalte erst, wenn er sie braucht. Für Werkzeuge empfiehlt Anthropic eine möglichst kleine Auswahl mit klar getrennten Aufgaben. Auch die Reihenfolge zählt. Prompt Caching setzt voraus, dass der Anfang der Eingabe genau gleich bleibt. Stabile Teile wie System Prompt und Werkzeugbeschreibungen stehen deshalb vorn, wechselnde Teile hinten. So sinken Kosten und Wartezeit wiederkehrender Aufrufe. ## Abgrenzung zu Prompt Engineering, RAG und MCP. Die Begriffe liegen auf verschiedenen Ebenen und ergänzen sich. Prompt Engineering gestaltet die Anweisung: Aufgabe, Rolle, Beispiele, Format. Es fragt, wie etwas formuliert wird. Context Engineering fragt, welche Informationen das Modell insgesamt bekommt, und schließt die Anweisung ein. Der System Prompt gehört zu beidem. RAG (Retrieval-Augmented Generation) ist eine Technik innerhalb des Context Engineering. Sie sucht vor der Antwort passende Passagen aus einer Wissensbasis und legt sie in den Kontext. Context Engineering entscheidet außerdem, wie viele Treffer hineinkommen, wie der Verlauf gekürzt wird und welche Werkzeuge sichtbar sind. Das [Model Context Protocol](https://carl-wuerfel.de/glossar/mcp) (MCP), das Anthropic im November 2024 als offenen Standard vorgestellt hat, ist eine Schnittstelle. Über MCP bindet eine Anwendung Werkzeuge und Datenquellen an. Damit wächst die Menge dessen, was in den Kontext gelangen kann. Was davon tatsächlich hineinkommt, bleibt eine Frage des Context Engineering. [Fine-Tuning](https://carl-wuerfel.de/glossar/fine-tuning) liegt auf einer anderen Ebene. Es verändert das Modell durch zusätzliches Training. Context Engineering lässt das Modell unverändert und gestaltet nur seine Eingabe. ## Rechte, Datenschutz und Sicherheit. Was im Kontext steht, sieht das Modell, und mit ihm oft ein externer Anbieter. Daraus ergeben sich drei Regeln. Erstens darf der Kontext nur enthalten, was die anfragende Person selbst sehen darf. Das muss bei der Suche durchgesetzt werden und nicht in der Anweisung an das Modell. Eine Anweisung wie „Gib keine Gehälter heraus“ ist kein Schutz, weil das Modell sie übergehen oder durch geschickte Fragen dazu gebracht werden kann. Zweitens gelten für personenbezogene Daten im Kontext die Regeln der DSGVO, mit Rechtsgrundlage, Zweckbindung und einem Vertrag mit dem Modellanbieter. Was nicht gebraucht wird, gehört nicht hinein. Drittens ist alles, was von außen in den Kontext kommt, eine mögliche Angriffsfläche. Eine Mail, eine Webseite oder ein Werkzeugergebnis kann versteckte Anweisungen enthalten, die das Modell befolgt. Das OWASP-Projekt führt diese [Prompt Injection](https://carl-wuerfel.de/glossar/prompt-injection) in seiner Liste der wichtigsten Risiken für Anwendungen mit Sprachmodellen an erster Stelle (Ausgabe 2025). Gute Anwendungen protokollieren deshalb, welche Inhalte bei einem Aufruf im Kontext standen. Nur so lässt sich später nachvollziehen, warum eine Antwort so ausfiel. ## Woran man eine gute Umsetzung erkennt. Eine gute Umsetzung erkennt man daran, dass der Kontext für jede Aufgabe bewusst festgelegt ist und nicht zufällig wächst. Für jede Aufgabe ist beschrieben, welche Quellen, Werkzeuge und Teile des Verlaufs hineingehören. Gemessen wird an echten Fällen. Eine feste Liste von Aufgaben mit bekannten richtigen Ergebnissen dient als Test für jede Änderung, ob neues Modell, andere Suche oder gekürzter Verlauf. Bei Anwendungen mit Suche wird getrennt geprüft, ob die richtige Information im Kontext war und ob das Modell sie richtig verwendet hat. Weitere Kennzeichen: Jeder Aufruf wird mit seinen Kosten erfasst, sodass sichtbar ist, welche Bausteine die Eingabe aufblähen. Veraltete Quellen sind ausgeschlossen, bevor sie gefunden werden können. Das System darf sagen, dass es keine passende Information hat. Werkzeuge sind wenige und klar beschrieben. Die Kosten hängen vor allem an der Eingabelänge mal der Zahl der Aufrufe, dazu kommt der Aufwand für Aufbau, Tests und Pflege der Quellen. Wer einen Dienstleister beauftragt, sollte fragen, wie der Kontext je Aufgabe zusammengestellt, gemessen und protokolliert wird. ## Die Grenze des Begriffs Context Engineering verbessert, was ein Modell zu sehen bekommt, nicht das Modell selbst. Fähigkeiten, die dem Modell fehlen, und Wissen, das nirgends aufgeschrieben ist, bringt auch der beste Kontext nicht hinein. Abzugrenzen ist es von Prompt Engineering als Gestaltung der Anweisung, von RAG als einer Technik zum Abruf von Wissen und von Fine-Tuning, das das Modell durch Training verändert. Ein guter Kontext macht ein richtiges Ergebnis wahrscheinlicher, prüfen muss es trotzdem ein Mensch. ## Häufige Fragen Was ist Context Engineering? Context Engineering ist die gezielte Gestaltung aller Informationen, die ein Sprachmodell bei einem Aufruf sieht: Anweisungen, abgerufenes Wissen, Verlauf, Werkzeuge und Zwischenergebnisse. Ziel ist, dass das Modell genau die Informationen bekommt, die es für die Aufgabe braucht. Wichtig wird es vor allem bei KI-Agenten und Anwendungen mit eigener Wissensbasis. Was ist der Unterschied zwischen Context Engineering und Prompt Engineering? Prompt Engineering gestaltet die Anweisung, Context Engineering das gesamte Informationspaket im Kontextfenster. Dazu gehören neben der Anweisung auch abgerufene Dokumente, Verlauf, Notizen und Werkzeuge. Prompt Engineering ist damit ein Teil von Context Engineering. Ist RAG dasselbe wie Context Engineering? Nein. RAG ist eine Technik, die vor der Antwort passende Passagen aus einer Wissensbasis sucht und in den Kontext legt. Context Engineering umfasst mehr, etwa die Kürzung des Verlaufs, die Auswahl der Werkzeuge und die Reihenfolge im Kontext. Warum ist Context Engineering für KI-Agenten wichtig? Weil der Kontext eines Agenten mit jedem Schritt wächst. Jeder Werkzeugaufruf fügt Ergebnisse hinzu, bis das Fenster voll ist oder die Qualität sinkt. Agenten brauchen deshalb Verfahren, um Verläufe zu verdichten, Notizen außerhalb des Fensters abzulegen und Teilaufgaben abzutrennen. Ersetzt ein großes Kontextfenster Context Engineering? Nein. Untersuchungen wie „Lost in the Middle“ und der Bericht „Context Rot“ von Chroma zeigen, dass Modelle lange Eingaben ungleichmäßig nutzen. Ein großes Fenster erhöht außerdem Kosten und Wartezeit. Es ist eine Obergrenze, keine Empfehlung, es zu füllen. Welche Techniken gehören zum Context Engineering? Die wichtigsten Gruppen sind Auswählen, Verdichten, Ablegen und Trennen. Konkret heißt das: Suche wie bei RAG, Zusammenfassen langer Verläufe, Notizen außerhalb des Fensters, Teilagenten mit eigenem Kontext und das Nachladen von Inhalten erst bei Bedarf. Dazu kommt eine Reihenfolge, die Prompt Caching ermöglicht. Wer braucht Context Engineering? Alle, die Sprachmodelle in Abläufe einbinden, etwa mit internen Assistenten, Wissenssuche oder KI-Agenten. Für einzelne Fragen in einem Chat genügt meist eine gute Anweisung. Sobald eine Anwendung Dokumente, Werkzeuge oder lange Verläufe nutzt, entscheidet der Kontext über Qualität und Kosten. ## Weiter * [**KI-Glossar**](https://carl-wuerfel.de/glossar) * [**KI-Automatisierung**](https://carl-wuerfel.de/ki-automatisierung) * [**Prompt Engineering**](https://carl-wuerfel.de/glossar/prompt-engineering) * [**Kontextfenster**](https://carl-wuerfel.de/glossar/context-window) * [**RAG: Retrieval-Augmented Generation**](https://carl-wuerfel.de/glossar/rag) * [**MCP: Model Context Protocol** Begriff](https://carl-wuerfel.de/glossar/mcp) * [**System Prompt** Begriff](https://carl-wuerfel.de/glossar/system-prompt) * [**KI-Agenten** Begriff](https://carl-wuerfel.de/glossar/ki-agenten) ## Quellen 1. [Anthropic, Effective context engineering for AI agents, 2025](https://www.anthropic.com/engineering/effective-context-engineering-for-ai-agents) 2. [Tobi Lütke, Beitrag auf X zu „context engineering“, 18. Juni 2025](https://x.com/tobi/status/1935533422589399127) 3. [Andrej Karpathy, Beitrag auf X zu „context engineering“, 25. Juni 2025](https://x.com/karpathy/status/1937902205765607626) 4. [LangChain, Context Engineering for Agents, 2025](https://www.langchain.com/blog/context-engineering-for-agents) 5. [Nelson F. Liu u. a., Lost in the Middle: How Language Models Use Long Contexts, 2023](https://arxiv.org/abs/2307.03172) 6. [Chroma, Context Rot: How Increasing Input Tokens Impacts LLM Performance, 2025](https://www.trychroma.com/research/context-rot) 7. [Anthropic, Introducing the Model Context Protocol, 2024](https://www.anthropic.com/news/model-context-protocol) 8. [OWASP, LLM01:2025 Prompt Injection, Top 10 für LLM-Anwendungen, 2025](https://genai.owasp.org/llmrisk/llm01-prompt-injection/)