Context Engineering: Grundlage zuverlässiger KI-Anwendungen

In der Arbeit mit LLMs gewinnt Context Engineering an Bedeutung. Prompt Engineering galt lange als entscheidend. Doch der Erfolg einer KI-Anwendung hängt heute mehr davon ab, wie gut der Kontext gestaltet ist – die gesamte Informationsumgebung, die das Modell in seinem Context Window sieht. Dieser Beitrag erklärt das Konzept, analysiert Prompts und zeigt, wie du Context Engineering praktisch anwendest.

Überblick: Was ist Context Engineering?

Context Engineering gestaltet und steuert alles, was in das Context Window eines LLMs gelangt. Das umfasst weit mehr als nur die Formulierung einer einzelnen Instruktion. Es geht um das vollständige Briefing – Systemanweisungen, Beispiele, abgerufene Dokumente (RAG), Werkzeugbeschreibungen, Gedächtnis, Gesprächsverlauf und das aktuelle Nutzerquery. Jede dieser Komponenten konkurriert um den begrenzten Platz im Kontextfenster. Während Prompt Engineering die Wortwahl einer Anfrage optimiert, gestaltet Context Engineering die gesamte Input-Architektur. Der Artikel von Amit Shekhar auf Outcome School zeigt: Ein schwaches Modell mit gutem Kontext kann ein stärkeres mit schlechtem Kontext übertreffen. Deshalb ist Context Engineering für zuverlässige KI-Anwendungen wichtig.

Prompt-Analyse

Der Prompt

Sie sind ein freundlicher Kundendienstmitarbeiter für das Unternehmen „TechShop“. Die folgenden Dokumente enthalten relevante Informationen aus unserer Wissensdatenbank: 
DOKUMENT 1: Rückgabe-Richtlinie – Kunden können Artikel innerhalb von 30 Tagen nach Erhalt zurückgeben, sofern sie unbenutzt sind.
DOKUMENT 2: Produktbeschreibung „SmartHome Hub V2“ – unterstützt WLAN, Zigbee, Bluetooth; Garantie 2 Jahre.
 
Aufgabe: Beantworten Sie die folgende Kundenanfrage ausschließlich basierend auf diesen Dokumenten. Verwenden Sie maximal 80 Wörter. Antworten Sie im JSON-Format mit den Feldern „antwort“ und „quellen“ (Liste der Dokumenten-IDs). 
Wenn die Informationen nicht ausreichen, antworten Sie mit „Ich habe leider keine ausreichenden Informationen.“ und setzen Sie quellen auf [].
 
Kundenanfrage: Kann ich meinen SmartHome Hub V2 zurückgeben, wenn er mir nicht gefällt?

Bestandteile

Dieser Prompt enthält mehrere Elemente des Context Engineering in einer realitätsnahen Situation. Wir zerlegen ihn systematisch:

• Rolle/Persona: „freundlicher Kundendienstmitarbeiter für TechShop“ – setzt den Ton und den Verantwortungsbereich fest.
• Kontext: Die eingebetteten Dokumente (RAG) liefern spezifisches Wissen, das das Modell nutzen soll. Der Kontext umfasst ferner die implizite Regel, dass nur diese Dokumente verwendet werden dürfen.
• Aufgabe: Die Kundenanfrage beantworten, basierend auf den Dokumenten.
• Output-Format: JSON mit den Feldern „antwort“ und „quellen“. Dies erleichtert die Weiterverarbeitung in automatisierten Workflows.
• Constraints: Maximale Länge (80 Wörter), ausschließliche Nutzung der angegebenen Dokumente, Fehlerfall (keine ausreichenden Informationen) vordefiniert.

Dieses Beispiel zeigt, dass Context Engineering mehr umfasst als Prompt-Tuning: Die Auswahl der RAG-Dokumente, die Output-Struktur und die Fallback-Logik sind genauso wichtig wie die Anweisungsformulierung. Ein Prompt Engineer ändert vielleicht nur die letzte Zeile. Ein Context Engineer gestaltet das gesamte Informationspaket.

Häufig gestellte Fragen

Wie unterscheidet sich Context Engineering konkret von Prompt Engineering?

Prompt Engineering optimiert die Wortwahl und Struktur einer einzelnen Anweisung. Context Engineering umfasst das gesamte Umfeld: System-Prompt, RAG-Dokumente, Few-Shot-Beispiele, Tool-Beschreibungen, Memory, Gesprächsverlauf und Output-Format. Prompt Engineering ist ein Teilbereich des Context Engineering.

Welche Komponenten gehören in den Context eines LLMs?

Zu den typischen Komponenten zählen: System-Prompt (Rolle, Regeln), Few-Shot-Beispiele (In-Context-Learning), abgerufene Dokumente (RAG), Tool-Beschreibungen (Agenten), Memory (Langzeitgedächtnis), Gesprächsverlauf (Chat-Verlauf), Tool-Ergebnisse und die aktuelle Nutzernachricht. Alle teilen sich denselben begrenzten Kontextraum.

Was ist RAG und wie passt es ins Context Engineering?

Retrieval-Augmented Generation (RAG) ist eine der häufigsten Context-Engineering-Patterns. Statt alles Wissen in den Kontext zu laden, werden nur relevante Textabschnitte (Chunks) per Vektorsuche abgerufen und dem LLM zur Verfügung gestellt. So bleibt der Kontext fokussiert und aktuell.

Wie gehe ich mit langen Gesprächsverläufen um?

Da das Context Window begrenzt ist, können wir nicht den gesamten Verlauf speichern. Techniken wie Zusammenfassung (Summarization), gleitende Fenster (Sliding Window) oder selektive Einbeziehung (z. B. nur die letzten N Nachrichten) helfen, die relevantesten Teile zu bewahren.

Warum ist Memory-Injection wichtig für Agenten?

Agenten benötigen ein Langzeitgedächtnis, um Benutzerpräferenzen oder Fakten aus vorherigen Sitzungen zu berücksichtigen. Statt das gesamte Memory in den Kontext zu laden, werden nur die für die aktuelle Aufgabe relevanten Informationen injiziert. Das spart Platz und verhindert Rauschen.

Kann ich Context Engineering ohne Spezialtools betreiben?

Ja, du kannst viele Prinzipien direkt in der Prompt-Formulierung umsetzen: strukturierte System-Prompts, klare Output-Formate und manuelle Auswahl von Beispielen. Für fortgeschrittene Anwendungen wie RAG oder Agenten sind jedoch Tools wie Vektor-Datenbanken und Orchestrierungsframeworks hilfreich.

Was sind die häufigsten Fehler im Context Engineering?

Typische Fehler sind: Überladung des Kontexts mit irrelevanten Informationen, falsche Reihenfolge der Komponenten (System-Prompt sollte am Anfang stehen), Vergessen von Fallbacks bei fehlendem Wissen und inkonsistente Output-Formate, die das Parsing erschweren.

Quelle

Basiert auf diesem Artikel.