Context Engineering: warum es zählt und wie man es gut macht

Prompt Engineering stimmt die Frage ab. Context Engineering gestaltet die Umgebung, in der das Modell entscheidet. Für eine einmalige Aufgabe genügt ein guter Prompt. Für einen Agenten, der über viele Schritte läuft, Werkzeuge liest und Speicher mitführt, ist der Prompt nur ein kleiner Teil dessen, was das Modell sieht. Der Rest, was Sie abrufen, was Sie erinnern, welche Werkzeuge Sie wie freigeben, ist Kontext, und er entscheidet weit mehr über das Ergebnis. Deshalb ist das Erweitern eines Agenten-Harness überwiegend Kontextarbeit.

Die meisten Agentenfehler gehen auf eines von vier Kontextproblemen zurück:

• Kontextüberladung. Zu viel im Fenster. Das Modell verliert den Faden, und Kosten und Latenz steigen. Mehr Kontext ist nicht besserer Kontext.
• Kontextvergiftung. Eine falsche oder veraltete Tatsache gelangt ins Fenster, und das Modell behandelt sie als Wahrheit. Ein einziger schlechter abgerufener Ausschnitt kann eine Antwort entgleisen lassen.
• Token-Verwaltung. Das Fenster ist endlich. Ohne einen Plan, was zu behalten und was zu verwerfen ist, wird das wichtige Detail von Rauschen verdrängt.
• Veralteter Speicher. Langlaufende Agenten sammeln Kontext an, der nicht mehr gilt, und handeln danach.

Das Versagen zu benennen ist die halbe Lösung. Jedes hat einen konkreten Gegenzug.

Ein paar Muster kehren in Aufbauten wieder, die verlässlich bleiben:

1. Abrufen, nicht abladen. Ziehen Sie die wenigen relevanten Passagen mit gutem Retrieval, statt alles hineinzukopieren. Das ist der ganze Sinn von RAG, und es ist Context Engineering angewandt auf Daten.
2. Laufend beschneiden. Wenden Sie regelbasierte Bearbeitung im Gerüst an, um das Fenster schlank zu halten: verwerfen, was ein Schritt nicht mehr braucht.
3. Lange Verläufe zusammenfassen. Ersetzen Sie ein langes Transkript durch eine getreue Zusammenfassung, bevor es die Aufgabe verdrängt.
4. Einfach beginnen, bei Bedarf skalieren. Fügen Sie Speicher und Werkzeuge nur hinzu, wenn ein echtes Versagen es verlangt, nicht standardmäßig.

Der Instinkt, mehr hinzuzufügen, ist die Falle. Die Disziplin ist das Weglassen.

Ein größeres Modell behebt ein Kontextproblem selten; es scheitert nur teurer. Die Arbeit, die einen Agenten von der Demo zur Verlässlichkeit bringt, ist fast ausschließlich Kontextarbeit: was er sieht, wann und was er vergessen soll. Bei sehr langen Eingaben zählt auch die Modellarchitektur, und da kommen subquadratische Ansätze ins Spiel, aber für die meisten Teams liegt der Gewinn im Kontext, nicht in den Parametern.