Context Engineering ist die Arbeit daran, was ein KI-Modell bei jedem Arbeitsschritt vor sich hat: Anweisungen, Werkzeuge, Beispiele, den bisherigen Verlauf, abgerufene Daten und eigene Notizen. Prompt Engineering fragt, wie du eine Anweisung formulierst. Context Engineering fragt, welche Informationen das Modell genau jetzt braucht und welche nicht. Anthropic beschreibt es als Weiterentwicklung des Prompt Engineering mit einem klaren Ziel: die kleinste Menge an aussagekräftigen Informationen, die das gewünschte Ergebnis am wahrscheinlichsten macht. Wichtig wird das vor allem bei KI-Agenten, die über viele Schritte arbeiten und dabei ständig neues Material in ihren Kontext ziehen.
Ich betreibe mit Claude Code meine Belegschaft aus vierzehn KI-Mitarbeitern, und ein großer Teil meiner Arbeit an ihnen ist genau das: festlegen, was sie wissen, wann sie es lesen und was sie weglassen. Was Kontext überhaupt ist und wie groß das Fenster bei ChatGPT, Claude und Gemini ist, erkläre ich in Kontext und Kontextfenster bei KI erklärt. Hier geht es um die Methode. Alles rund um Agenten sammle ich auf der Seite KI-Agenten.
Was Context Engineering bedeutet
Anthropic hat den Begriff im September 2025 in einem Beitrag seines Engineering-Teams ausführlich beschrieben. Kontext ist dort die Menge der Tokens, die ein Sprachmodell bei einer Antwort berücksichtigt. Context Engineering sind alle Strategien, mit denen du diese Menge auswählst und pflegst, und zwar einschließlich allem, was außerhalb des eigentlichen Prompts dort landet.
Der Kern ist eine Knappheit. Laut Anthropic hat ein Modell ein begrenztes „Aufmerksamkeitsbudget“: Jedes zusätzliche Token verbraucht etwas davon. Je voller der Kontext, desto schlechter findet das Modell darin die eine wichtige Angabe. Anthropic nennt das Context Rot, also das Verrotten des Kontexts. Kontext ist deshalb kein Speicher, den du möglichst voll machst, sondern ein knappes Gut, das du kuratierst.
Dazu kommt ein zeitlicher Unterschied. Einen Prompt schreibst du einmal. Ein Agent dagegen arbeitet in einer Schleife: Er ruft Werkzeuge auf, liest Ergebnisse, schreibt Zwischenstände. Bei jedem dieser Schritte entscheidet sich neu, was in den Kontext kommt. Context Engineering ist deshalb eine laufende Aufgabe, keine einmalige Formulierung. Wie so eine Agenten-Schleife grundsätzlich funktioniert, steht in Was ist ein KI-Agent? Einfach erklärt.
Warum größere Fenster das Problem nicht lösen
Naheliegend wäre, einfach auf größere Kontextfenster zu warten. Anthropic hält das für keinen Ausweg: Auf absehbare Zeit seien Fenster jeder Größe von verschmutztem Kontext und von Fragen der Relevanz betroffen.
Unabhängige Messungen stützen das. Das Forschungsteam von Chroma hat im Juli 2025 18 Sprachmodelle getestet, darunter GPT-4.1, Claude 4, Gemini 2.5 und Qwen3. Das Ergebnis: Die Modelle nutzen ihren Kontext nicht gleichmäßig, und ihre Leistung wird mit wachsender Eingabelänge zunehmend unzuverlässig. Inhalte, die zum Thema passen, aber die Frage nicht beantworten, verschlechtern die Ergebnisse zusätzlich.
Die Bausteine des Kontexts
Anthropic und die Claude-Code-Dokumentation nennen mehrere Stellen, an denen du ansetzt. Ich ordne sie in sieben Bausteine.
1. System-Anweisungen. Klar, einfach, in der „richtigen Flughöhe“: nicht so starr, dass jede Ausnahme als Wenn-dann-Regel drinsteht, und nicht so vage, dass das Modell raten muss. Anthropic empfiehlt, mit einer knappen Fassung zu starten und erst dort zu ergänzen, wo Tests Fehler zeigen.
2. Werkzeuge. Jedes Werkzeug bringt eine Beschreibung mit, die im Kontext liegt. Anthropic warnt vor aufgeblähten Werkzeugkästen: Wenn ein Mensch nicht eindeutig sagen kann, welches Werkzeug in einer Lage passt, kann es ein Agent auch nicht. Wie du Werkzeuge per MCP anbindest, steht in Claude MCP Server einrichten.
3. Beispiele. Wenige, typische Beispiele wirken stärker als eine lange Liste von Sonderfällen. Anthropic rät ausdrücklich davon ab, jede denkbare Regel in den Prompt zu stopfen.
4. Gedächtnis und Notizen. Was dauerhaft gilt, gehört in eine Datei, die zu Beginn geladen wird. Claude Code liest dafür bei jedem Start die CLAUDE.md. Bei langen Aufgaben schreibt ein Agent zusätzlich Notizen außerhalb des Fensters, etwa eine Aufgabenliste, und liest sie später wieder ein. Wie sich CLAUDE.md und AGENTS.md unterscheiden, zeige ich in CLAUDE.md vs AGENTS.md: was überlebt.
5. Abruf im richtigen Moment. Statt alles vorab zu laden, hält der Agent nur Verweise bereit, also Dateipfade, Links oder gespeicherte Abfragen, und holt die Inhalte erst, wenn er sie braucht. Claude Code arbeitet laut Anthropic gemischt: Die CLAUDE.md kommt vorab in den Kontext, Dateien sucht es bei Bedarf selbst. Die vorbereitete Variante mit Suchindex erkläre ich in Was ist RAG? RAG-System einfach erklärt.
6. Verdichtung. Kommt ein Gespräch an die Grenze des Fensters, fasst das Werkzeug den Verlauf zusammen und macht mit der Zusammenfassung weiter. Englisch heißt das Compaction. Die schonendste Form ist laut Anthropic, alte Werkzeugergebnisse zu löschen, die der Agent nicht mehr braucht. Die Claude-API bietet dafür eine eigene Funktion, derzeit als Beta.
7. Subagenten. Ein Subagent erledigt eine Teilaufgabe in seinem eigenen, frischen Kontextfenster und gibt nur eine Zusammenfassung zurück. Laut Anthropic sind das oft 1.000 bis 2.000 Tokens, auch wenn der Subagent selbst ein Vielfaches davon verbraucht hat. Wie ich das in Claude Code einsetze, steht in Claude Code Subagents: Best Practices.
Typische Fehler im Kontext
Der Kontext verrottet. Lange Verläufe sammeln Altlasten: verworfene Ansätze, überholte Zwischenstände, eigene Fehler des Modells. Drew Breunig nennt eine der vier Fehlerarten, die er beschreibt, Context Poisoning: Ein Fehler landet im Kontext und wird danach immer wieder aufgegriffen. Gerade wenn eine KI sich auf etwas Falsches versteift, hilft oft nur ein frischer Kontext mit einer sauberen Zusammenfassung. Mehr dazu in KI-Halluzinationen erkennen und reduzieren.
Zu viel im Kontext. Zwanzig angebundene Werkzeuge, drei komplette Handbücher und der ganze Chatverlauf „zur Sicherheit“. Jedes dieser Teile kostet Aufmerksamkeit, auch wenn es mit der Aufgabe nichts zu tun hat. Breunig beschreibt, wie überflüssiger Inhalt die Antwort in die falsche Richtung zieht.
Widersprüchlicher Kontext. In der einen Datei steht „förmlich, mit Sie“, in der anderen „locker, mit du“. Die Claude-Code-Dokumentation sagt dazu deutlich: Widersprechen sich zwei Anweisungen, wählt Claude unter Umständen willkürlich eine davon. Anthropic empfiehlt, die Anweisungsdateien regelmäßig auf veraltete und widersprüchliche Stellen zu prüfen.
So setze ich Context Engineering ein
Meine KI-Mitarbeiter sind im Kern Context Engineering in Ordnerform. Entscheidend ist die Trennung: Was immer gilt, was nur auf einem Rechner und was nur für einen Auftrag gilt, liegt getrennt. In jeder Personalakte steht, welche Aktionen frei sind, welche nur nach Freigabe laufen und welche nie. Pfade und Werkzeuge, die sich zwischen Mac und Server unterscheiden, stehen in einer eigenen lokalen Datei statt in der gemeinsamen CLAUDE.md; mehr dazu in Claude Code auf dem Server betreiben.
Korrekturen landen in einer Learnings-Datei und gelten ab dann immer; bei Conny, die Reel-Skripte, Hooks und Captions entwirft, sind es seit dem 20. Juli 1.347 Zeilen (Stand September 2026). Was nur einen Auftrag betrifft, bleibt in dessen Ordner: Sebastian, mein SEO-Mitarbeiter, legt dort jedes Tool-Ergebnis ab, damit jede Zahl einen Fundort hat. Jeden Entwurf prüft eine zweite Rolle, die ihn nicht geschrieben hat. Warum jede Arbeit mit einem schriftlichen Auftrag startet, erkläre ich in Spec-Driven Development mit KI-Agenten.
Wie du so eine Personalakte für deinen ersten Mitarbeiter anlegst, steht in KI-Mitarbeiter erstellen: so startest du.
Praktische Regeln
- Klein anfangen. Starte mit einer knappen Anweisung und ergänze erst, wenn ein echtes Ergebnis zeigt, was fehlt.
- Dauerhaftes in Dateien, nicht in den Chat. Was immer gilt, gehört in eine Akte, Projektanweisung oder CLAUDE.md.
- Kurz halten, was immer geladen wird. Die Claude-Code-Dokumentation empfiehlt unter 200 Zeilen je CLAUDE.md, weil längere Dateien mehr Kontext belegen und schlechter befolgt werden. Was nur manchmal gilt, lädst du nur bei Bedarf.
- Verweise statt Volltext. Ein Pfad zur Preisliste ist besser als die Preisliste in jeder Anfrage.
- Werkzeuge ausmisten. Nur anbinden, was die Rolle wirklich braucht.
- Widersprüche suchen. Lies deine Anweisungen in regelmäßigen Abständen gegeneinander.
- Recherche auslagern. Lange Suchläufe gehören in einen Subagenten, damit nur das Ergebnis im Hauptkontext landet.
- Neue Aufgabe, neuer Kontext. Ein frischer Start mit Zusammenfassung schlägt den hundertsten Beitrag im alten Verlauf.
Häufige Fragen
Was heißt Context Engineering auf Deutsch?
Sinngemäß etwa „Kontextgestaltung“. Gemeint ist die gezielte Auswahl und Pflege aller Informationen, die ein KI-Modell bei einer Antwort vor sich hat. Im Deutschen hat sich der englische Begriff gehalten.
Ist Prompt Engineering damit überholt?
Nein. Anthropic sieht Context Engineering als natürliche Weiterentwicklung. Die Anweisung bleibt ein Baustein, sie ist nur nicht mehr der einzige, sobald ein Agent mit Werkzeugen, Daten und langen Verläufen arbeitet.
Brauche ich dafür Programmierkenntnisse?
Nein. Wer in der Claude-App ein Projekt mit Anweisungen und Wissensdokumenten anlegt, betreibt bereits Context Engineering. Mit Claude Code wird es nur feiner steuerbar, etwa über CLAUDE.md, Skills und Subagenten.
Was ist Context Rot?
So nennt Anthropic den Effekt, dass ein Modell Informationen aus seinem Kontext schlechter abruft, je mehr Tokens darin stehen. Laut Anthropic zeigt sich das bei allen Modellen, nur unterschiedlich stark.
Hilft ein größeres Kontextfenster?
Bei langen Dokumenten ja, gegen schlechten Kontext nein. Ein größeres Fenster passt mehr hinein, macht das Modell aber nicht aufmerksamer. Ein aufgeräumter Kontext bleibt laut Anthropic auch bei großen Fenstern der wichtigere Hebel.
Wie du weitermachst
Nimm deine längste Anweisung, ob Projektanweisung oder CLAUDE.md, und streiche alles, was du in den letzten Wochen nie gebraucht hast. Suche danach zwei Sätze, die sich widersprechen. Wie die KI ihr Wissen in Dateien selbst pflegt, zeige ich in LLM-Wiki: Wissen, das die KI selbst pflegt. Wie ein guter Arbeitsrahmen für Agenten beim Programmieren aussieht, steht in Agentic Coding: mehr als Vibe Coding. Warum alles, was in den Kontext gelangt, auch ein Angriffsweg sein kann, erkläre ich in Prompt Injection: KI-Agenten absichern. Wie andere ihre Personalakten und Anweisungen aufbauen, besprechen wir in meiner deutschsprachigen Community Claude Practitioners.
