Context Engineering
Die Praxis, einer KI das Drumherum mitzugeben, das sie nicht selbst riechen kann.
Du bittest die KI, einen Login-Endpunkt (die Funktion, die Benutzer anmeldet) zu schreiben. Sie liefert generischen Standardcode — falsches Framework, falscher Ordner, falsches Fehlerformat. Die KI ist nicht dumm. Sie kennt dein Projekt einfach nicht.
Context Engineering ist die Disziplin, der KI genau die richtigen Informationen zu geben, damit sie Code produziert, der zu deiner Codebasis passt — nicht nur irgendeinen Code, der fehlerfrei durchläuft. Am Ende dieses Artikels verstehst du, was Context Engineering von Prompt Engineering unterscheidet, was in eine Regeldatei gehört und wie du entscheidest, welche Informationen der Agent wann braucht.
Vom Prompt zum Kontext
Definition
Context Engineering — Das Arbeitsumfeld der KI gestalten
Analogie
Definition
Die Onboarding-Analogie hat eine Grenze: Ein neuer Mitarbeiter lernt dauerhaft. Ein KI-Agent hat ein begrenztes Kontextfenster und kann Informationen verlieren, wenn es überläuft. Die Analogie erfasst das Problem des Vergessens nicht.
Du optimierst die einzelne Frage. „Schreibe einen Login-Endpunkt“ wird zu „Schreibe einen Login-Endpunkt mit NestJS in src/modules/auth/ mit absoluten Imports.“ Die Qualität hängt davon ab, wie detailliert du jedes Mal formulierst.
Du optimierst das Arbeitsumfeld. Die KI weiß bereits durch eine Regeldatei, dass dein Projekt NestJS nutzt, wo Services liegen und welche Fehlerkonventionen gelten. „Schreibe einen Login-Endpunkt“ reicht — der Kontext liefert den Rest.
Achtung
Häufiger Irrtum
„Ein besserer Prompt löst alles.“ — Selbst ein perfekter Prompt kann fehlenden Projektkontext nicht ersetzen. Du könntest jedes Mal „nutze NestJS, absolute Imports, lege es in src/modules/auth/ ab“ schreiben — aber das bedeutet, dein gesamtes Projekt-Setup in jeder Konversation zu wiederholen. Context Engineering lagert das in eine dauerhafte Datei aus, damit der Agent informiert startet, ohne dass du dich wiederholst.
Die Regeldatei — Dauerhafter Projektkontext
Eine Regeldatei ist eine Projektkonfiguration, die dein KI-Coding-Tool in der Regel automatisch mitliest. Der Inhalt ist natürliche Sprache: Architekturübersicht, Coding-Standards, Build-Kommandos, Anti-Patterns, Workflows. Anthropic empfiehlt, die Datei knapp und gut strukturiert zu halten — kein Dump von allem, sondern eine kuratierte Auswahl dessen, was der Agent braucht und nicht selbst aus dem Code ablesen kann. Jedes Werkzeug hat dafür seine eigene Datei. Daneben gibt es AGENTS.md, ein offenes Format für genau diesen Zweck: GitHub Copilot und Cursor lesen es, Claude Code seit September 2026 ebenfalls, wenn im Projekt keine CLAUDE.md liegt. Wer mehrere Werkzeuge nutzt, kommt so mit einer Datei aus.
Wie bei einer Cockpit-Checkliste für Piloten: Die Regeldatei sorgt nicht dafür, dass die KI fliegen lernt — sie hilft ihr, konsistent die gleichen Prüfungen durchzuführen und weniger Fehler aus Unachtsamkeit zu machen.
Gute Inhalte: kurze Architektur-Übersicht (Framework, Ordnerstruktur, nur was der Code nicht von selbst zeigt), Coding-Konventionen (Import-Stil, Fehlerbehandlung, Namenskonventionen), Build- und Test-Kommandos (npm run dev, npm test), Anti-Patterns (was der Agent nie tun soll), Git-Workflow (Commit-Format, Branch-Strategie). Eine Studie der ETH Zürich (2026) hat nachgemessen: Regeldateien verbessern die Erfolgsquote von Coding-Agenten im Schnitt kaum, machen die Arbeit aber rund ein Fünftel teurer, und allgemeine Projektübersichten helfen gar nicht. Nützlich sind die Dateien vor allem für Vorgaben, die vom Üblichen abweichen und die der Agent nicht selbst aus dem Code ablesen kann.
Schlechte Inhalte: Passwörter, API-Keys oder Zugangsdaten (Sicherheitsrisiko), die gesamte Codebasis (überflutet den Kontext), Informationen, die sich ständig ändern (gehören in aufgabenspezifische Dateien).
Beispiel: Auszug aus einer CLAUDE.md
## Architecture
- Framework: NestJS
- All imports: absolute (never relative)
- Folder: src/modules/[domain]/
## Coding Standards
- Error responses: always use AppException class
- Tests: Jest, one spec file per service
- Never use console.log — use LoggerService
## Build & Run
- npm run dev (port 3000)
- npm test (all specs)Achtung
Häufiger Irrtum
„Einmal schreiben und vergessen.“ — Anthropic beschreibt CLAUDE.md ausdrücklich als fortlaufende Praxis. Wenn die KI wiederholt denselben Fehler macht — Services im falschen Verzeichnis ablegt, den falschen Testbefehl ausführt, ungewollte Kommentare hinterlässt — wird dieser Fehler zur neuen Regel. Die Datei verbessert sich mit der Zeit durch echte Reibungspunkte, nicht nur durch Vorausplanung.
Kontext-Hierarchie — Weniger ist mehr
LLMs haben ein begrenztes Aufmerksamkeitsbudget. Mit wachsendem Kontext nimmt die Präzision beim Wiederfinden und Verknüpfen von Informationen tendenziell ab. Besonders leicht gehen Informationen in der Mitte eines langen Kontexts unter; am Anfang und am Ende findet das Modell sie eher („Lost in the Middle“, Liu u. a. 2023). Neuere Messungen finden diesen Mitte-Effekt nicht bei jedem Modell und nicht bei jedem Füllgrad, das Nachlassen mit wachsender Länge dagegen schon. Die zentrale Frage ist deshalb nicht „Wie bekomme ich alles hinein?“, sondern „Wie lade ich die richtige Information zur richtigen Zeit?“
- 1. Dauerhafte ProjektregelnCLAUDE.md, copilot-instructions.md — Architektur, Standards, Workflows. Immer geladen.
- 2. Aufgabenspezifische DateienRelevante Quelldateien, Beispiele, Dokumentation für die aktuelle Aufgabe.
- 3. KonversationsverlaufDie bisherige Unterhaltung mit dem Agenten — Entscheidungen, Ergebnisse, Feedback.
- 4. WerkzeugergebnisseSuchergebnisse, Dateiinhalte, Test-Outputs — geladen bei Bedarf, just in time.
Stell dir den OP-Tisch eines Chirurgen vor. Im Operationssaal sind tausende Instrumente verfügbar, aber auf dem Tablett liegen nur die Instrumente für den aktuellen Schritt. Mehr Instrumente auf dem Tablett bedeuten mehr Durcheinander, langsamere Entscheidungen, höheres Fehlerrisiko. Der Chirurg fordert spezifische Instrumente an, wenn er sie braucht — just in time.
Die Analogie hat eine Grenze: Ein Chirurg weiß genau, welches Instrument er braucht. Ein KI-Agent muss oft erst während der Arbeit herausfinden, was er braucht, indem er Such- und Lesewerkzeuge einsetzt.
Ein Beispiel: Eine Codebasis mit 50.000 Zeilen. Schlechter Ansatz: Alles in den Prompt kopieren. Guter Ansatz: CLAUDE.md liefert die wichtigsten Projektregeln, der Agent nutzt Suchwerkzeuge, um die spezifischen Dateien für die aktuelle Aufgabe zu finden. Ergebnis: Der Agent arbeitet mit 200 hochrelevanten Zeilen statt in 50.000 Zeilen gemischter Relevanz unterzugehen. Zwischen Regeldatei und Werkzeugergebnissen liegen inzwischen Skills: Ordner mit einer Anleitung (SKILL.md), von denen der Agent anfangs nur Name und Kurzbeschreibung kennt. Den Rest lädt er erst, wenn eine Aufgabe dazu passt. Claude Code, GitHub Copilot und Cursor lesen dieses offene Format.
Eine gute Regeldatei entsteht nicht in einem Wurf, sondern wächst iterativ. Der Prozess: Du startest eine Aufgabe. Du beobachtest, wo der Agent Fehler macht. Du fügst eine Regel hinzu, die den Fehler korrigiert. Beim nächsten Mal arbeitet der Agent näher an deinem Projektstil. Beispiel: Die KI legt Services immer in src/services/ statt in src/modules/[domain]/ ab. Du fügst „Folder: src/modules/[domain]/“ zur Regeldatei hinzu. Ab jetzt nutzt der Agent die korrekte Struktur.
Achtung
Häufiger Irrtum
„Die KI liest automatisch alles.“ — Tut sie nicht. Selbst Modelle mit großen Kontextfenstern verlieren den Fokus bei Überladung. Anthropic betont, dass die Aufmerksamkeit des Modells mit wachsendem Kontext nachlässt. Die Disziplin des Context Engineerings besteht deshalb in der Auswahl — entscheiden, was hineinkommt und was draußen bleibt — nicht im Maximieren der Eingabemenge.
Interaktiv: Warum mehr Kontext nicht immer hilft
Probier es selbst aus: Stell ein, wie voll das Kontextfenster ist und wo die eine wichtige Information steht. Die Box startet mit dem schlechten Ansatz aus dem Beispiel oben: alles hineinkopiert, die wichtige Stelle irgendwo in der Mitte. Je voller das Fenster, desto seltener findet das Modell die Information, und in der Mitte geht sie am leichtesten unter. Den Mitte-Effekt nennen Forschende „Lost in the Middle“ (Liu u. a., 2023); neuere Messungen finden ihn nicht bei jedem Modell. Die Kurven zeigen nur die Richtung, keine Messwerte.
Merke
Das Wichtigste auf einen Blick
- Context Engineering verschiebt den Engpass von der Prompt-Formulierung zur Informationskuration. Nicht nur wie du fragst, sondern vor allem, was der Agent schon weiß, bestimmt die Qualität.
- Eine Regeldatei (CLAUDE.md, copilot-instructions.md, .cursor/rules) ist das Onboarding-Paket des Agenten — Architektur, Konventionen, Kommandos — damit er informiert startet statt bei null.
- Mehr Kontext ist nicht besserer Kontext. Der Agent braucht den kleinsten relevanten Satz zur richtigen Zeit — dauerhafte Regeln als Fundament, aufgabenspezifische Dateien je Aufgabe, Werkzeugergebnisse nur bei Bedarf.
Prüfen
Wissenstest: Context Engineering
Was ist der Hauptunterschied zwischen Prompt Engineering und Context Engineering?
Wähle eine Antwort
1. Was ist der Hauptunterschied zwischen Prompt Engineering und Context Engineering?
2. Ein Entwickler stellt fest, dass sein KI-Assistent Dateien immer im falschen Verzeichnis erstellt. Was ist die Context-Engineering-Lösung?
3. Du hast eine 30.000-Zeilen-Codebasis und möchtest, dass die KI einen einzelnen Service refaktorisiert. Welcher Ansatz folgt dem Prinzip der Kontext-Hierarchie?
4. Die CLAUDE.md-Datei eines Teams enthält das Datenbankpasswort, den vollständigen API-Key und eine Liste aller 200 Microservice-Endpunkte. Welche Aussage bewertet dieses Setup am besten?
Prüfen
Checkpoint: Context Engineering
Kannst du das in eigenen Worten erklären? Hake ab, was sitzt.
0 von 3 sitzen