Context Engineering
Context Engineering ist die gezielte Gestaltung aller Informationen, die ein KI-Modell bei einer Aufgabe zur Verfügung hat: Anweisungen, Hintergrundwissen, Beispiele, frühere Gesprächsschritte, Ergebnisse von Werkzeugen und abgerufene Dokumente. Ziel ist, dass das Modell genau die Informationen bekommt, die es braucht, nicht mehr und nicht weniger.
Der Begriff verbreitete sich 2025 und gilt als Weiterentwicklung des Prompt Engineering.
Warum das für euch zählt
Schlechte KI-Ergebnisse haben selten mit der Formulierung des Prompts zu tun, meist fehlt Kontext: Markensprache, Zielgruppe, Fakten, Beispiele. Context Engineering verlagert die Arbeit vom einzelnen Prompt auf eine gepflegte Wissensgrundlage. Für Teams heißt das: Wer seinen Kontext einmal sauber aufbaut, bekommt bei jeder Aufgabe bessere Ergebnisse.
Einordnung
Prompt Engineering fragt, wie eine Anweisung formuliert sein muss. Context Engineering fragt, welche Informationen insgesamt im Kontextfenster stehen sollten. Das wird wichtiger, je mehr Aufgaben KI-Agenten selbstständig erledigen, weil sich der Kontext über viele Schritte aufbaut und schnell unübersichtlich wird.
Zu viel Kontext schadet ebenfalls. Lange, ungeordnete Informationen lenken das Modell ab und verschlechtern die Ergebnisse. Gutes Context Engineering wählt aus, verdichtet und ordnet.
Woraus besteht der Kontext einer KI?
Typische Bestandteile:
- Systemanweisungen: Rolle, Regeln und Grenzen
- Wissen: Markensprache, Fakten, Personas
- Beispiele: gelungene Ergebnisse als Vorbild
- Verlauf: bisherige Schritte und Rückmeldungen
- Werkzeugergebnisse: Recherchen, Dokumente, Daten
Wie setzt ihr Context Engineering im Content-Prozess um?
Vier Schritte haben sich bewährt:
- Wissen zentral pflegen statt in einzelnen Prompts.
- Je Aufgabe festlegen, welche Teile des Wissens gebraucht werden.
- Beispiele für gute Ergebnisse hinterlegen.
- Ergebnisse auswerten und den Kontext verbessern, wenn derselbe Fehler wiederholt auftritt.
Ein Marketingteam hinterlegt Markensprache, Produktfakten, Personas und gelungene Beispieltexte in einer Wissensbasis. Je nach Aufgabe lädt die KI nur die passenden Teile, für einen LinkedIn-Beitrag etwa Tonalität, Persona und zwei Beispielposts, für einen Fachartikel zusätzlich Produktfakten und Quellen.
Typische Fehler
- Alles mitgeben: Zu viel Kontext verwässert die Ergebnisse.
- Kontext im Prompt verstecken: Wissen, das bei jeder Aufgabe gebraucht wird, gehört in eine gepflegte Wissensbasis.
- Veralteter Kontext: Falsche Fakten im Kontext führen zu falschen Ergebnissen, egal wie gut der Prompt ist.
Häufige Fragen
Was ist Context Engineering?
Die gezielte Auswahl und Ordnung aller Informationen, die ein KI-Modell für eine Aufgabe erhält, damit es verlässlich gute Ergebnisse liefert.
Was ist der Unterschied zu Prompt Engineering?
Prompt Engineering optimiert die einzelne Anweisung. Context Engineering gestaltet den gesamten Kontext: Wissen, Beispiele, Verlauf und Werkzeugergebnisse.
Wie fangen Teams mit Context Engineering an?
Indem sie das Wissen, das bei vielen Aufgaben gebraucht wird, zentral sammeln: Markensprache, Zielgruppen, Produktfakten und gute Beispiele, und es gezielt je Aufgabe bereitstellen.