KI-Entwicklung effizient gestalten: So nutzen Sie das Kontextfenster optimal

KI-gestützte Entwicklung sollte nicht dem Zufall überlassen werden. Viele Teams arbeiten mit einem überfüllten Kontextfenster, in dem alte Dateien, Stack Traces und unstrukturierte Informationen die eigentliche Aufgabe überlagern. Doch ein gut gefülltes Kontextfenster ist kein Zufallsprodukt – es ist eine bewusste Entscheidung.

Das in der Open-Source-Community veröffentlichte Framework Context Engineering Framework zeigt, wie sich das Kontextfenster gezielt verwalten lässt. Statt chaotischer Ansammlungen von Code und Notizen entsteht ein strukturierter, budgetierter Ansatz, der die Leistung von KI-Entwicklungstools wie Claude Code, Cursor, Windsurf, GitHub Copilot, Gemini/Antigravity und OpenAI Codex optimiert.

Warum ein strukturiertes Kontextfenster entscheidend ist

Die meisten KI-Workflows behandeln das Kontextfenster wie einen unorganisierten Schreibtisch: Man wirft alles hinein und hofft, dass die KI schon das Richtige findet. Doch genau das führt zu Problemen.

• Ungenauigkeiten in den Antworten: Die KI verliert den Fokus auf frühere Anweisungen.
• Token-Verschwendung: Unnötige Informationen füllen das Fenster und erhöhen die Kosten.
• Fehlende Nachvollziehbarkeit: Ohne klare Struktur wird unklar, welche Daten tatsächlich relevant waren.

Der neue Framework setzt stattdessen auf präzise Kontextplanung. Bevor ein KI-Agent mit der eigentlichen Aufgabe beginnt, erstellt ein dedizierter Agent namens context-engineer ein context-manifest.md. Dieses Dokument definiert:

• Den begrenzten Anwendungsbereich des aktuellen Projekts
• Die relevanten Dateien und Abhängigkeiten
• Wichtige Wissensbausteine (Knowledge Items) und Architekturentscheidungen (ADRs)
• Frühere Projektergebnisse und deren Grenzen
• Eine Schätzung des Token-Verbrauchs für die nachfolgenden Schritte

Dieser Ansatz folgt einer klaren Pipeline: von der Spezifikationserstellung über Architekturprüfung bis hin zur Qualitätssicherung. Jeder Schritt erhält nur die Informationen, die er benötigt – nicht mehr.

Kontext, Gedächtnis und Lernen: Drei separate Bausteine

Ein häufiger Fehler liegt in der Vermischung dreier unterschiedlicher Konzepte:

• Kontext: Die aktuell geladenen Informationen für den aktuellen Lauf.
• Gedächtnis (Memory): Dauerhafte Wissensspeicher, die über einzelne Sitzungen hinausgehen.
• Lernen: Feedbackschleifen, die zukünftige Verhaltensweisen anpassen.

Die meisten Teams reduzieren diese drei Aspekte auf RAG (Retrieval-Augmented Generation), doch das ist zu kurz gedacht. Der Framework trennt sie bewusst:

• Der context-engineer nutzt das Gedächtnis, um bessere Kontexte zu erstellen.
• Das Gedächtnis selbst bleibt jedoch unangetastet – selbst wenn ein Lauf fehlerhaft war.
• Lernen entsteht erst durch wiederholte Mustererkennung und angepasste Regeln.

Diese Trennung verhindert, dass veraltete oder fehlerhafte Informationen die langfristige Wissensbasis kontaminieren.

Kontextverfall: Alte Daten gehören nicht in neue Anfragen

Ein weiteres Problem vieler KI-Workflows: Zu alte Artefakte bleiben im Kontextfenster hängen. Der Framework setzt hier auf Kontextverfall (Context Decay).

• Artefakte, die älter als zwei Pipeline-Phasen sind, werden automatisch zusammengefasst.
• Statt vollständiger Logs oder Zwischenberichte genügt ein prägnantes Gist von etwa 200 Wörtern.
• Diese Zusammenfassung wird durch die summarize-artifact-Funktion erzeugt.

Der Vorteil: Entwickler erhalten nur die relevanten Informationen – ohne Ballast. Statt jede Zwischenüberlegung eines Analysten zu wiederholen, stehen nur noch Akzeptanzkriterien, Randfälle und aktuelle Constraints im Fokus.

Plattformspezifische Anpassungen für maximale Kompatibilität

Nicht alle KI-Entwicklungstools bieten die gleichen Fähigkeiten. Der Framework berücksichtigt diese Unterschiede durch ein Fähigkeits-Tiersystem, dokumentiert in docs/ARCHITECTURE.md:

• Claude Code: Volle Agenten-Orchestrierung möglich.
• Cursor: Unterstützung für .cursor/agents/ und .cursor/skills/, aber Regeln müssen inlined werden.
• Windsurf & Copilot: Persona- und Regelprojektionen.
• Gemini/Antigravity: Liest AGENTS.md und ermöglicht Skill-Aufrufe.
• OpenAI Codex: Benötigt inlined .openai.md-Dateien.

Diese Unterschiede erfordern eine kanonische Schicht in shared/, die alle Plattformen konsistent bedient. Ein Skript wie scripts/check-parity.sh stellt sicher, dass Anweisungen nicht versehentlich in unterschiedlichen Versionen kopiert werden – ein häufiger Grund für Inkonsistenzen.

Lektionen für jedes KI-Projekt

Selbst wer nicht den gesamten 24-Agenten-Framework übernehmen möchte, kann von diesen Prinzipien profitieren:

• Definieren Sie die Unterschiede zwischen Kontext, Gedächtnis und Lernen – und halten Sie sie strikt getrennt.
• Erstellen Sie vor jedem komplexen Arbeitsschritt ein Kontextmanifest – als explizite Übergabe.
• Behandeln Sie alte Artefakte standardmäßig als Zusammenfassungen – nicht als Volltext.
• Strukturieren Sie Kontextübergaben als technische Artefakte – nicht als Konversation.
• Überprüfen Sie Parität, wenn Sie Anweisungen über mehrere Tools hinweg kopieren.

Das Kontextfenster ist kein unendlicher Speicher – es ist ein knappes Design-Element. Wer es wie ein Budget behandelt, spart nicht nur Token, sondern gewinnt auch an Präzision und Zuverlässigkeit.