Kontext-Engineering: Warum KI-Agenten klare Grenzen brauchen

Nach einem intensiven Tag auf den AI Engineer Workshops in San Francisco führte mich der Weg zu den Essensständen am Moscone West. Doch statt eines Snacks erwartete mich eine Überraschung: Hunderte Wartende vor einem Workshop zu einem Thema, das es vor zwei Jahren noch nicht einmal gab – Kontext-Engineering. Was auf den ersten Blick wie ein Nischenthema wirkt, entpuppt sich als entscheidender Faktor für die nächste Generation intelligenter Systeme.

Vom Prompt- zum Kontext-Engineering: Warum die KI-Welt umdenkt

Lange Zeit stand die Prompt-Engineering im Mittelpunkt der KI-Diskussion. Die Kunst, durch präzise Anweisungen die besten Antworten aus Sprachmodellen zu extrahieren, war der heilige Gral für Entwickler:innen. Doch mit dem Aufstieg autonomer Agenten – Systemen, die eigenständig Entscheidungen treffen und komplexe Aufgaben lösen – stößt diese Methode an ihre Grenzen.

Mike Swift, CEO von Major League Hacking (MLH), erklärt den Wandel so: „Früher ging es darum, die Sprache zu beherrschen. Heute geht es darum, die Arbeitsweise der Modelle zu verstehen und zu steuern.“ Swift verweist auf Dex Horthy von HumanLayer, der den Begriff Kontext-Engineering prägte. Bei der ersten AI Engineer World’s Fair stellte Horthy eine zentrale These vor: „Agenten verlieren ab etwa 100.000 Token an Leistung.“ Das entspricht etwa 10 % ihres gesamten Kontextfensters – ein kritischer Punkt, ab dem viele Modelle an Präzision einbüßen.

Kontext als knappe Ressource: Wie Modelle „vergessen“

Stellen Sie sich vor, Sie führen ein Gespräch mit einer Person, die sich nur die letzten fünf Sätze merken kann. Mit jedem neuen Satz geht ein Teil des Vorherigen verloren. Genau dieses Problem plagt heute viele KI-Systeme. Kontext-Engineering ist der Versuch, diese Limitierung zu überwinden – oder zumindest zu managen.

Swift vergleicht es mit einem endlosen Meeting: „Je mehr Informationen wir teilen, desto schwerer fällt es dem Modell, den Überblick zu behalten. Menschen vertiefen sich durch Wiederholungen. Modelle verlieren dagegen den Fokus, je voller ihr Kontextfenster wird.“

Für Entwickler:innen bedeutet das: Sie müssen entscheiden, welche Informationen relevant sind – und welche stören. Ben Halpern, Mitgründer von DEV Community, sieht darin die nächste große Optimierungsfront: „Kontext-Engineering ist der Punkt, an dem menschliches Know-how den größten Mehrwert schafft.“ Neben der Kohärenz der Antworten geht es dabei auch um Performance und Kosten – schließlich kostet jedes zusätzliche Token Rechenleistung.

Kontrolle vs. Flexibilität: Zwei Philosophien für KI-Agenten

Doch wie viel Kontrolle ist sinnvoll? Diese Frage spaltet die Entwickler-Community. Dominik Kundel, verantwortlich für die Developer Experience bei Codex, vertritt eine radikale Position: „Wer Kontext zu stark filtert, schränkt die Fähigkeiten des Agenten ein.“

Seine Argumentation: Progressive Entdeckung ist der Schlüssel. Statt dem Modell vorzugeben, welche Daten es nutzen darf, sollte es Zugang zu unstrukturierten Quellen erhalten – etwa Slack, Gmail oder Notion. Kundel illustriert das mit einem Beispiel: „Stellen Sie sich vor, Sie bitten einen Kollegen: ‚Erledige die Sache, die Karen gestern angesprochen hat.‘ Der Kollege – oder in diesem Fall der Agent – muss selbst herausfinden, wer Karen ist, wo das Gespräch stattfand und welche Aufgabe gemeint ist.“

Diese Herangehensweise nennt er „vage Prompts“ – eine Strategie, die auf Flexibilität setzt. Doch sie hat einen Preis: Vorhersehbarkeit. Wie Kundel selbst einräumt, führt strikte Kontextsteuerung zu deterministischen Ergebnissen, die zwar kontrollierbar, aber weniger anpassungsfähig sind.

Die Zukunft: Kein „One-Size-Fits-All“, aber klare Prioritäten

Nach den Diskussionen am Moscone West wird eines klar: Kontext-Engineering ist kein Allheilmittel, sondern ein Werkzeug – und seine Anwendung hängt vom Use Case ab.

• Für präzise Anwendungen wie Kundensupport-Bots ist eine strategische Kontextfilterung sinnvoll. Sie reduziert Halluzinationen und verbessert die Antwortqualität.
• Für generalistische Agenten hingegen ist offener Zugang zu Daten entscheidend. Nur so können sie komplexe, unvorhergesehene Aufgaben bewältigen.

Eines ist sicher: Die Ära, in der Entwickler:innen KI wie einen endlosen Datenmüllcontainer behandelten, ist vorbei. Die Zukunft gehört denen, die verstehen, wie man Arbeitsgedächtnis gestaltet – sei es durch klare Grenzen oder durch intelligente Freiräume. Die Frage ist nicht mehr ob, sondern wie wir diese Technologie steuern.

Die kommenden Monate werden zeigen, welche Philosophie sich durchsetzt. Doch eines ist bereits heute klar: Wer Kontext-Engineering beherrscht, kontrolliert die nächste Stufe der KI-Revolution.