Context Engineering
Context Engineering bezeichnet das systematische Management aller Informationen, die einem KI-Modell bzw. KI-Agenten zur Verfügung gestellt werden – System-Instruktionen, Retrieval-Ergebnisse (RAG), Tool-Outputs, Kurzzeit- und Langzeit-Memory sowie Interaktionsverlauf. Im Unterschied zum klassischen Prompt Engineering, das auf die Formulierung einzelner Anfragen zielt, geht es um die Architektur der gesamten Informationsumgebung über mehrere Schritte und Sessions hinweg. Prompt Engineering ist damit eine Teilmenge von Context Engineering. Gebräuchlich wurde der Begriff im Umfeld von Agentic-AI- und RAG-Systemen, weil unstrukturierter oder überladener Kontext die Zuverlässigkeit von KI-Agenten in Produktivsystemen beeinträchtigen kann; dafür hat sich in der Fachdiskussion das Schlagwort "Context Rot" eingebürgert.
In der Praxis
Für Unternehmen, die KI-Chatbots, Such-Assistenten oder Agenten (z. B. für Kundenservice, interne Wissensdatenbanken) einsetzen, entscheidet gutes Context Engineering über Antwortqualität und Halluzinationsrisiko. In der Praxis heißt das: Wissensquellen sauber strukturieren und in abrufbare Einheiten (Chunks) gliedern, damit Retrieval-Systeme präzise die relevanten Ausschnitte liefern; Tool-Ausgaben auf das Wesentliche filtern statt Rohdaten in den Kontext zu kippen; Kurz- und Langzeitgedächtnis der Anwendung sinnvoll trennen (z. B. Sitzungsverlauf vs. Kundenhistorie); Kontextfenster-Budget aktiv steuern, um Kosten und Antwortqualität zu balancieren. Für Websites, die als Wissensquelle für RAG-Systeme oder KI-Agenten dritter Anbieter dienen sollen, gilt zusätzlich: klare Struktur, strukturierte Daten und gut abgegrenzte Inhaltsabschnitte erleichtern maschinelles Retrieval – ein Berührungspunkt zu AEO/GEO-Maßnahmen. Agenturen sollten Kund:innen darauf hinweisen, dass ein einmal gut formulierter Prompt allein keine verlässlichen Agenten-Workflows garantiert – die Systemarchitektur dahinter muss mitgeplant werden.
← Zurück zum Glossar