Neuer Ansatz im KI-Management: Context Engineering als Schlüssel zur Effizienzsteigerung von Agenten

Von Prompt Engineering zu Context Engineering: Eine neue Ära für KI-Agenten

In der sich rasant entwickelnden Landschaft der Künstlichen Intelligenz (KI) zeichnet sich eine signifikante Verschiebung in der Optimierung von Large Language Models (LLMs) ab. Während das sogenannte "Prompt Engineering" in den letzten Jahren im Mittelpunkt stand, rückt nun ein umfassenderer Ansatz in den Vordergrund: das "Context Engineering". Das KI-Unternehmen Anthropic, bekannt für seine Claude-Modelle, positioniert diesen Paradigmenwechsel als entscheidend, um KI-Agenten zu ermöglichen, ihre begrenzte Aufmerksamkeitsspanne effizienter zu nutzen und auch bei komplexen, langwierigen Aufgaben kohärent zu bleiben.

Die Evolution der Interaktion mit KI-Modellen

Ursprünglich konzentrierte sich das Prompt Engineering darauf, die optimalen Worte und Phrasen für Anweisungen zu finden, um gewünschte Ergebnisse von LLMs zu erzielen. Dieser Ansatz war effektiv für einmalige Klassifikations- oder Textgenerierungsaufgaben. Mit der Zunahme der Autonomie und der Fähigkeiten von KI-Agenten, die über mehrere Inferenzschritte und längere Zeiträume operieren, wird jedoch die Verwaltung des gesamten Kontextes entscheidend.

Context Engineering umfasst die strategische Kuratierung und Pflege des optimalen Satzes von Tokens – also Informationen –, die ein LLM während der Inferenz erhält. Dazu gehören Systemanweisungen, Werkzeuge, externe Daten, die Historie der Nachrichten und Speichersysteme. Es geht darum, nicht nur den initialen Input zu optimieren, sondern den gesamten Zustand, der dem LLM zu einem bestimmten Zeitpunkt zur Verfügung steht, und welche potenziellen Verhaltensweisen dieser Zustand hervorrufen könnte. Dieser iterative Prozess der Kontextkuratierung findet bei jedem Schritt der Modellkommunikation statt.

Warum Context Engineering von entscheidender Bedeutung ist

Trotz ihrer Geschwindigkeit und der Fähigkeit, immer größere Datenmengen zu verwalten, zeigen LLMs, ähnlich wie Menschen, ab einem bestimmten Punkt einen Verlust an Fokus oder Verwirrung. Studien haben das Phänomen des "Context Rot" aufgedeckt: Mit zunehmender Anzahl von Tokens im Kontextfenster nimmt die Fähigkeit des Modells ab, Informationen genau abzurufen. Der Kontext muss daher als eine endliche Ressource mit abnehmendem Grenznutzen behandelt werden.

Die Knappheit der Aufmerksamkeit ist in der Transformer-Architektur der LLMs begründet. Jedes Token bezieht sich auf jedes andere Token, was bedeutet, dass die Anzahl der Beziehungen exponentiell mit der Anzahl der Tokens wächst (n² für n Tokens). Mit einem begrenzten "Aufmerksamkeitsbudget" können LLMs bei wachsendem Kontext schnell überfordert sein. Dies führt dazu, dass sorgfältiges Context Engineering unerlässlich ist, um leistungsfähige Agenten zu bauen.

Strategien für effektives Context Engineering

Anthropic hat verschiedene Techniken identifiziert und entwickelt, um diesen Herausforderungen zu begegnen:

Optimierung von System-Prompts und Werkzeugen

• System-Prompts: Diese sollten spezifisch genug sein, um das Verhalten zu leiten, aber flexibel genug, um breite Heuristiken zuzulassen. Eine Balance zwischen zu spezifischen "if-else"-Regeln und zu vagen, generischen Anweisungen ist hierbei entscheidend. Die Strukturierung von Prompts in Abschnitte (z. B. Hintergrundinformationen, Anweisungen, Werkzeugführung) mittels XML-Tags oder Markdown-Überschriften kann die Klarheit verbessern.
• Werkzeuge: Werkzeuge ermöglichen Agenten die Interaktion mit ihrer Umgebung und das Einholen neuer, zusätzlicher Kontextinformationen. Priorität haben hier die Minimierung funktionaler Überschneidungen und die Maximierung der Token-Effizienz. Werkzeuge sollten eigenständig, fehlerresistent und in ihrer beabsichtigten Verwendung extrem klar sein.

"Just-in-Time"-Datenstrategien und Agentensuche

Ein bemerkenswerter Trend ist die Verlagerung hin zu "Just-in-Time"-Datenstrategien. Anstatt alle Informationen vorab zu laden, speichern Agenten leichte Identifikatoren (z. B. Dateipfade, gespeicherte Abfragen, Weblinks) und rufen Daten nur bei Bedarf dynamisch in den Kontext. Anthropic's Coding-Tool Claude Code nutzt beispielsweise diesen Ansatz, um komplexe Datenanalysen über große Datenbanken durchzuführen, indem es nur die benötigten Informationen lädt und das Kontextfenster schlank hält.

Diese Vorgehensweise ahmt die menschliche Kognition nach: Wir speichern in der Regel keine ganzen Informationskorpora, sondern nutzen externe Organisations- und Indexierungssysteme, um relevante Informationen bei Bedarf abzurufen. Metadaten dieser Referenzen bieten zudem einen Mechanismus zur effizienten Verhaltensverfeinerung.

Bewältigung von Langzeitaufgaben

Für Aufgaben, die über längere Zeiträume (von Minuten bis zu Stunden) reichen, in denen die Token-Anzahl das Kontextfenster des LLM überschreitet, sind spezielle Techniken erforderlich, um Kohärenz und zielgerichtetes Verhalten zu gewährleisten:

• Kompaktierung: Hierbei wird eine Konversation, die sich der Kontextfenstergrenze nähert, zusammengefasst und mit einer komprimierten Zusammenfassung neu gestartet. Dies destilliert den Inhalt des Kontextfensters auf eine hochpräzise Weise, sodass der Agent mit minimaler Leistungsbeeinträchtigung fortfahren kann.
• Strukturierte Notizen: Diese Technik, auch als agentisches Gedächtnis bekannt, beinhaltet, dass der Agent regelmäßig Notizen in einen persistenten Speicher außerhalb des Kontextfensters schreibt. Diese Notizen können später wieder in das Kontextfenster gezogen werden. Dies ermöglicht es Agenten, den Fortschritt bei komplexen Aufgaben zu verfolgen und kritische Kontexte und Abhängigkeiten zu bewahren, die sonst verloren gehen würden.
• Sub-Agenten-Architekturen: Anstatt dass ein einziger Agent versucht, den Zustand über ein ganzes Projekt aufrechtzuerhalten, können spezialisierte Sub-Agenten fokussierte Aufgaben mit sauberen Kontextfenstern bearbeiten. Der Hauptagent koordiniert mit einem übergeordneten Plan, während Sub-Agenten tiefergehende technische Arbeiten ausführen oder Werkzeuge nutzen, um relevante Informationen zu finden. Jede Sub-Agent-Sitzung kann umfangreich sein, gibt aber nur eine komprimierte Zusammenfassung ihrer Arbeit an den Hauptagenten zurück.

Das neue Memory Tool von Anthropic

Mit der Einführung von Claude 4.5 Sonnet hat Anthropic ein neues Memory Tool in der öffentlichen Beta-Phase bereitgestellt. Dieses Tool ermöglicht es Agenten, persistente Wissensbasen aufzubauen und Projektzustände über Sitzungen hinweg zu verwalten. Entwickler können festlegen, wo und wie Daten gespeichert werden. Claude kann Dateien in einem Speicherverzeichnis erstellen, lesen und bearbeiten, das zwischen Konversationen persistent ist.

Anthropic berichtet von signifikanten Leistungssteigerungen durch diese Funktionen. Interne Tests ergaben, dass die Kombination des Memory Tools mit Context Editing die Agenten-basierte Suchleistung um 39 % verbesserte; Context Editing allein führte zu einer Steigerung von 29 %. Bei einer Web-Suche über 100 Runden sank der Token-Verbrauch Berichten zufolge um 84 %.

Die neuen Tools sind auf der Claude Developer Platform verfügbar, einschließlich Integrationen mit Amazon Bedrock und Google Cloud Vertex AI. Anthropic stellt zudem eine detaillierte Dokumentation und ein "Kochbuch" für Entwickler bereit.

Ausblick und Implikationen für B2B-Anwendungen

Context Engineering stellt einen fundamentalen Wandel in der Entwicklung von LLM-basierten Anwendungen dar. Der Fokus verlagert sich von der einmaligen Optimierung von Prompts hin zur durchdachten Kuratierung, welche Informationen zu jedem Zeitpunkt in das begrenzte Aufmerksamkeitsbudget des Modells gelangen. Dies ist besonders relevant für B2B-Anwendungen, wo KI-Agenten zunehmend komplexe, geschäftskritische Aufgaben übernehmen, die über lange Zeiträume hinweg Konsistenz und Präzision erfordern.

Die vorgestellten Techniken werden sich mit der Verbesserung der Modelle weiterentwickeln. Intelligente Modelle erfordern voraussichtlich weniger präskriptives Engineering, was den Agenten mehr Autonomie ermöglicht. Dennoch bleibt die Behandlung von Kontext als wertvolle, endliche Ressource zentral für den Aufbau zuverlässiger und effektiver KI-Agenten. Unternehmen, die diese Prinzipien des Context Engineerings beherrschen, werden in der Lage sein, leistungsfähigere und vielseitigere KI-Systeme zu entwickeln, die reale Probleme mit höherer Effizienz und minimalem menschlichem Eingriff lösen können.

Bibliografie

• Anthropic. (o. J.). Effective context engineering for AI agents. Abgerufen von anthropic.com.
• Anthropic. (o. J.). Context Management. Abgerufen von anthropic.com.
• The Decoder. (2025, 3. Oktober). Anthropic claims context engineering beats prompt engineering when managing AI agents. Abgerufen von the-decoder.com.
• HowAIWorks.ai. (o. J.). Context Engineering: AI Agent Optimization Guide. Abgerufen von howaiworks.ai.
• OpenTools.ai. (o. J.). Anthropic's Context Engineering Genius: The Game-Changer for AI Agents. Abgerufen von opentools.ai.