Wie unterscheidet sich Context Engineering von Prompt Engineering?

Prompt Engineering entwirft eine einzelne Anweisung. Context Engineering verwaltet die gesamte Informationsmenge im Fenster über einen kompletten Agenten-Durchlauf hinweg – einschließlich Retrieval, Memory, Tool-Ergebnissen und Komprimierung.

Warum nicht einfach ein größeres Kontextfenster verwenden?

Größere Fenster helfen, beseitigen das Problem jedoch nicht: Qualität und Kosten verschlechtern sich, wenn sich Fenster mit Token mit geringem Signalgehalt füllen. Kuratierung gewinnt weiterhin.

Wie hängt es mit RAG und Memory zusammen?

RAG und Memory sind Kontextquellen; Context Engineering entscheidet, was davon tatsächlich wann und in welcher Form in das Fenster gelangt.

Ist es Teil von Harness Engineering?

Ja. Kontextmanagement ist eine der Kernschichten des Harness, die Modellfähigkeiten in zuverlässiges Agentenverhalten umwandelt.

Harness EngineeringAktualisiert 2026-06-21 · Version 1.0

Was ist Context Engineering?

Context Engineering ist die Disziplin der Entscheidung, welche Informationen in jedem Schritt in das begrenzte Kontextfenster eines Modells gelangen – und welche draußen bleiben. Da Agenten über viele Schritte hinweg laufen, verschlechtert das naive Einfügen aller Daten in den Kontext Qualität und Kosten. Context Engineering kuratiert die richtigen Anweisungen, das abgerufene Wissen, Tool-Ergebnisse und den Speicher, sodass das Modell genau das hat, was es braucht, wenn es gebraucht wird. Es ist ein Kernbestandteil des Harness Engineering.

Evidenz: BranchenbeobachtungKonfidenz: HochQuelle: BranchenbeobachtungQuelle: Paper

Maschinenlesbar: JSON

Definition

Context Engineering ist die Praxis des Kuratierens, Komprimierens und Sequenzierens der im Kontextfenster eines Modells platzierten Informationen, sodass es bei jedem Schritt das relevanteste Signal – und das geringste Rauschen – erhält.

Wichtigste Erkenntnisse

Kontext ist eine knappe Ressource; was man weglässt, ist ebenso wichtig wie das, was man einbezieht.
Mehr Kontext ist nicht besser – irrelevante Tokens verschlechtern die Qualität und erhöhen die Kosten.
Techniken: Retrieval, Zusammenfassung, Kompaktierung und strukturierter Speicher.
Es verallgemeinert Prompt Engineering von einem einzelnen Prompt auf einen gesamten Agenten-Durchlauf.
Es ist eine Kernschicht des Harness um ein Modell.

Kontext

Jedes Modell hat ein begrenztes Kontextfenster, und die Qualität sinkt, wenn es mit Inhalten mit geringem Signalwert gefüllt wird. Bei der Nutzung in einem einzigen Turn ist dies handhabbar, aber Agenten sammeln über viele Schritte hinweg Verlauf, Tool-Ausgaben und abgerufene Dokumente an, was das Fenster schnell überfordert.

Context Engineering behandelt das Fenster als ein Budget, das bewusst verwaltet werden muss: Dauerhafte Anweisungen beibehalten, nur das abrufen, was jetzt relevant ist, den Rest zusammenfassen oder kompaktieren und den Langzeitstatus außerhalb des Fensters im Speicher ablegen.

Architektur

Kernschritte: Auswählen (nur relevante Passagen abrufen), Komprimieren (vorherige Schritte zusammenfassen), Kompaktieren (veraltete Turns verwerfen oder einklappen) und Externalisieren (Langzeitstatus in einen Speicher verschieben und bei Bedarf wieder abrufen).

In einem Agenten-Loop wird der Kontext bei jedem Schritt aus verschiedenen Schichten neu zusammengesetzt: stabilen Systemanweisungen, Aufgabenstatus, relevantem abgerufenen Wissen, aktuellen Tool-Ergebnissen und ausgewählten Langzeiterinnerungen – so geordnet, dass das wichtigste Signal am deutlichsten hervortritt.

Komponenten

SystemanweisungenAufgabenstatusAbgerufenes WissenTool-ErgebnisseLangzeitgedächtnisZusammenfassungen / Kompaktierung

Vorteile

Hält die Qualität hoch, wenn Aufgaben länger werden.
Kontrolliert Token-Kosten und Latenz.
Reduziert Ablenkung und Halluzinationen durch Rauschen.
Ermöglicht Agenten mit langem Zeithorizont innerhalb eines begrenzten Kontextes.

Risiken

Zu aggressive Komprimierung kann benötigte Informationen verwerfen.
Schlechtes Retrieval schleust irrelevanten oder falschen Kontext ein.
Komplexität bei der Entscheidung, was in jedem Schritt behalten werden soll.
Fehler an dieser Stelle äußern sich als subtile Qualitätsverschlechterungen.

Tools & Technologien

Retrieval- / RAG-PipelinesZusammenfassungsmodelleMemory-SpeicherKontextmanagement-Frameworks (z. B. LangGraph)

Beispiele

Zusammenfassen früherer Agentenschritte, damit das Fenster auf die aktuelle Teilaufgabe fokussiert bleibt.
Abrufen nur des für eine Frage relevanten Richtlinienabschnitts anstelle des gesamten Handbuchs.
Speichern der Präferenzen eines Benutzers im Gedächtnis und Abrufen dieser nur bei Relevanz.

FAQs

Wie unterscheidet sich Context Engineering von Prompt Engineering?: Prompt Engineering entwirft eine einzelne Anweisung. Context Engineering verwaltet die gesamte Informationsmenge im Fenster über einen kompletten Agenten-Durchlauf hinweg – einschließlich Retrieval, Memory, Tool-Ergebnissen und Komprimierung.
Warum nicht einfach ein größeres Kontextfenster verwenden?: Größere Fenster helfen, beseitigen das Problem jedoch nicht: Qualität und Kosten verschlechtern sich, wenn sich Fenster mit Token mit geringem Signalgehalt füllen. Kuratierung gewinnt weiterhin.
Wie hängt es mit RAG und Memory zusammen?: RAG und Memory sind Kontextquellen; Context Engineering entscheidet, was davon tatsächlich wann und in welcher Form in das Fenster gelangt.
Ist es Teil von Harness Engineering?: Ja. Kontextmanagement ist eine der Kernschichten des Harness, die Modellfähigkeiten in zuverlässiges Agentenverhalten umwandelt.