Context Engineering für KI-Agenten: Ein praktischer Leitfaden (2026)
Was Context Engineering ist, wie es sich vom Prompt Engineering unterscheidet, die vier Kerntechniken, wie die wichtigsten Frameworks im Vergleich abschneiden, wie man es misst und wie man es in Multi-Agent-Systemen anwendet.
Ein KI-Agent ist immer nur so gut wie die Informationen, die in dem Moment in seinem Kontextfenster liegen, in dem er entscheidet, was als Nächstes zu tun ist – und genau diese Informationen zu kuratieren ist die eigentliche Herausforderung. Wenn Prompt-Engineering das Schreiben einer guten Anweisung ist, dann ist Context-Engineering das Management der gesamten Informationsumgebung, in der das Modell arbeitet: Systemanweisungen, Tools, abgerufene Dokumente, Gedächtnis (Memory) und der laufende Verlauf der Aufgabe. Da Agenten zunehmend längere, mehrstufige Aufgaben übernehmen, ist dies zum entscheidenden Hebel dafür geworden, ob sie erfolgreich sind oder still und leise scheitern. Dieser Leitfaden behandelt, was Context-Engineering ist, wie es sich von Prompt-Engineering unterscheidet, die zentralen Techniken und wie man es in echten Agentensystemen anwendet.
Warum Context-Engineering wichtig ist
Context-Engineering ist wichtig, weil große Sprachmodelle ein endliches Kontextfenster haben, und wie man dieses Fenster füllt, bestimmt die Qualität jeder Entscheidung, die der Agent trifft. Ein Modell ist nur so gut wie die Informationen, die ihm vorliegen – gibt man ihm zu wenig, halluziniert es; gibt man ihm zu viel oder die falsche Art von Informationen, verschlechtert sich seine Genauigkeit.
Das ist kein rein theoretisches Problem. Forscher haben einen „Lost in the Middle"-Effekt dokumentiert, bei dem Modelle Informationen am Anfang und am Ende eines langen Kontexts zuverlässig nutzen, aber Fakten übersehen, die in der Mitte vergraben sind. Praktiker beschreiben ein verwandtes Problem, das sie "Context Rot" nennen: Je länger ein Gespräch oder ein Agentenlauf wird, desto mehr irrelevante Tokens sammeln sich an, das Signal-Rausch-Verhältnis sinkt, und das Modell beginnt, schlechtere Entscheidungen zu treffen. Das Fenster ist nicht kleiner geworden – es ist überladen.
Der Wandel in der Terminologie spiegelt einen echten Wandel in der Praxis wider. Im Jahr 2025 argumentierten führende Stimmen der KI-Branche – darunter Andrej Karpathy und Shopifys Tobi Lütke –, dass „Context Engineering" viel besser beschreibt, was Menschen tatsächlich tun, die ernsthafte LLM-Anwendungen bauen, als „Prompt Engineering" es tut. Anthropic veröffentlichte Leitlinien für effektives Context-Engineering bei Agenten; Teams hinter Agentenprodukten wie Manus schrieben ausführlich über die Lektionen, die sie beim Management von Kontext in der Produktion gelernt haben. Der Konsens: Bei agentenbasierten Systemen ist der Kontext das Produkt.
Was ist Context-Engineering?
Context-Engineering ist die Disziplin, zum Zeitpunkt der Inferenz die richtige Menge an Tokens für ein Modell zusammenzustellen, sodass das Modell genau das hat, was es braucht, um die nächste richtige Aktion auszuführen – nicht mehr und nicht weniger. Der „Kontext" umfasst alles innerhalb des Fensters:
- Systemanweisungen – die Rolle, Einschränkungen und Verhaltensregeln des Agenten
- Tools und ihre Definitionen – welche Aktionen der Agent ausführen kann und wie diese beschrieben sind
- Abgerufenes Wissen – Dokumente, Suchergebnisse oder Datenbankeinträge, die für diese Aufgabe herangezogen werden
- Gedächtnis (Memory) – Fakten, die aus früheren Momenten der Sitzung oder aus vorherigen Sitzungen übernommen werden
- Gesprächs- und Aktionsverlauf – das laufende Protokoll dessen, was gesagt und getan wurde
- Die aktuelle Nutzeranfrage – das unmittelbare Ziel
Context-Engineering ist die Gesamtheit der Entscheidungen darüber, was in jeden dieser Slots kommt, in welcher Form und wann. Es behandelt das Kontextfenster als eine knappe, verwaltete Ressource statt als einen Eimer, in den man immer weiter Text hineingießt.
Das Kontextfenster ist ein endliches Aufmerksamkeitsbudget – Context-Engineering entscheidet, was jeden Slot füllt.
Context-Engineering vs. Prompt-Engineering
Der Unterschied zwischen Context-Engineering und Prompt-Engineering liegt im Umfang: Prompt-Engineering optimiert eine einzelne Anweisung, während Context-Engineering die gesamte, dynamische Informationsumgebung über eine mehrstufige Aufgabe hinweg verwaltet. Prompt-Engineering ist eine Teilmenge von Context-Engineering.
| Prompt-Engineering | Context-Engineering | |
|---|---|---|
| Umfang | Ein Prompt / eine Anweisung | Das gesamte Kontextfenster über die Zeit |
| Zustand | Größtenteils zustandslos, einmalig | Zustandsbehaftet, entwickelt sich über viele Schritte |
| Fokus | Formulierung, Beispiele, Formatierung | Was einbezogen, abgerufen, gemerkt und verworfen werden soll |
| Typische Nutzung | Eine einzelne Vervollständigung oder ein Chat-Turn | Autonome Agenten, langlaufende Aufgaben |
| Verhinderter Fehler | Eine vage oder missverstandene Anweisung | Context Rot, Ablenkung, widersprüchlicher Zustand |
Prompt-Engineering bleibt weiterhin wichtig – ein gut formulierter Systemprompt ist Teil von gutem Context-Engineering. Aber sobald ein Agent über Dutzende von Schritten läuft, Tools aufruft und Verlauf ansammelt, ist die Formulierung eines einzelnen Prompts nicht mehr der Engpass. Was zählt, ist die Disziplin, die alles darum herum verwaltet.
Die vier zentralen Techniken
Die meiste Arbeit im Context-Engineering lässt sich auf vier Operationen am Kontextfenster reduzieren. Eine nützliche Eselsbrücke: schreiben (write), auswählen (select), komprimieren (compress) und isolieren (isolate).
Schreiben, Auswählen, Komprimieren und Isolieren – die vier Operationen hinter jeder Context-Engineering-Entscheidung.
1. Schreiben (Write) – Kontext außerhalb des Fensters persistieren
Nicht alles, was der Agent braucht, sollte im Prompt liegen. Kontext zu schreiben bedeutet, Informationen extern zu speichern – Notizblöcke (Scratchpads), Dateien, ein Memory-Speicher, eine Aufgabenliste –, sodass sie über ein einzelnes Fenster hinaus bestehen bleiben und gezielt abgerufen werden können. Ein langlaufender Agent, der seinen Plan in eine Datei schreibt und ihn wieder einliest, bleibt weitaus zuverlässiger auf Kurs als einer, der sich allein auf den Gesprächsverlauf verlässt.
2. Auswählen (Select) – nur das gerade Relevante einbeziehen
Das Auswählen von Kontext ist die Kunst, im richtigen Moment die richtige Information abzurufen: das spezifische Dokument, die relevante frühere Entscheidung, genau die eine Tool-Definition, die dieser Schritt braucht. Hier leben Retrieval-Augmented Generation (RAG), semantische Suche und intelligente Tool-Auswahl. Das Ziel ist Präzision – die drei relevanten Fakten herauszuziehen, nicht die dreihundert benachbarten.
3. Komprimieren (Compress) – Tokens reduzieren bei erhaltenem Signal
Kontext zu komprimieren bedeutet, zusammenzufassen oder zu kürzen, sodass das Fenster Bedeutung enthält, nicht Umfang. Gängige Taktiken umfassen das Zusammenfassen abgeschlossener Teilaufgaben, das Kürzen ausführlicher Tool-Ausgaben und das Ersetzen langer Verläufe durch eine verdichtete Zusammenfassung. Komprimierung ist es, was einem Agenten erlaubt, länger an einer Aufgabe zu arbeiten, als sein rohes Kontextfenster sonst zulassen würde.
4. Isolieren (Isolate) – Kontext über Agenten oder Grenzen hinweg aufteilen
Kontext zu isolieren bedeutet, verschiedenen Teilen eines Problems ihre eigenen sauberen Fenster zu geben – zum Beispiel, einen Sub-Agenten mit nur dem Kontext zu starten, den er für eine Teilaufgabe braucht, und dann nur das Ergebnis zurückzugeben. Isolation verhindert, dass ein Teil einer Aufgabe einen anderen verunreinigt, und ist die Grundlage zuverlässiger Multi-Agenten-Systeme.
Wie die führenden Frameworks sich einordnen
Eine Quelle der Verwirrung ist, dass jedes große Team sein eigenes Vokabular für dieselben zugrunde liegenden Operationen verwendet. Anthropic, LangChain und Graphdatenbank-Anbieter wie Neo4j beschreiben Context-Engineering alle unterschiedlich – aber sie lassen sich sauber auf die vier oben genannten Operationen abbilden. Diese Tabelle bringt sie in Einklang:
| Operation (dieser Leitfaden) | Anthropics Einordnung | LangChains Einordnung | Knowledge-Graph-/GraphRAG-Einordnung |
|---|---|---|---|
| Schreiben (außerhalb des Fensters persistieren) | Strukturierte Notizen, Agentengedächtnis (NOTES.md, To-do-Listen) | Store und State; Tools, die über Command schreiben | Langzeitgedächtnis; der Graph selbst als persistenter Speicher |
| Auswählen (das gerade Relevante abrufen) | Just-in-time-Kontext, agentenbasierte Suche, hybrides Retrieval | Dynamische Tool-/Nachrichtenauswahl; Tools, die lesen | Hybrides RAG, GraphRAG, „minimal lebensfähiger Kontext" |
| Komprimieren (Tokens reduzieren, Signal erhalten) | Compaction; das „Aufmerksamkeitsbudget" klug einsetzen | Lebenszyklus-Zusammenfassung über Middleware | Token-/Kostenbudgetierung; die „Kontextpyramide" |
| Isolieren (getrennte, saubere Fenster) | Sub-Agenten-Architekturen, die destillierte Zusammenfassungen zurückgeben | Lebenszyklusgrenzen und Sub-Agenten | Übergaben und Protokolle (z. B. MCP) |
Wenn Sie diese Quellen gelesen haben und das Gefühl hatten, sie widersprächen sich, liegt das daran: Sie beschreiben dieselben vier Bewegungen aus unterschiedlichen Blickwinkeln. Wählen Sie das Vokabular, das zu Ihrem Stack passt – die Operationen sind das, was zählt.
Context-Engineering für Multi-Agenten-Systeme
In Multi-Agenten-Systemen wird Context-Engineering zu einem Koordinationsproblem: Jeder Agent braucht genug Kontext, um seine Aufgabe zu erledigen, aber zu viel gemeinsam genutzter Kontext erzeugt Rauschen, Kosten und widersprüchlichen Zustand. Das vorherrschende Muster ist ein Orchestrator, der den übergeordneten Plan hält und eng abgegrenzte Teilaufgaben an spezialisierte Sub-Agenten delegiert, die jeweils in einem isolierten Fenster arbeiten.
Jeder Sub-Agent erhält ein sauberes, isoliertes Fenster und gibt nur ein destilliertes Ergebnis zurück – das verhindert gegenseitige Kontamination.
Das funktioniert wegen des oben genannten „Isolate"-Prinzips. Ein Recherche-Sub-Agent, der nur die Forschungsfrage und seine eigenen Erkenntnisse sieht, wird besser abschneiden als einer, der sich auch durch den unzusammenhängenden Verlauf der Coding-Aufgabe eines anderen Agenten wühlen muss. Der Orchestrator komprimiert dann die Ausgabe jedes Sub-Agenten auf das wesentliche Ergebnis, bevor er es in den Hauptkontext zurückführt. Gut gemacht, ist dies die Art und Weise, wie Teams Agenten an Aufgaben arbeiten lassen, die jedes einzelne Kontextfenster um ein Vielfaches überschreiten würden.
Häufige Fehlermuster im Context-Engineering
Die meisten Agentenfehler lassen sich auf eine Handvoll wiederkehrender Kontextprobleme zurückführen. Sie zu benennen macht es leichter, dagegen zu gestalten:
| Fehlermuster | Wie es aussieht | Primäre Lösung |
|---|---|---|
| Context Poisoning | Eine Halluzination oder ein Fehler gelangt in den Kontext und wird immer wieder referenziert, wodurch sich der Fehler verstärkt | Isolieren + nur verifizierte Fakten schreiben |
| Context Distraction | Das Fenster wächst so stark, dass das Modell sich übermäßig auf den angesammelten Verlauf fokussiert und aufhört, über das eigentliche Ziel nachzudenken | Komprimieren |
| Context Confusion | Irrelevante Informationen überfüllen das Fenster und verleiten das Modell zu einer falschen Wahl | Enger auswählen |
| Context Clash | Neu abgerufene Informationen widersprechen dem, was bereits im Fenster steht, und das Modell kann die beiden nicht in Einklang bringen | Auswählen + auf eine einzige Quelle der Wahrheit schreiben |
Die vier zentralen Techniken sind die Gegenmittel: schreiben, um auszulagern, auswählen, um relevant zu bleiben, komprimieren, um Unordnung zu reduzieren, und isolieren, um gegenseitige Kontamination zu verhindern.
Ein Fehlermuster, das die populären Leitfäden selten behandeln, ist ein sicherheitsrelevantes: Prompt-Injection über abgerufenen Kontext. Wenn ein Agent eine Webseite, ein Dokument oder ein Tool-Ergebnis heranzieht, kann dieser Inhalt Anweisungen enthalten, die darauf ausgelegt sind, den Agenten zu kapern. Behandeln Sie alles, was Sie in das Fenster auswählen, als nicht vertrauenswürdige Eingabe – halten Sie abgerufene Daten getrennt von Systemanweisungen und führen Sie die Tool-Ausführung in einer Sandbox aus, statt direkt auf einer vertrauenswürdigen Maschine.
Wie man misst, ob Context-Engineering funktioniert
Man misst Context-Engineering, indem man den Aufgabenerfolg gegen die dafür benötigten Tokens und die Zeit verfolgt – gutes Context-Engineering erhöht die Erfolgsquote und hält die Kosten gleich oder senkt sie. Die meisten Leitfäden beschreiben Techniken, sagen aber nie, wie man weiß, ob sie funktionieren; das sind die Metriken, die diese Lücke schließen.
- Aufgabenerfolgsquote – der Anteil der Durchläufe, die ein korrektes, vollständiges Ergebnis erreichen. Dies ist die Ergebnismetrik; alles andere ist ein Mittel dazu. Verfolgen Sie sie anhand eines festen Evaluierungssets repräsentativer Aufgaben, damit Sie vor und nach jeder Änderung vergleichen können.
- Kontexteffizienz (Tokens pro erfolgreicher Aufgabe) – gesamt verbrauchte Tokens geteilt durch erfolgreiche Abschlüsse. Ein sinkendes Verhältnis von Tokens pro Erfolg ist das klarste Signal dafür, dass sich Komprimierung und Auswahl auszahlen.
- Fensterauslastung – wie voll das Kontextfenster während einer Aufgabe läuft. Eine konstante Nähe zum Limit deutet auf Context Rot hin; es ist ein Frühindikator dafür, dass komprimiert oder isoliert werden muss.
- Retrieval-Präzision und -Recall – von den Elementen, die Sie in das Fenster ausgewählt haben, wie viele waren tatsächlich relevant (Präzision), und von den verfügbaren relevanten Elementen, wie viele haben Sie einbezogen (Recall). Schlechte Präzision bedeutet, dass Sie Rauschen hinzufügen; schlechter Recall bedeutet, dass Sie das Modell aushungern.
- Latenz und Kosten pro Aufgabe – die praktische Obergrenze. Aggressive „Just-in-time"-Exploration kann die Genauigkeit verbessern, aber den Agenten verlangsamen; diese Metrik hält diesen Kompromiss ehrlich.
Die Disziplin, die all dies zusammenhält, ist Regressionstesten: Halten Sie eine feste Aufgabensuite vor, führen Sie sie nach jeder Änderung an Prompts, Retrieval oder Memory aus, und beobachten Sie, wie sich die Zahlen bewegen. Context-Engineering ohne eine Evaluierungsschleife ist Rätselraten.
Wie Happycapy Context-Engineering anwendet
Happycapy ist ein agentennativer Computer, der KI-Agenten – einschließlich Claude Code – direkt in Ihrem Browser ausführt, und Context-Engineering ist fest in die Arbeitsweise dieser Agenten eingebaut, statt dem Nutzer überlassen zu werden. Drei Designentscheidungen leisten den größten Teil der Arbeit:
- Skills als abgegrenzter Kontext. Statt jede Fähigkeit in einen einzigen Prompt zu packen, lässt Happycapy einen Agenten einen bestimmten Skill heranziehen – ein Deck gestalten, eine Tabelle analysieren, Web-Recherche betreiben –, sodass nur die relevanten Anweisungen und Tools für diese Aufgabe in das Fenster gelangen. Das ist die standardmäßige Anwendung der Prinzipien „Auswählen" und „Isolieren".
- Eine persistente Sandbox mit Gedächtnis und Dateien. Jeder Agent arbeitet in einem isolierten Arbeitsbereich, in dem er Pläne, Zwischenergebnisse und Notizen auf die Festplatte schreiben und später wieder abrufen kann – das Prinzip „Schreiben", damit Fortschritt über ein einzelnes Kontextfenster hinaus erhalten bleibt.
- Zugriff auf über 150 Modelle. Unterschiedliche Schritte haben unterschiedliche Kontextanforderungen; Arbeit an ein passendes Modell weiterzuleiten, ist selbst eine Context-Engineering-Entscheidung.
Der praktische Nutzen ist, dass Sie eine lange, mehrstufige Aufgabe übergeben und den Agenten seinen eigenen Kontext im Hintergrund verwalten lassen können, um dann das fertige Ergebnis zu erhalten – ohne Prompts von Hand nachzujustieren oder das Fenster selbst zu überwachen.
Erste Schritte im Context-Engineering
Sie müssen Ihren Stack nicht neu aufbauen, um anzufangen. Beginnen Sie mit den Gewohnheiten mit der größten Hebelwirkung:
- Behandeln Sie das Kontextfenster als Budget. Fragen Sie sich vor jeder Ergänzung, ob sie ihre Tokens wert ist.
- Verlagern Sie Zustand aus dem Prompt. Nutzen Sie Dateien, Scratchpads oder einen Memory-Speicher für alles, was der Agent behalten muss.
- Rufen Sie eng gefasst ab. Ziehen Sie die spezifischen Fakten heran, die ein Schritt braucht, nicht ganze Dokumente.
- Fassen Sie im Verlauf zusammen. Ersetzen Sie lange Verläufe und ausführliche Tool-Ausgaben durch knappe Zusammenfassungen.
- Isolieren Sie Teilaufgaben. Geben Sie jeder eigenständigen Aufgabe ihr eigenes sauberes Kontextfenster, besonders in Multi-Agenten-Setups.
Wenn Sie lieber nichts davon manuell nachjustieren möchten, führt Happycapy Ihre Aufgaben mit diesen Mustern bereits fest in den Agenten eingebaut aus: Es verwaltet sein eigenes Kontextfenster im Hintergrund – wählt aus, komprimiert und isoliert im laufenden Betrieb –, sodass Sie das gewünschte Ergebnis beschreiben und das Token-Budget nie selbst anfassen müssen.
Häufig gestellte Fragen
F: Ist Context-Engineering dasselbe wie Prompt-Engineering?
Nein. Prompt-Engineering optimiert eine einzelne Anweisung; Context-Engineering verwaltet die gesamte Informationsumgebung, die ein Agent über eine mehrstufige Aufgabe hinweg sieht – Anweisungen, Tools, abgerufene Daten, Gedächtnis und Verlauf. Prompt-Engineering ist ein Teil von Context-Engineering.
F: Warum ist Context-Engineering speziell für KI-Agenten wichtig?
Weil Agenten über viele Schritte laufen, Tools aufrufen und Verlauf ansammeln, füllt sich ihr Kontextfenster schnell. Ohne aktives Management verdrängen irrelevante Tokens das Signal, und die Entscheidungen des Agenten verschlechtern sich – ein Problem, das als Context Rot bekannt ist. Context-Engineering hält das Fenster auf das Wesentliche fokussiert.
F: Was sind die wichtigsten Context-Engineering-Techniken?
Die vier zentralen Techniken sind Schreiben (Kontext außerhalb des Fensters persistieren), Auswählen (nur das gerade Relevante abrufen), Komprimieren (zusammenfassen, um Tokens zu sparen) und Isolieren (Teilaufgaben ihren eigenen sauberen Kontext geben). Die meiste praktische Arbeit ist eine Kombination davon.
F: Ist Context-Engineering im Jahr 2026 eine Fähigkeit, die sich zu lernen lohnt?
Ja. Da immer mehr Software auf LLMs und autonomen Agenten aufgebaut wird, wird die Fähigkeit, Kontext gut zu verwalten, zu einer Kernkompetenz für Entwickler, Prompt-Designer und KI-Produktteams – und macht zunehmend den Unterschied zwischen einem Agenten, der funktioniert, und einem, der es nicht tut.
F: Wie misst man, ob Context-Engineering funktioniert?
Verfolgen Sie die Aufgabenerfolgsquote anhand eines Evaluierungssets sowie Effizienzmetriken: Tokens pro erfolgreicher Aufgabe, Auslastung des Kontextfensters, Retrieval-Präzision und -Recall sowie Latenz/Kosten pro Aufgabe. Gutes Context-Engineering erhöht die Erfolgsquote, während es die Kosten gleich hält oder senkt. Führen Sie die Suite nach jeder Änderung aus, damit Sie sehen können, ob eine Anpassung geholfen oder geschadet hat.
F: Muss ich Context-Engineering selbst betreiben, um KI-Agenten zu nutzen?
Nicht unbedingt. Agentenplattformen wie Happycapy bauen Kontextmanagement in das System ein – indem sie Kontext mit Skills abgrenzen, Zustand in einer Sandbox persistieren und Teilaufgaben isolieren –, sodass Sie mehrstufige Arbeit ausführen können, ohne das Kontextfenster manuell zu justieren.
