---
term: "Context Compaction"
slug: "context-compaction"
glossar_id: "G222"
variants: ["Compaction"]
category: "kontextfenster-kontextmanagement-und-kontextprobleme"
marker: ""
short: "Verdichtung älterer Kontextbestandteile für die weitere Bearbeitung."
sources:
  - label: "Anthropic: Context Engineering"
    url: "https://www.anthropic.com/engineering/effective-context-engineering-for-ai-agents"
  - label: "OpenAI: Compaction"
    url: "https://developers.openai.com/api/docs/guides/compaction"
status: "entwurf"
updated: "2026-09-21"
---

Context Compaction ist die Verdichtung eines angewachsenen Arbeitskontexts, damit ein KI-System mit weniger aktivem Material weiterarbeiten kann. [Anthropic: Context Engineering](https://www.anthropic.com/engineering/effective-context-engineering-for-ai-agents) [OpenAI: Compaction](https://developers.openai.com/api/docs/guides/compaction) Dabei sollen die für folgende Schritte benötigten Informationen erhalten bleiben. [Anthropic: Context Engineering](https://www.anthropic.com/engineering/effective-context-engineering-for-ai-agents)

## Mehr als eine kurze Gesprächszusammenfassung

Ein beschriebenes Verfahren fasst den bisherigen Verlauf zusammen und beginnt ein neues Kontextfenster mit dieser verdichteten Grundlage. [Anthropic: Context Engineering](https://www.anthropic.com/engineering/effective-context-engineering-for-ai-agents) Auch das Entfernen nicht mehr benötigter roher Werkzeugausgaben kann als leichte Form der Kontextverdichtung dienen. [Anthropic: Context Engineering](https://www.anthropic.com/engineering/effective-context-engineering-for-ai-agents)

Die konkrete Umsetzung ist anbieterabhängig. Manche Schnittstellen legen dafür einen nicht menschenlesbaren Compaction-Eintrag an, der relevante Zustandsinformationen für weitere Aufrufe transportiert. [OpenAI: Compaction](https://developers.openai.com/api/docs/guides/compaction)

Compaction darf deshalb nicht allgemein mit einer sichtbaren Zusammenfassung in natürlicher Sprache gleichgesetzt werden. Der zurückgegebene kompaktierte Kontext kann außerdem weitere erhaltene Elemente enthalten, nicht nur einen einzigen Verdichtungseintrag. [OpenAI: Compaction](https://developers.openai.com/api/docs/guides/compaction)

## So kannst du dir das vorstellen

Eine hypothetische KI hat über viele Schritte einen Fehler untersucht. Für die Fortsetzung brauchst du vor allem bestätigte Befunde, ausgeschlossene Ursachen, offene Prüfungen und die zugehörigen wichtigen Belege.

Eine verdichtete Übergabe könnte diese Punkte erhalten, ohne jede Suchausgabe und jede erfolglose Zwischenformulierung erneut zu übergeben. Wenn eine scheinbar nebensächliche Messbedingung später entscheidend wird, müsste sie allerdings noch verfügbar oder erneut abrufbar sein.

Das Beispiel zeigt die fachliche Anforderung. Es behauptet nicht, dass jedes Compaction-Verfahren exakt diese Felder erzeugt.

## Verdichtung kann Informationen verlieren

Das Hauptrisiko ist zu aggressive Komprimierung, bei der später benötigte Feinheiten entfallen. [Anthropic: Context Engineering](https://www.anthropic.com/engineering/effective-context-engineering-for-ai-agents) Die passende Verdichtung ist deshalb ein Qualitätsproblem und nicht nur eine Frage der eingesparten Tokens.

Für die Umsetzung würde ich repräsentative Fortsetzungsaufgaben nach der Compaction testen. Wichtige Originalbelege sollten bei Bedarf erneut zugänglich bleiben; eine kleine Übergabe allein beweist noch nicht, dass alle Voraussetzungen für die weitere Arbeit erhalten sind.

## Verwandte Begriffe

**Context Summarization**, **Tool-Result Clearing**, **Context Reset**, **Context Loss**, **Context Management**.