---
term: "Context Confusion"
slug: "context-confusion"
glossar_id: "G215"
variants: []
category: "kontextfenster-kontextmanagement-und-kontextprobleme"
marker: "Uneinheitlich"
short: "Überflüssige Kontextinhalte führen zu einer schlechteren Antwort."
sources:
  - label: "Drew Breunig: How Contexts Fail"
    url: "https://www.dbreunig.com/2025/06/22/how-contexts-fail-and-how-to-fix-them.html"
  - label: "Anthropic: Context Engineering"
    url: "https://www.anthropic.com/engineering/effective-context-engineering-for-ai-agents"
  - label: "Elastic: Context Poisoning und Retrieval"
    url: "https://www.elastic.co/search-labs/blog/context-poisoning-llm"
status: "entwurf"
updated: "2026-09-21"
---

Context Confusion bezeichnet in Drew Breunigs Fehlertaxonomie den Fall, dass ein Modell überflüssige Kontextinformationen verwendet und dadurch eine schlechtere Antwort erzeugt. [Drew Breunig: How Contexts Fail](https://www.dbreunig.com/2025/06/22/how-contexts-fail-and-how-to-fix-them.html) Dazu zählt er auch unnötige Werkzeugangebote, die die Auswahl eines passenden Werkzeugs erschweren können. [Drew Breunig: How Contexts Fail](https://www.dbreunig.com/2025/06/22/how-contexts-fail-and-how-to-fix-them.html)

## Verfügbar, aber für die Aufgabe ungeeignet

Das Problem verlangt keinen Widerspruch zwischen zwei Angaben. Schon zusätzlicher Inhalt ohne hilfreichen Bezug zur Aufgabe kann eine ungeeignete Richtung vorgeben. [Drew Breunig: How Contexts Fail](https://www.dbreunig.com/2025/06/22/how-contexts-fail-and-how-to-fix-them.html)

Ein Werkzeug ist hier eine aufrufbare Funktion, etwa zum Suchen oder Lesen von Daten. [Anthropic: Context Engineering](https://www.anthropic.com/engineering/effective-context-engineering-for-ai-agents) Klar abgegrenzte, verständliche Werkzeuge sind die Gegenmaßnahme; Überschneidungen und schwer unterscheidbare Angebote verschärfen das Problem. [Anthropic: Context Engineering](https://www.anthropic.com/engineering/effective-context-engineering-for-ai-agents)

Context Confusion ist in diesem Artikel eine benannte Beobachtungskategorie. Sie bezeichnet weder einen direkt auslesbaren inneren Zustand des Modells noch einen einheitlichen Fehlercode.

## So kannst du dir das vorstellen

Du fragst hypothetisch nach der vorgesehenen Wartung einer bestimmten Anlage. Die Anwendung stellt zusätzlich Unterlagen einer ähnlich benannten, aber anderen Baureihe bereit.

Wenn die Antwort daraus einen unpassenden Wartungsschritt übernimmt, wären die zusätzlichen Informationen für die konkrete Aufgabe störend. Sie müssten in ihrem ursprünglichen Zusammenhang nicht einmal falsch sein.

Eine passende Prüfung würde daher nicht nur fragen, ob der übernommene Satz irgendwo belegt ist. Sie müsste kontrollieren, ob er zur angefragten Anlage und zum gültigen Stand gehört.

## Erst auswählen, dann beurteilen

Metadaten wie Produktzuordnung und Version können helfen, ähnliche, aber ungeeignete Treffer abzugrenzen. [Elastic: Context Poisoning und Retrieval](https://www.elastic.co/search-labs/blog/context-poisoning-llm) Sie ersetzen jedoch nicht die fachliche Prüfung des gewählten Inhalts.

Von Context Clash wird hier gesprochen, wenn Angaben oder Anweisungen miteinander in Konflikt stehen. [Drew Breunig: How Contexts Fail](https://www.dbreunig.com/2025/06/22/how-contexts-fail-and-how-to-fix-them.html) Semantic Noise legt den Schwerpunkt auf inhaltlich ähnliche, aber für die konkrete Frage irrelevante Treffer. [Elastic: Context Poisoning und Retrieval](https://www.elastic.co/search-labs/blog/context-poisoning-llm) Diese Begriffe können denselben Vorfall aus unterschiedlichen Blickwinkeln beschreiben und müssen nicht trennscharfe Fehlerklassen bilden.

## Verwandte Begriffe

**Context Clash**, **Context Distraction**, **Semantic Noise**, **Context Curation**, **Tool Use**.