---
term: "Context Engineering"
slug: "context-engineering"
glossar_id: "G205"
variants: []
category: "kontextfenster-kontextmanagement-und-kontextprobleme"
marker: ""
short: "Gezielte Auswahl, Strukturierung und laufende Pflege des Modellkontexts."
sources:
  - label: "Anthropic: Context Engineering"
    url: "https://www.anthropic.com/engineering/effective-context-engineering-for-ai-agents"
status: "entwurf"
updated: "2026-09-21"
---

Context Engineering ist die gezielte Gestaltung und laufende Pflege der Informationen, die ein KI-System dem Modell zur Bearbeitung bereitstellt. [Anthropic: Context Engineering](https://www.anthropic.com/engineering/effective-context-engineering-for-ai-agents) Dazu gehören Auswahl, Strukturierung und Aktualisierung von Anweisungen, Werkzeugbeschreibungen, Daten und Gesprächsverlauf. [Anthropic: Context Engineering](https://www.anthropic.com/engineering/effective-context-engineering-for-ai-agents)

## Den gesamten Arbeitskontext gestalten

Prompt Engineering konzentriert sich auf die Gestaltung von Eingaben und Anweisungen; Context Engineering betrachtet darüber hinaus den gesamten verfügbaren Informationszustand über mehrere Bearbeitungsschritte hinweg. [Anthropic: Context Engineering](https://www.anthropic.com/engineering/effective-context-engineering-for-ai-agents) Die Begriffe überschneiden sich, setzen aber unterschiedliche Schwerpunkte. [Anthropic: Context Engineering](https://www.anthropic.com/engineering/effective-context-engineering-for-ai-agents)

Bei einem Agenten kommen während der Arbeit neue Werkzeugergebnisse und Nachrichten hinzu. [Anthropic: Context Engineering](https://www.anthropic.com/engineering/effective-context-engineering-for-ai-agents) Context Engineering muss deshalb auch klären, was später erhalten bleibt, verdichtet wird oder erst bei Bedarf abgerufen werden soll. [Anthropic: Context Engineering](https://www.anthropic.com/engineering/effective-context-engineering-for-ai-agents)

Das Ziel ist nicht die kürzeste mögliche Eingabe. Gemeint ist vielmehr die kleinste Menge hochwertiger Informationen, die für das gewünschte Ergebnis ausreicht. [Anthropic: Context Engineering](https://www.anthropic.com/engineering/effective-context-engineering-for-ai-agents)

## So kannst du dir das vorstellen

Für einen hypothetischen Wartungsassistenten würdest du mehrere Entscheidungen treffen: Welche Anlagenkennung wird benötigt? Welche Handbuchversion gilt? Soll das System zunächst eine Übersicht oder sofort das gesamte Handbuch lesen?

Zusätzlich müsste feststehen, wie bereits geprüfte Schritte und offene Fragen in der weiteren Bearbeitung erhalten bleiben. Ein guter einzelner Aufgabensatz wäre nur ein Teil dieses Entwurfs.

Als selbst entworfene Prüffrage eignet sich: „Welche Information bekommt das Modell in welchem Schritt, aus welcher Quelle und mit welchem Zweck?“ Damit wird der Informationsfluss greifbar.

## Gestaltung ersetzt keine Qualitätskontrolle

Zu aggressive Verdichtung kann wichtige Einzelheiten verlieren, während ungefilterte Datenmengen den Kontext unnötig belasten. [Anthropic: Context Engineering](https://www.anthropic.com/engineering/effective-context-engineering-for-ai-agents) Welche Auswahl funktioniert, muss deshalb an den Anforderungen der Aufgabe geprüft werden.

Ich würde dafür typische Fälle und bekannte Fehlerfälle verwenden. Besonders hilfreich wären Prüfungen, bei denen eine veraltete Quelle, eine widersprüchliche Angabe oder ein fehlender Zwischenschritt ausdrücklich erkannt werden muss.

## Verwandte Begriffe

**Prompt Engineering**, **Context Curation**, **Context Management**, **Just-in-Time Context**, **Context Compaction**.