Context Engineering: dem Agenten geben, was er braucht, nicht alles

Prompt Engineering feilt an der Formulierung einer einzelnen Anweisung — wie Sie die Bitte formulieren, damit das Modell gut antwortet. Context Engineering ist die breitere Disziplin, die gesamte Nutzlast zu entscheiden, die das Modell bei jedem Schritt sieht: die Anweisungen, das abgerufene Wissen, die Tool-Ergebnisse und das Gedächtnis, samt dem, was einzubeziehen und — ebenso wichtig — wegzulassen ist. Bei einem einmaligen Prompt fallen beide nahezu zusammen, doch bei einem Agenten, der vielfach schleift, gehen sie scharf auseinander, denn kein noch so poliertes Prompt rettet einen Kontext voller irrelevanter Dokumente, veralteter Tool-Ausgaben oder feindlichen eingeschleusten Texts. Das Modell beachtet alles im Fenster, als wäre es gleichermaßen beabsichtigt, sodass das, was Sie um die Anweisung herum zusammenstellen, oft mehr zählt als die Anweisung selbst. Die praktische Verschiebung führt von der Optimierung einer Zeichenkette zur Konstruktion eines Zusammenstell-Prozesses pro Schritt: Auswählen, Ordnen, Taggen und Beschneiden dessen, was ins Fenster gelangt. Prompt Engineering ist eine Fähigkeit innerhalb von Context Engineering, kein Ersatz dafür, und bei Agenten lebt der Großteil des Hebels im Zusammenstellen.

Weil das Modell endliche Aufmerksamkeit hat und Sie für jeden Token zahlen, sodass das Hinzufügen von Kontext reale Kosten hat, die den marginalen Nutzen schnell überwiegen. Der erste Kostenpunkt ist verwässerte Aufmerksamkeit: Das Fenster mit marginal relevantem Material zu füllen begräbt die wenigen Fakten, die das Modell wirklich braucht, und die Qualität fällt, obwohl Sie Information hinzugefügt haben. Der zweite ist Geld und Latenz: Jeder Token wird bei jeder Iteration der Schleife bezahlt, ein aufgeblähter Kontext ist also eine wiederkehrende Steuer, kein einmaliger Aufwand, und summiert sich über einen langen Lauf. Der dritte ist Sicherheit: Jedes zusätzliche Dokument oder Tool-Ergebnis ist mehr Fläche, über die eingeschleuster oder vergifteter Inhalt in das Sichtfeld des Modells mitreisen kann, und je mehr nicht vertrauenswürdiges Material vorhanden ist, desto mehr Chancen hat eine feindliche Anweisung, befolgt zu werden. Relevanter, minimaler Kontext schlägt großen in allen drei Dimensionen zugleich. Der Reflex, alles für alle Fälle einzubeziehen, fühlt sich sicher an, ist aber meist der falsche Tausch — die Disziplin ist, einzubeziehen, was der aktuelle Schritt braucht, und den Rest bewusst wegzulassen.

Behandeln Sie jeden Schritt als frisches Zusammenstell-Problem, statt ein stetig wachsendes Transkript mitzuführen. Beziehen Sie vier Dinge ein und nicht mehr: die Aufgaben-Anweisungen, klar und stabil gehalten; nur das abgerufene Wissen, das für den aktuellen Schritt wirklich relevant ist, nicht den ganzen Speicher, und hier verdienen Speicherarchitektur und Retrieval-Qualität ihren Platz; die Tool-Ergebnisse, die der aktuelle Schritt braucht, validiert als nicht vertrauenswürdige Daten; und das minimal nötige Gedächtnis, nach Vertrauensstufe getaggt. Dann lassen Sie alles andere weg. Die zwei Gewohnheiten, die das tragen, sind das Neu-Zusammenstellen pro Schritt, damit der Kontext widerspiegelt, was der Agent jetzt braucht, und nicht alles, was er je gesehen hat, sowie das Taggen der Herkunft, damit das System weiß, welche Teile vertrauenswürdige Anweisungen und welche nicht vertrauenswürdiger Inhalt sind. Gutes Zusammenstellen ist standardmäßig selektiv und nur mit Grund additiv: Sie beginnen beim Minimum, das die Aufgabe erledigen könnte, und fügen ein Stück erst hinzu, wenn sein Fehlen einen konkreten Fehler verursacht. Gut gemacht, sieht der Agent bei jedem Schritt einen knappen, relevanten, herkunftsbewussten Kontext, was zugleich die Qualität verbessert, die Kosten senkt und die Angriffsfläche verkleinert.

Nein — ein größeres Kontextfenster ändert das Budget, nicht die Disziplin, und in mancher Hinsicht macht es Context Engineering wichtiger, nicht weniger. Es ist verlockend, ein Millionen-Token-Fenster als Erlaubnis zu lesen, mit dem Kuratieren aufzuhören und einfach alles hineinzuschütten, aber dieselben drei Probleme bestehen in größerem Maßstab fort. Aufmerksamkeit ist weiterhin endlich: Modelle zeigen Context Rot, bei dem relevante Fakten, in einem riesigen Kontext vergraben, weniger zuverlässig beachtet werden als dieselben Fakten in einem knappen, sodass die Qualität fallen kann, während Sie mehr hinzufügen. Kosten skalieren weiterhin mit Tokens bei jeder Iteration, ein aufgeblähter Kontext ist also eine wiederkehrende Steuer, die ein größeres Fenster leichter auflaufen lässt. Und die Angriffsfläche wächst weiterhin mit jedem zusätzlichen Dokument und gibt eingeschleustem oder vergiftetem Inhalt mehr Raum mitzureisen. Ein größeres Fenster ist wirklich nützlich — es hebt die Obergrenze dessen, was Sie bei Bedarf einbeziehen können —, aber das Ziel bleibt Relevanz, nicht Volumen. Nutzen Sie den zusätzlichen Raum, um die richtigen Dinge vollständiger einzubeziehen, nicht um die Entscheidung darüber, was hineingehört, aufzugeben.