Context Engineering: Schluss mit mittelmäßigen KI-Ergebnissen - Okeano Blog

Context Engineering: Schluss mit mittelmäßigen KI-Ergebnissen

Autorin: Nathalie BrandkampLesezeit: 5 Min.Zuletzt geändert:

Wenn KI-Systeme in der Praxis genutzt werden kommt es nicht selten vor, dass Nutzer die selben Informationen immer wieder teilen, bevor sie eine neue Aufgabe lösen. Was sich produktiv anfühlt entpuppt sich oft als Zeitfresser. Genau hier kommt Context Engineering zum Einsatz. Was genau das für die Produktivität eines Unternehmens bewirken kann und welche Rolle ein “Skill” in diesem Zusammenhang spielt, erklären wir in diesem Beitrag.

Was ist Context Engineering?

Mit Hilfe von Context Engineering kann ein Nutzer der KI wertvolle Informationen bereitstellen, um die gewünschte Aufgabe oder Frage zu lösen.

Ein klar definierter Kontext stellt sicher, dass nicht wahllos interne Dokumente in den Chat kopiert werden. Stattdessen werden gezielt die relevanten Informationen, Regeln und Rahmenbedingungen bereitgestellt, die der KI helfen, fundierte und auf das Unternehmen abgestimmte Lösungen zu entwickeln.

Damit die KI-Agenten genau das haben, was sie benötigen muss eine Sammlung aus Daten, Dokumenten und Informationen vorab festgelegt werden.

Context Engineering beschreibt genau diesen Prozess und macht damit den Unterschied zwischen echter, intelligenter Nutzung eines KI-Agenten zur Erhöhung der Produktivität im Arbeitsalltag, und generischen Antworten, die erst nach mehreren Chat-Schleifen Sinn ergeben.

Warum braucht man Context Engineering?

KI-Agenten und die ihnen zugrunde liegenden Large Language Models (LLMs) sind leistungsfähige Werkzeuge, die den Eindruck vermitteln können, komplexe Entscheidungen treffen und Lösungen entwickeln zu können, ohne dafür umfangreiche Anleitungen oder zusätzlichen Kontext zu benötigen.

Im Unternehmenskontext stoßen sie jedoch an diverse Grenzen: Insbesondere bei komplexen Fragestellungen, unternehmensspezifischen Zusammenhängen und fundierten Handlungsempfehlungen zeigen sich die Schwächen ihrer zugrunde liegenden Modelle.

Was LLMs einschränkt:

  • Halluzinationen: KI-Antworten, die sinnvoll wirken sind nicht immer inhaltlich korrekt. Zwar weisen viele KI-Anwendungen selbst auf diese Einschränkung hin, dennoch werden ihre Antworten häufig nicht ausreichend kritisch hinterfragt. Das kann zu Fehleinschätzungen und falschen Entscheidungen führen.

  • Kein Zugriff auf interne Daten: Wenn man den KI-Agenten zielgerichtet nutzen möchte ist mehr nötig als nur das gelegentliche Teilen von PDFs, Tabellen oder Schnipseln aus Google Ads und Co. Gleichzeitig ist ein uneingeschränkter Zugriff auf den gesamten Rechner aus Sicherheitsgründen problematisch. Entscheidend ist daher ein klar definiertes Regelwerk, das festlegt, auf welche Daten der Agent zugreifen darf, welchen Kontext er erhält und wie er diese Informationen nutzen kann.

  • Schmaler Kontext: Ein KI-Agent darf sich bei eigener Bestätigung durch den Nutzer an vorherige Gespräche erinnern. Diese Form der Erinnerung reicht jedoch häufig nicht aus, um komplexe Zusammenhänge dauerhaft zu berücksichtigen und fundierte Handlungsempfehlungen abzuleiten. Fehlen relevante Informationen oder ein konsistenter Gesamtkontext, kann die KI je nach Fragestellung zu widersprüchlichen Einschätzungen gelangen. Dadurch sind insbesondere komplexe, aufeinander aufbauende Aufgaben nur eingeschränkt lösbar.

Genau aus diesen Problemen hat sich die Disziplin des Context Engineering entwickelt.

Agentic Context Engineering: Die Basics

Context Engineering setzt sich aus unterschiedlichen Teilen zusammen. Damit du einen wertvollen Kontext bereitstellen kannst, hilft es die wichtigsten Elemente des Kontexts zu verstehen.

Dazu gehören:

  • Defintion von Systemanweisungen und Rollen: Hier wird die Grundlage des Kontext festgelegt. Diese Grundlage bleibt für jeden neuen Chat gleich. Dazu gehören z. B. die Spezifikation der Rolle des KI-Agenten, Beispiele für Reaktionen und Sicherheitsregeln. Damit weiß der KI-Agent genau, wie er sich verhalten soll, welche Fähigkeiten ihm gegeben werden und wo gewollte Restriktionen liegen.

  • Gedächtnis konfigurieren: Was darf sich der KI-Agent merken und wie lange? In diesem Teil des Context Engineering wird festgelegt, welche Informationen der Agent dauerhaft speichern und welche er nur temporär für eine einzelne Sitzung vorhalten soll. Klare Speicherregeln sorgen dafür, dass relevante Informationen langfristig verfügbar bleiben, während kurzlebige oder aufgabenbezogene Daten nach Bedarf verworfen werden. Das ermöglicht eine effiziente Nutzung des verfügbaren Speichers und verhindert, dass unwichtige Informationen den langfristigen Kontext unnötig erweitern.

  • Retrieval-Augmented Generation (RAG): Mit dieser Technik kann ein KI-Agent gezielt externe Wissensquellen durchsuchen und die gefundenen Informationen in die Beantwortung von Anfragen einbeziehen. Dadurch kann das zugrunde liegende LLM Antworten auf unternehmensspezifische oder fachlich spezialisierte Fragen geben, die über sein ursprüngliches Trainingswissen hinausgehen. Die Qualität der Antworten hängt dabei maßgeblich von der Relevanz, Aktualität und Qualität der abgerufenen Informationen ab.

  • Tools bereitstellen: Damit der Agent nicht nur den Kontext versteht, sondern auch aktive Handlungen in externen Systemen durchführen kann, müssen Tools erstellt werden. Dazu zählt z. B. die Suche von bestimmten Angaben innerhalb des Kontexts. Wichtig ist hierbei eine genaue Beschreibung des Zwecks und die Nutzung von Gruppierungen über die Tools hinweg.

Context Engineering Skill: Warum es ohne nicht mehr geht

Skills ergänzen die vorab genannten Werkzeuge um aufgabenbezogene Anleitungen und Abläufe. Sie beschreiben, wie der Agent vorgehen soll, welche Regeln er beachten muss und welche Tools er für einzelne Arbeitsschritte einsetzen kann.

So lassen sich wiederkehrende und komplexe Aufgaben strukturiert und nachvollziehbar bearbeiten. Der Skill ist an sich erst einmal nichts weiteres als eine Text- bzw. Markdown-Datei, welche die gespeicherte Anleitung enthält.

Der Skill wird nach der Einrichtung von dem KI-Agenten automatisch geladen, sobald der Command dazu genannt wird.

pylo-skill

Context Engineering vs. Prompt Engineering

Sowohl das Prompt Engineering als auch das Context Engineering beziehen sich auf die Optimierung des KI-Agenten. Die beiden Konzepte unterschieden sich jedoch in einigen Punkten grundlegend.

Eigenschaften

Prompt Engineering

Context Engineering

Ziel

Optimerung der einmaligen Anfragen an den KI-Agenten

Optimierung der Antworten des KI-Agenten durch Bereitstellung von relevanten Informationen

Fokus

Wie eine Aufgabe formuliert wird

Welche Informationen der KI für die Aufgabe zur Verfügung stehen

Bausteine

Textzeilenformulierung, Entwicklung von sprachlichen Anfragen

Bereitstellung relevanter Daten, Dokumente, Regeln, Wissensquellen und Kontextinformationen

Informationsgrundlage

Informationen, die direkt im Prompt enthalten sind

Informationen aus verschiedenen Quellen, beispielsweise Dokumenten, Datenbanken oder internen Systemen

Umgang mit Unternehmenswissen

Unternehmenswissen wird bei Bedarf direkt in die Anfrage eingebunden

Unternehmenswissen wird systematisch aufbereitet und gezielt bereitgestellt

Wiederverwendbarkeit

Prompts müssen je nach Aufgabe angepasst oder erneut formuliert werden

Kontextstrukturen können zentral definiert und für verschiedene Aufgaben wiederverwendet werden

Fazit

Context Engineering wird für Unternehmen zu einer entscheidenden Disziplin, um das Potenzial von KI-Agenten voll auszuschöpfen und wettbewerbsfähig zu bleiben. Erst durch die gezielte Bereitstellung relevanter Informationen, klarer Regeln und geeigneter Werkzeuge lassen sich KI-Agenten zuverlässig in den Arbeitsalltag integrieren und für komplexe Aufgaben einsetzen. Ein durchdacht aufgebauter Kontext kann ist ein entscheidender Erfolgsfaktor für die langfristige Zukunftsfähigkeit von Unternehmen jeder Branche.

Künstliche Intelligenz

Kostenloses Whitepaper

Dieses Whitepaper gibt dir einen Einblick in die Welt der künstlichen Intelligenz inkl. hilfreicher Tipps für den erfolgreichen Einsatz in der Praxis in 2026.

  • ✓Einstieg in LLMs und künstliche Intelligenz inkl. wertvoller Tipps
  • ✓Mögliche Anwendungsfälle & Vergleich von akutellen KI-Tools inkl. Prompt Vorlagen
  • ✓Die Chancen & Risiken von KI im Überblick

Das könnte Dich auch interessieren:

Erfahre, was AI Slop ist, warum er immer relevanter wird und wie gerade Unternehmen damit umgehen sollten.

6.7.2026
Weiterlesen

Der EU AI Act ist beschlossen und bringt erstmals verbindliche Regeln für künstliche Intelligenz in Europa. Erfahre, welche KI-Systeme betroffen sind, welche Pflichten Unternehmen erwarten und wie hoch die Strafen bei Verstößen ausfallen.

6.7.2026
Weiterlesen

Warum sind Prompt Patterns so entscheidend für erfolgreiches Prompting? Erfahre, wie du mit bewährten Prompt Templates bessere Ergebnisse aus KI herausholst – inklusive 5 praxisnaher Beispiele.

6.7.2026
Weiterlesen

Wie du mit der ROMAN-Formel bessere Prompts schreibst und mehr aus KI-Tools wie ChatGPT herausholst – einfach erklärt, praxisnah und sofort anwendbar.

6.7.2026
Weiterlesen

Klingt spannend?

Wir sollten uns kennenlernen!