Context Engineering: Warum weniger Prompt-Regeln bessere KI-Agenten bauen

Context Engineering ist die Disziplin, einem KI-Modell bei jedem Schritt genau die Informationen, Werkzeuge und Anweisungen mitzugeben, die es für eine gute Entscheidung braucht, und nicht mehr. Prompt Engineering fragt, wie man eine Anweisung formuliert. Context Engineering fragt, was überhaupt im Kontextfenster landen soll: System Prompt, Tool-Beschreibungen, Dokumente, Gedächtnis und Gesprächsverlauf. Für KI-Agenten, die über viele Schritte selbstständig arbeiten, entscheidet das über die Qualität.

Wie ernst das inzwischen ist, hat Anthropic im Juli 2026 gezeigt. Das Team hinter Claude Code hat für die Modelle der Claude-5-Generation über 80 % des System Prompts gestrichen, nach eigenen Angaben ohne messbaren Qualitätsverlust bei den Coding-Tests. In diesem Beitrag erfahren Sie:

• was Context Engineering ist und wie es sich von Prompt Engineering unterscheidet,
• was Anthropic aus Claude Code entfernt hat und warum,
• warum mehr Regeln im Prompt Agenten oft schlechter machen,
• aus welchen Bausteinen der Kontext eines KI-Agenten besteht,
• sechs Regeln für Context Engineering im Unternehmen, mit einem Check für Ihren eigenen System Prompt.

Was ist Context Engineering?

Der Begriff hat sich im Juni 2025 durchgesetzt. Shopify-CEO Tobi Lütke schlug ihn als treffendere Bezeichnung für das vor, was Teams beim Bauen von KI-Anwendungen tatsächlich tun, und Andrej Karpathy schloss sich wenige Tage später an. Sinngemäß beschreibt er Context Engineering als die Kunst, das Kontextfenster für den nächsten Schritt mit genau den richtigen Informationen zu füllen (Simon Willison).

Anthropic hat das im September 2025 so definiert: Context Engineering umfasst die Strategien, mit denen man die optimale Menge an Tokens auswählt und pflegt, die ein Modell während der Arbeit sieht. Das Ziel ist die kleinste Menge an aussagekräftigen Tokens, die das gewünschte Ergebnis am wahrscheinlichsten macht (Anthropic).

Der Unterschied zu einem einzelnen Prompt: Ein Agent, der eine Rechnung prüft, ein Ticket bearbeitet oder einen Report erstellt, ruft Werkzeuge auf, liest Dateien und sammelt Zwischenergebnisse. Der Kontext wächst bei jedem Schritt. Context Engineering ist deshalb keine einmalige Formulierungsarbeit, sondern eine laufende Entscheidung darüber, was das Modell gerade sehen muss.

Context Engineering vs. Prompt Engineering

Prompt Engineering ist nicht überflüssig geworden. Es ist ein Teil von Context Engineering. Die Gewichte haben sich aber verschoben:

Für einfache Aufgaben im Chat reicht gutes Prompting. Sobald ein Agent selbstständig Werkzeuge nutzt und über mehrere Schritte arbeitet, ist der Prompt nur noch ein kleiner Teil dessen, was das Modell sieht.

Was Anthropic aus Claude Code gestrichen hat

Am 24. Juli 2026 hat Thariq Shihipar aus dem Claude-Code-Team beschrieben, wie Anthropic den Kontext seines eigenen Coding-Agenten umgebaut hat (Claude Blog). Die Kernaussage: Man habe Claude Code überreguliert, sowohl im System Prompt als auch in den CLAUDE.md-Dateien und Skills. Für Modelle wie Claude Opus 5 und Claude Fable 5 wurde über 80 % des System Prompts entfernt.

Ein Beispiel aus dem Beitrag zeigt, wie das aussieht. Früher stand im System Prompt eine ganze Regelgruppe zu Code-Kommentaren: standardmäßig keine Kommentare, keine mehrzeiligen Docstrings, keine Planungsdokumente ohne Auftrag. Heute steht dort sinngemäß ein Satz: Schreibe Code, der sich wie der umgebende Code liest, also mit derselben Kommentardichte, denselben Namen und demselben Stil.

Anthropic fasst den Umbau in sechs Verschiebungen zusammen:

Zur Einordnung: Die 80 % beziehen sich auf den System Prompt von Claude Code für die neuesten Modelle, nicht auf alle Anweisungen. Anthropic hat weder den alten Prompt noch die Testergebnisse veröffentlicht. Unabhängig nachprüfen lässt sich die Zahl also nicht, und in Entwicklerforen wurde der Umbau durchaus kontrovers diskutiert. Die Richtung deckt sich aber mit dem, was wir in eigenen Agent-Projekten sehen: Viele Regeln, die vor einem Jahr nötig waren, verschlechtern bei neueren Modellen das Ergebnis.

Warum mehr Regeln Agenten schlechter machen

Der alte Reflex beim Prompt Engineering lautet: Ein Fehler tritt auf, also kommt eine Regel dazu. Nach ein paar Monaten hat ein Agent einen System Prompt mit Dutzenden Regeln, viele davon in Großbuchstaben, manche doppelt, einige widersprüchlich. Das hat drei Folgen.

Kontext ist ein Budget. Sprachmodelle verteilen ihre Aufmerksamkeit über alle Tokens im Kontext. Anthropic spricht von einem Aufmerksamkeitsbudget, das mit jedem zusätzlichen Token kleiner wird. Die Forscher von Chroma haben 18 aktuelle Modelle getestet, darunter GPT-4.1, Claude 4 und Gemini 2.5, und gezeigt: Bei gleicher Aufgabe werden die Ergebnisse mit wachsender Eingabelänge unzuverlässiger (Chroma Research, Juli 2025). Dafür hat sich der Begriff Context Rot eingebürgert.

Regeln widersprechen sich. Anthropic beschreibt Fälle, in denen der System Prompt „Dokumentiere angemessen“ sagt, ein Skill „KEINE Kommentare“ und der Nutzer etwas Drittes will. Das Modell löst den Konflikt meist richtig auf, muss dafür aber Denkarbeit aufwenden, die an anderer Stelle fehlt.

Regeln passen nicht auf jeden Fall. Eine Regel ist eine Abwägung, die man einmal für alle Situationen trifft. „Antworte nie länger als fünf Sätze“ hilft beim Standard-Ticket und schadet bei der komplizierten Reklamation. Ein Modell mit gutem Urteilsvermögen trifft diese Abwägung im Einzelfall besser, wenn es Ziel und Kontext kennt.

Das heißt nicht, dass Regeln verschwinden. Es heißt, dass sie an den richtigen Ort gehören.

Die Bausteine des Kontexts eines KI-Agenten

Was ein Agent bei einem Schritt sieht, setzt sich aus mehreren Schichten zusammen. Jede hat ihren eigenen Zweck und ihre typischen Fehler:

Über das Model Context Protocol (MCP) kommen heute oft weitere Systeme hinzu, jedes mit eigenen Tools und Beschreibungen. Je mehr Systeme ein Agent erreicht, desto wichtiger wird die Frage, welche Tool-Definitionen er wirklich sofort sehen muss. Claude Code lädt manche Tools deshalb erst, wenn der Agent danach sucht.

Sechs Regeln für Context Engineering im Unternehmen

1. Ziel und Kontext statt Regelkatalog

Beginnen Sie den System Prompt mit dem Zweck: Wofür ist der Agent da, für wen arbeitet er, woran erkennt man ein gutes Ergebnis? Ein Kundenservice-Agent, der weiß, dass Ihre Kunden Handwerksbetriebe sind und Rückfragen zur Rechnung meist dringend, braucht keine zehn Regeln zur Tonalität. Wo eine Regel bleibt, hilft eine kurze Begründung. Mit dem Warum kann das Modell die Regel auch auf Fälle übertragen, die Sie nicht vorhergesehen haben.

2. Harte Grenzen gehören in Code und Rechte

„Lösche niemals Datensätze“ ist im Prompt ein Wunsch, kein Schutz. Was auf keinen Fall passieren darf, gehört in die Technik: Der Agent bekommt nur Leserechte, Zahlungen brauchen eine Freigabe durch einen Menschen, Berechnungen laufen in deterministischem Code statt im Sprachmodell. Bei der KI-Pipeline für das Portfolio-Reporting von RMEP entscheidet ein festes QA-Gate mit Summen- und Konsistenzprüfungen, ob ein Report rausgeht, nicht eine Anweisung im Prompt. Mehr dazu im Beitrag KI-Sicherheit im Unternehmen.

3. Werkzeuge gut schneiden

Ein Tool mit klaren Parametern erklärt sich selbst. Statt in der Beschreibung zu erklären, welche Statuswerte erlaubt sind, definieren Sie sie als feste Auswahl. Statt drei ähnlicher Suchwerkzeuge bauen Sie eines mit einem Filterparameter. Anthropic nennt als Test: Wenn ein Mensch nicht eindeutig sagen kann, welches Tool in einer Situation das richtige ist, kann es der Agent auch nicht. Mehr zu Tool Calling und dem Aufbau eigener Werkzeuge finden Sie im Beitrag MCP-Server erstellen.

4. Wissen bei Bedarf laden

Statt das ganze Handbuch in den Prompt zu kopieren, gibt man dem Agenten einen Weg, das Richtige zu finden: eine Suche über die Dokumentation, einen Skill mit Fachwissen, einen Verweis auf die passende Datei. Anthropic beschreibt das als Progressive Disclosure. Bei RMEP stecken die Prüfschritte für Vollständigkeit, Konsistenz und Bewertung in eigenen Agent Skills, statt in einer langen Gesamtanweisung. Wie Sie Wissen sauber abrufbar machen, steht im Beitrag RAG-System aufbauen.

5. Den Kontext sauber halten

Lange laufende Agenten sammeln Ballast an: Tool-Ausgaben, verworfene Zwischenstände, alte Fehlermeldungen. Drei Techniken helfen. Zusammenfassen, wenn der Kontext voll wird. Notizen außerhalb des Kontextfensters ablegen und bei Bedarf wieder lesen. Und Teilaufgaben an Sub-Agenten geben, die in einem frischen Kontext arbeiten und nur eine kurze Zusammenfassung zurückliefern. Wann sich mehrere Agenten lohnen, zeigt der Beitrag Multi-Agenten-Systeme im Unternehmen.

6. Messen statt glauben

Ob eine gestrichene Regel fehlt, zeigt kein Bauchgefühl, sondern ein Testset mit echten Fällen. Legen Sie 30 bis 100 typische und schwierige Fälle mit erwarteten Ergebnissen an und lassen Sie jede Prompt-Änderung dagegen laufen. Das ist eine Evaluation im kleinen Maßstab, und sie ist die Voraussetzung dafür, mutig zu kürzen.

Wie überladen ist Ihr System Prompt?

Modellwechsel: Prompts mitaltern lassen

Ein Punkt wird oft übersehen: Prompts, die für ein älteres Modell geschrieben wurden, passen nicht automatisch zum neuen. Viele Regeln in bestehenden Agenten gleichen Schwächen aus, die das aktuelle Modell nicht mehr hat. Wer nur die Modellversion tauscht, nimmt die alten Krücken mit.

Planen Sie bei jedem Modellwechsel deshalb einen kurzen Kontext-Check ein:

1. Den aktuellen Kontext vollständig ansehen: Was lädt der Agent wirklich bei jedem Schritt?
2. Regeln markieren, die nur ein früheres Fehlverhalten verhindern sollten.
3. Diese Regeln testweise entfernen und das Testset laufen lassen.
4. Behalten, was messbar hilft, und den Rest löschen.

Anthropic liefert für Claude Code dafür inzwischen den Befehl claude doctor beziehungsweise /doctor mit, der CLAUDE.md-Dateien und Skills auf überflüssige oder widersprüchliche Anweisungen prüft. Für eigene Agenten außerhalb von Claude Code bleibt es Handarbeit, aber eine, die sich lohnt: Ein kürzerer Kontext ist auch günstiger, weil weniger Tokens pro Anfrage anfallen. Wie Sie die Kosten zusätzlich über die Modellwahl senken, steht im Beitrag zum Advisor- und Orchestrator-Pattern.

So gehen wir bei TAISC vor

Wir bauen KI-Agenten und Automatisierungen für den Mittelstand und betreiben sie auch. Context Engineering ist dabei kein eigener Projektschritt, sondern Teil jeder Iteration: Am Anfang steht ein knapper System Prompt mit Ziel und Kontext. Neue Regeln kommen nur dazu, wenn ein Testfall sie verlangt, und sie fliegen wieder raus, wenn ein neues Modell sie überflüssig macht. Harte Grenzen setzen wir über Rechte, Freigaben und deterministische Prüfungen.

Bei Logify, einem KI-System zur Analyse von Logfiles im IT-Support, holt der Agent die passenden Stellen aus rund 500 MB technischer Dokumentation per RAG, statt sie pauschal mitzuschicken, und gibt seine Ergebnisse in einem festen, validierten Format zurück. Bei RMEP verteilen wir das Fachwissen auf einzelne Skills und lassen alle Berechnungen in Code laufen.

Bei TAISC in Karlsruhe begleiten wir Unternehmen vom ersten Agenten bis zum Betrieb, auch als Forward Deployed Engineers direkt im Team. Die Formen der Zusammenarbeit finden Sie unter Services.

Häufige Fragen zu Context Engineering

Was ist Context Engineering?

Context Engineering ist die gezielte Auswahl und Pflege aller Informationen, die ein KI-Modell bei einem Arbeitsschritt sieht: System Prompt, Tool-Beschreibungen, abgerufenes Wissen, Gedächtnis und Gesprächsverlauf. Ziel ist die kleinste Menge an relevanten Informationen, mit der das Modell die Aufgabe zuverlässig löst.

Was ist der Unterschied zwischen Context Engineering und Prompt Engineering?

Prompt Engineering beschäftigt sich mit der Formulierung einer Anweisung. Context Engineering umfasst alles, was ins Kontextfenster gelangt, und wird bei jedem Schritt eines Agenten neu entschieden. Prompt Engineering ist damit ein Teil von Context Engineering.

Ist Prompt Engineering noch relevant?

Ja, aber anders. Formulierungstricks und Großbuchstaben bringen bei aktuellen Modellen wenig. Wichtig bleiben ein klares Ziel, ausreichender Kontext, ein definiertes Ausgabeformat und vor allem Tests mit echten Fällen, die zeigen, ob ein Prompt im Alltag trägt.

Was ist ein System Prompt?

Der System Prompt ist die Grundanweisung, die ein KI-Agent bei jeder Anfrage mitbekommt, noch vor der eigentlichen Nutzerfrage. Er legt Rolle, Ziel und Rahmen fest. Weil er bei jedem Schritt mitläuft, wirkt sich jeder überflüssige Satz darin auf Qualität und Kosten aus.

Was ist Context Rot?

Context Rot bezeichnet die Beobachtung, dass Sprachmodelle mit wachsender Kontextlänge unzuverlässiger werden, auch wenn die Aufgabe gleich bleibt. Eine Studie von Chroma hat das im Juli 2025 für 18 Modelle gezeigt. Daraus folgt: Ein großes Kontextfenster ist kein Grund, es zu füllen.

Warum hat Anthropic den System Prompt von Claude Code gekürzt?

Laut Anthropic war Claude Code überreguliert. Viele Regeln stammten aus der Zeit schwächerer Modelle, widersprachen sich teilweise und schränkten die neueren Modelle eher ein. Für Claude Opus 5 und Claude Fable 5 wurde deshalb über 80 Prozent des System Prompts entfernt, nach Angaben von Anthropic ohne messbaren Verlust in den internen Coding-Tests.

Wie lang sollte ein System Prompt sein?

So kurz wie möglich, so lang wie nötig. Eine feste Zahl gibt es nicht. Ein guter Richtwert: Alles, was bei jeder Anfrage gebraucht wird, gehört hinein. Alles, was nur in bestimmten Fällen relevant ist, sollte bei Bedarf nachgeladen werden, etwa über Skills, Tool-Beschreibungen oder den Abruf aus einer Wissensbasis.

Fazit

Die besten KI-Agenten haben nicht die längsten Prompts, sondern den passendsten Kontext. Mit den aktuellen Modellen verschiebt sich die Arbeit vom Formulieren von Regeln zum Gestalten von Werkzeugen, Wissenszugriff und Prüfungen. Anthropic hat das mit dem Umbau von Claude Code vorgemacht: weniger Regeln, mehr Urteilsvermögen, Wissen nur bei Bedarf und harte Grenzen in der Technik statt im Text.

Für Unternehmen heißt das: Schauen Sie sich die Prompts Ihrer bestehenden Agenten mit frischem Blick an, vor allem nach einem Modellwechsel. Vieles darf weg. Sie wollen wissen, wo Ihre Agenten Ballast mitschleppen oder wie Sie den ersten Agenten sauber aufsetzen? Buchen Sie ein unverbindliches Erstgespräch.