Inhalt
- Was Context Engineering ist – und was nicht
- Die Bestandteile des Kontexts bei Coding-Agents
- Warum mehr Kontext nicht automatisch besser ist
- Context Engineering in der Praxis: sechs Maßnahmen
- Spezifikationen als stärkster Kontext
- Typische Fehler im Context Engineering
- Checkliste: Ist Ihr Projekt bereit für Coding-Agents?
- Fazit
- Häufige Fragen
Context Engineering ist die Disziplin, einem KI-Modell zur richtigen Zeit die richtigen Informationen bereitzustellen – und Unwichtiges wegzulassen. Bei Coding-Agents entscheidet der Kontext oft stärker über die Qualität des Ergebnisses als die Wahl des Modells oder die Formulierung des Prompts. Dieser Beitrag erklärt, woraus der Kontext besteht, wie Sie ihn systematisch aufbauen und welche Fehler Sie vermeiden sollten.
Was Context Engineering ist – und was nicht
Ein Sprachmodell weiß über Ihr Projekt nur, was in seinem aktuellen Kontextfenster steht: Anweisungen, gelesene Dateien, Ausgaben von Befehlen, bisheriger Gesprächsverlauf. Alles andere – Ihre Architekturentscheidungen, Namenskonventionen, das Wissen, warum ein Modul so seltsam aussieht – existiert für das Modell nicht. Context Engineering bedeutet, diesen Kontext bewusst zu gestalten.
Abgrenzung zum Prompt Engineering: Ein Prompt ist die einzelne Aufgabe. Context Engineering umfasst alles, was dauerhaft und automatisch mitgeliefert wird oder das der Agent sich selbst beschaffen kann. Wer gute Prompts schreiben möchte, findet Hinweise im Beitrag Prompt Engineering für Entwickler; dieser Artikel konzentriert sich auf die Ebene darüber.
Die Bestandteile des Kontexts bei Coding-Agents
| Kontextquelle | Inhalt | Wer pflegt sie? |
|---|---|---|
| Projektregeln / Kontextdateien | Architektur, Konventionen, Befehle für Build und Tests, Tabus | Team, versioniert im Repository |
| Code selbst | Struktur, Benennung, Beispiele für gute Muster | Alle Entwickler |
| Dokumentation | Architekturentscheidungen, Fachbegriffe, Schnittstellen | Team, idealerweise nah am Code |
| Aufgabenbeschreibung | Ziel, Akzeptanzkriterien, Grenzen | Product Owner und Entwickler |
| Werkzeugausgaben | Testergebnisse, Compilerfehler, Logs | Automatisch durch den Agent |
| Angebundene Systeme | Tickets, Datenbankschema, Designs, interne Wikis | Über Schnittstellen wie MCP |
| Gesprächsverlauf | Bisherige Schritte und Entscheidungen der Sitzung | Entsteht während der Arbeit |
Warum mehr Kontext nicht automatisch besser ist
Kontextfenster sind groß geworden, aber nicht unbegrenzt – und vor allem nicht kostenlos. Zu viel Kontext hat drei Nachteile:
- Verwässerung: Wichtige Hinweise gehen zwischen irrelevanten Informationen unter. Modelle gewichten nicht alles gleich zuverlässig.
- Widersprüche: Veraltete Dokumentation neben aktuellem Code führt zu inkonsistenten Ergebnissen.
- Kosten und Tempo: Jeder Token im Kontext kostet Rechenzeit und bei nutzungsbasierter Abrechnung Geld.
Gutes Context Engineering heißt daher: so wenig wie möglich, so viel wie nötig – und das Richtige zur richtigen Zeit.
Context Engineering in der Praxis: sechs Maßnahmen
- Eine kompakte Kontextdatei pflegen: Viele Tools lesen automatisch eine Datei mit Projektregeln im Repository. Sie sollte kurz und konkret sein: Tech-Stack, Verzeichnisstruktur, Befehle für Build, Tests und Linter, wichtige Konventionen, absolute Tabus. Details zum Aufbau finden Sie unter Projektregeln und Kontextdateien für Coding-Agents richtig schreiben.
- Kontext hierarchisch organisieren: Allgemeine Regeln im Wurzelverzeichnis, modulspezifische Hinweise in Unterverzeichnissen. So bekommt der Agent nur, was für den aktuellen Bereich relevant ist.
- Auf Quellen verweisen statt kopieren: Statt die ganze Architekturdokumentation in die Kontextdatei zu schreiben, verweisen Sie auf die Datei. Der Agent liest sie, wenn er sie braucht.
- Code als Kontext verbessern: Sprechende Namen, klare Modulgrenzen und ein gutes Referenzbeispiel pro Muster helfen Menschen und Agents gleichermaßen.
- Werkzeuge anbinden: Über Standards wie das Model Context Protocol (MCP) kann ein Agent Tickets, Datenbankschemata oder Dokumentation gezielt abrufen, statt dass alles vorab in den Kontext geladen wird. Berechtigungen dabei eng fassen.
- Sitzungen bewusst steuern: Lange Sitzungen sammeln veralteten Kontext an. Für neue Aufgaben lieber neu beginnen, und Zwischenergebnisse in einer kurzen Notiz oder einem Plan festhalten.
Spezifikationen als stärkster Kontext
Der wertvollste Kontext für eine konkrete Aufgabe ist eine gute Spezifikation: Was soll gebaut werden, welche Regeln gelten, welche Fälle müssen funktionieren? Teams, die Spezifikationen vor der Umsetzung schreiben und versioniert ablegen, geben Agents eine belastbare Grundlage und Reviewern einen Maßstab. Dieser Ansatz wird als Spec-Driven Development bezeichnet; mehr dazu in Spec-Driven Development: Spezifikationen als Steuerung für KI.
Typische Fehler im Context Engineering
- Kontextdatei als Roman: Seitenlange Regelwerke werden nur teilweise beachtet. Kurz, priorisiert und konkret schreiben.
- Einmal geschrieben, nie gepflegt: Kontextdateien veralten wie jede Dokumentation. Änderungen am Projekt sollten in derselben Pull Request auch die Regeln aktualisieren.
- Vage Regeln: „Schreibe sauberen Code“ hilft nicht. „Nutze für HTTP-Aufrufe ausschließlich den
ApiClientincore/network“ hilft. - Vertrauliches im Kontext: Zugangsdaten, Kundendaten oder interne Geheimnisse gehören nicht in Kontextdateien oder Prompts.
- Jeder pflegt seinen eigenen Kontext: Private Notizen einzelner Entwickler führen zu unterschiedlichen Ergebnissen. Gemeinsame Regeln gehören ins Repository.
Checkliste: Ist Ihr Projekt bereit für Coding-Agents?
- Kontextdatei mit Tech-Stack, Struktur, Befehlen und Konventionen vorhanden
- Build, Tests und Linter lassen sich mit einem Befehl ausführen
- Architekturentscheidungen sind kurz dokumentiert und verlinkt
- Für jedes wichtige Muster gibt es ein Referenzbeispiel im Code
- Aufgaben werden mit Akzeptanzkriterien beschrieben
- Angebundene Werkzeuge haben minimale Berechtigungen
- Kontextdateien werden bei Änderungen im Review mitgeprüft
Context Engineering ist eine Teamkompetenz, die sich am besten gemeinsam am eigenen Repository aufbauen lässt. In unseren Workshops vermitteln wir KI-Entwickler aus der Praxis als Trainer, die genau das mit Ihrem Team erarbeiten – ab 799 € netto, Anfrage per E-Mail an team@app-entwickeln-lassen.de.
Sie planen eine App? Kostenloses Festpreis-Angebot in 2 Minuten anfordernFazit
Ob ein Coding-Agent brauchbaren oder mittelmäßigen Code liefert, hängt maßgeblich vom Kontext ab, den er erhält. Context Engineering macht diesen Kontext zu einem gepflegten Bestandteil des Projekts: kompakte Projektregeln, gute Spezifikationen, sauberer Code als Vorbild und gezielt angebundene Werkzeuge. Teams, die hier investieren, bekommen konsistentere Ergebnisse, weniger Nacharbeit und eine Codebasis, die auch für Menschen verständlicher wird.
Häufige Fragen
Was ist der Unterschied zwischen Context Engineering und Prompt Engineering?
Prompt Engineering optimiert die einzelne Aufgabenformulierung. Context Engineering gestaltet alle Informationen, die ein Modell dauerhaft oder bei Bedarf erhält, etwa Projektregeln, Dokumentation, Code-Beispiele und angebundene Werkzeuge.
Wie lang sollte eine Kontextdatei für Coding-Agents sein?
So kurz wie möglich, meist reichen wenige Bildschirmseiten. Details gehören in verlinkte Dokumente, die der Agent bei Bedarf liest.
Hilft ein größeres Kontextfenster automatisch?
Nicht automatisch. Mehr Kontext kann wichtige Hinweise verwässern und erhöht Kosten; entscheidend ist, dass relevante Informationen gezielt und widerspruchsfrei bereitstehen.
Wer im Team ist für den Kontext verantwortlich?
Das gesamte Team. Bewährt hat sich, Kontextdateien im Repository zu versionieren und Änderungen daran wie Code zu reviewen.