Context Engineering
Auch: Kontext-Engineering, Kontextgestaltung
Context Engineering ist die Gestaltung aller Informationen, die ein Sprachmodell bei einer Aufgabe sieht: Anweisungen, Dokumente, Werkzeug-Ergebnisse, Verlauf und Gedächtnis. Ziel ist, genau das Nötige in das begrenzte Kontextfenster zu bringen, nicht möglichst viel.
Fachleute nutzen den Begriff, die Suchnachfrage wächst. Jetzt verstehen lohnt sich.
Shopify-Chef Tobi Lütke schrieb am 19. Juni 2025, er ziehe „context engineering“ dem Begriff Prompt Engineering vor; Andrej Karpathy schloss sich am 25. Juni an (dokumentiert bei Simon Willison). Anthropic definierte den Begriff im September 2025 in einem Engineering-Beitrag.
Ø der letzten 12 Monate, alle Schreibweisen. Veränderung: letzte 3 Monate zum Vorjahr. Stand 11/2026.
Für KI-Agenten beschreibt der Begriff ein echtes Problem mit messbaren Folgen. Halb Lärm ist, was daraus im Marketing wurde: Manche Agenturen verkaufen inzwischen Website-Optimierung für KI-Suchen als „Context Engineering“, obwohl das ein anderes Thema ist.
Ob Ihre KI-Assistenten brauchbare Angebote, Texte oder Analysen liefern, hängt weniger am Modell als daran, welche Unternehmensinformationen sie im richtigen Moment sehen: Gepflegte, knappe Wissensquellen sind deshalb eine Investition, kein Ablagethema.
- Nehmen Sie den KI-Einsatz mit dem größten Nutzen (etwa Angebotstexte oder Kundenanfragen) und listen Sie auf, welche Informationen eine gute Mitarbeiterin dafür bräuchte. Das ist Ihr Soll-Kontext.
- Vergleichen Sie diese Liste mit dem, was die KI heute bekommt. Streichen Sie veraltete Dokumente und ganze Ordner-Uploads, ergänzen Sie fehlende Kerninfos wie Preisliste, Positionierung und zwei gute Beispiele.
- Legen Sie für jede Wissensquelle eine verantwortliche Person und ein Prüfdatum fest. Veralteter Kontext erzeugt sicher formulierte, falsche Antworten.
Ein Sprachmodell weiß bei jeder Antwort nur, was in seinem Kontextfenster steht: die Anweisung, angehängte Dokumente, der bisherige Chat, Ergebnisse von Werkzeugen. Context Engineering ist die Arbeit, diesen Inhalt bewusst zusammenzustellen, statt ihn dem Zufall zu überlassen.
Der Begriff ist jung und hat Prompt Engineering in Fachkreisen schnell den Rang abgelaufen. Für Unternehmen ist er relevant, sobald KI nicht mehr nur einzelne Fragen beantwortet, sondern mit Firmenwissen und über mehrere Schritte arbeitet.
Wie aus Prompt Engineering Context Engineering wurde
Im Juni 2025 schrieb Shopify-Chef Tobi Lütke, er möge den Begriff „context engineering“ lieber als Prompt Engineering, weil er die Kernfähigkeit besser beschreibe: alle Informationen bereitzustellen, mit denen ein Modell eine Aufgabe plausibel lösen kann. Sechs Tage später stimmte der KI-Forscher Andrej Karpathy zu. Ein Prompt klinge nach einer kurzen Aufgabenbeschreibung; in ernsthaften KI-Anwendungen gehe es darum, das Kontextfenster mit genau den richtigen Informationen für den nächsten Schritt zu füllen.
Anthropic griff den Begriff im September 2025 auf und beschreibt Context Engineering als natürliche Weiterentwicklung des Prompt Engineerings: Strategien, um die optimale Menge an Tokens während der Ausführung auszuwählen und zu pflegen. Die Nachfrage folgte schnell: In Deutschland sprang das Suchvolumen laut Google-Ads-Daten im Juli 2025 auf 2.900 Anfragen und liegt seither stabil zwischen 590 und 1.000 im Monat.
Der Auslöser war praktisch. KI-Agenten arbeiten in vielen Schritten, rufen Werkzeuge auf und sammeln dabei Zwischenergebnisse. Nach zwanzig Schritten ist das Kontextfenster voll mit Material, das für den nächsten Schritt kaum noch zählt.
Was alles im Kontext landet
Ein Modell unterscheidet nicht zwischen „Prompt“ und „Rest“. Alles, was im Kontextfenster steht, beeinflusst die Antwort. Typische Bestandteile:
| Baustein | Beispiel im Marketing |
|---|---|
| Systemanweisung | Rolle, Regeln, Tonalität; siehe Systemprompt |
| Wissen | Preisliste, Produktdaten, Positionierung, per Upload oder Retrieval Augmented Generation |
| Werkzeuge und Ergebnisse | Abfrage im CRM, Ausgabe einer Analyse, Suchergebnisse |
| Beispiele | zwei freigegebene Angebote als Muster |
| Verlauf und Gedächtnis | bisheriger Chat, gespeicherte Notizen zum Kunden |
| Aktuelle Aufgabe | die Anfrage, um die es gerade geht |
Mehr hilft dabei nicht automatisch mehr. Anthropic beschreibt, dass die Fähigkeit eines Modells, Informationen korrekt aus dem Kontext abzurufen, mit wachsender Token-Zahl abnimmt; in der Fachdiskussion heißt das „Context Rot“. Modelle haben demnach ein begrenztes Aufmerksamkeitsbudget. Das Ziel ist die kleinstmögliche Menge an aussagekräftigen Tokens, die das gewünschte Ergebnis wahrscheinlich macht.
Merksatz: Ein großes Kontextfenster ist ein Speicherplatz, kein Qualitätsversprechen. Wer zehn veraltete Preislisten mitschickt, bekommt im Zweifel einen veralteten Preis.
Techniken aus der Praxis
Anthropic nennt mehrere Verfahren, die sich auch ohne Programmierkenntnisse übertragen lassen:
- Bei Bedarf nachladen: Statt alles vorab mitzugeben, kennt der Agent nur Verweise (Dateinamen, Abfragen) und holt Inhalte, wenn er sie braucht. Nach diesem Prinzip funktionieren auch Agent Skills.
- Verdichten: Ein langer Verlauf wird zusammengefasst und in einem frischen Kontext fortgesetzt.
- Notizen führen: Der Agent schreibt Zwischenstände außerhalb des Kontextfensters auf und liest sie später wieder ein.
- Arbeit aufteilen: Spezialisierte Unteragenten arbeiten mit eigenem, sauberem Kontext und liefern nur eine Zusammenfassung zurück.
Beispiel: Angebotstexte im Vertrieb
Zur Veranschaulichung: Ein Vertriebsteam lädt alle 40 Angebote der letzten drei Jahre in einen KI-Assistenten, damit er neue Angebotstexte schreibt. Die Ergebnisse mischen alte Preise und abgekündigte Produkte. Besser funktioniert ein kuratierter Kontext: aktuelle Preisliste, zwei freigegebene Musterangebote, die Kundenanfrage und eine kurze Anweisung zu Ton und Aufbau. Weniger Material, aber jedes Stück gilt.
Ob der Kontext stimmt, lässt sich prüfen wie ein Prompt: Legen Sie fünf typische Anfragen fest, notieren Sie die erwarteten Kernangaben (Preis, Lieferzeit, Ansprechpartner) und vergleichen Sie die Antworten vor und nach jeder Änderung am Wissensbestand. Fällt eine Angabe heraus oder taucht eine veraltete auf, liegt der Fehler fast immer im Material, nicht im Modell.
Was Context Engineering nicht ist
Im deutschen Marketing wird der Begriff inzwischen auch für die Aufbereitung von Website-Inhalten für ChatGPT und Google verwendet. Das ist eine Umdeutung. Wie eine Marke in KI-Suchen erscheint, ist Gegenstand von Generative Engine Optimization. Context Engineering meint den Kontext, den Sie selbst einem Modell in Ihren eigenen KI-Anwendungen mitgeben.
Eine Verbindung gibt es trotzdem: Wenn eine KI-Suche eine Frage beantwortet, füllt der Anbieter den Kontext seines Modells mit Passagen aus dem Web, das nennt man Grounding. Ihre Inhalte sind dann Rohmaterial für fremdes Context Engineering. Knappe, eindeutige Abschnitte mit klaren Fakten lassen sich dafür leichter verwenden als lange Texte ohne Kern.
Für den eigenen KI-Einsatz zeigt der Beitrag Skill, Plugin, Connector oder MCP?, über welche Wege Firmenwissen heute in Claude und ChatGPT gelangt.
Was ChatGPT, Perplexity und der Google KI-Modus zu „Context Engineering“ sagen
Wir haben allen drei KI-Suchen dieselbe Frage gestellt: „Was ist Context Engineering im Zusammenhang mit KI-Suche und Online-Marketing? Bitte kurz in 3 bis 5 Sätzen erklären.“ (Abfrage am 08.11.2026, Standort Deutschland) und die Antworten gegen die belegten Fakten in diesem Eintrag geprüft.
Die Antwort beschreibt GEO, nicht Context Engineering. Der Begriff meint nach Lütke, Karpathy und Anthropic die Informationen, die man einem Modell in der eigenen KI-Anwendung mitgibt, nicht die Aufbereitung von Website-Inhalten für fremde KI-Suchen. Zitiert werden ein Agenturblog und zwei GEO-Glossare.
Auszug aus der Antwort
Context Engineering bezeichnet im Zusammenhang mit KI-Suche die systematische Aufbereitung und Strukturierung von Informationen, damit KI-Systeme wie ChatGPT, Perplexity oder Google die Inhalte richtig verstehen, einordnen und wiedergeben können.
Der erste Satz trifft den Kern und grenzt richtig von Prompt Engineering ab. Die Übertragung auf GEO- und SEO-Maßnahmen bleibt unscharf, Herkunft und das Problem zu großer Kontexte fehlen.
Auszug aus der Antwort
Context Engineering bedeutet, einer KI gezielt die richtigen Informationen, Regeln, Produktdaten und Suchergebnisse im passenden Format bereitzustellen – nicht nur einen guten Prompt zu formulieren.
Die Definition als Bereitstellung von Daten, Wissen und Richtlinien als Arbeitsgrundlage stimmt. Der Schluss, damit verstehe und empfehle die KI-Suche eine Marke richtig, vermischt eigene KI-Anwendungen mit fremden KI-Suchen. Ein Eventbrite-Link als Beleg ist keine Quelle.
Auszug aus der Antwort
Anstatt nur bessere Fragen zu stellen, wird hierbei die gesamte Informationsumgebung und Datenarchitektur optimiert, damit die KI eine Marke im richtigen Kontext versteht und empfiehlt.
Unser Fazit: Alle drei KI-Suchen ziehen den Begriff in Richtung KI-Sichtbarkeit, ChatGPT ersetzt die eigentliche Bedeutung sogar ganz durch GEO. Keine nennt Herkunft oder die zentrale Erkenntnis, dass zu viel Kontext Antworten verschlechtern kann. Lesen Sie die Primärquelle von Anthropic, bevor Sie einem Angebot für „Context Engineering“ folgen.
Die Antworten von KI-Suchen ändern sich laufend. Wir wiederholen den Faktencheck regelmäßig. Sie möchten wissen, welche Quellen die KI zu Ihren Themen zitiert? Testen Sie den kostenlosen KI-Quellen-Check.
Häufige Fragen zu Context Engineering
Ist Context Engineering nur ein neues Wort für Prompt Engineering?
Brauche ich Context Engineering, wenn ich nur ChatGPT im Browser nutze?
Hilft Context Engineering meiner Sichtbarkeit in KI-Suchen?
Ist ein größeres Kontextfenster immer besser?
Verwandte Begriffe im Radar
Zurück zum KI-Such-RadarZuletzt aktualisiert: 08.11.2026 · Autor: Stephan Zabel
