Eine KI weiß nur, was in ihrem Kontext steht. Context Engineering baut diesen Kontext so, dass er ein komplexes System vollständig, präzise und ohne Rauschen abbildet.
Links das rohe System, rechts der Kontext, den die KI erhält. Dazwischen: Context Engineering.
Fehlt eine Information, füllt das Modell die Lücke mit etwas Plausiblem. So entstehen Halluzinationen.
Wer alles ins Kontextfenster kippt, verdünnt das Signal und erhöht Kosten und Fehler.
Systeme bestehen aus Bausteinen, Beziehungen und Regeln. Das Modell soll sie lesen, nicht erraten.
Bausteine, Beziehungen und Grenzen des Systems festhalten.
Alles streichen, was die Antwort nicht verändert.
In Schichten, Tabellen und feste IDs bringen.
Pro Aufgabe bauen, innerhalb eines Token-Budgets.
Mit festen Testfragen messen, wie gut der Kontext ist.
Versionieren und aktualisieren, wenn sich das System ändert.
Aufgabe Warum fiel der Gewinn 2028 um ein Viertel, obwohl das Kaffeehaus fast immer voll ist?
MASCH (eine Siebträgermaschine, 9.500 Tassen/Monat) → MELANGE, FRÜHSTÜCK · KOND → TORTE · Laufkundschaft, 7–22 UhrMASCH am Anschlag in 18 von 24 Monaten src=Zwilling · 12.984 Bestellungen 2028 unbedient src=ZwillingMit diesem Kontext findet der Advisor-Agent den Engpass: die Siebträgermaschine, nicht die Konditorei. Den fertigen Bericht ansehen · Den Fall im Data Builder spielen
Aus Daten Erkenntnis gewinnen.
Aus Erkenntnis einen Kontext für die KI bauen.
Agenten bauen, die damit arbeiten. Und es lernen.