Was ist Context Engineering?

Context Engineering ist die Disziplin, die Informationen zu entwerfen, zusammenzustellen und zu verwalten, die in das Kontextfenster eines KI-Modells gelangen, damit es genaue, vertrauenswürdige und nützliche Ausgaben erzeugt. Während sich das Prompt Engineering damit befasst, wie Sie einem Modell Anweisungen formulieren, befasst sich das Context Engineering damit, welche Informationen Sie dem Modell zur Arbeit geben.

Der Unterschied zählt, weil für die meisten Anwendungsfälle von KI im Unternehmen, also Fragen zu internen Daten zu beantworten, Berichte aus Geschäftskennzahlen zu erzeugen oder kuratierte Bestände auszuwerten, die Qualität des Kontexts die Qualität der Ausgabe bestimmt. Ein Modell mit einem perfekten Prompt und schlechtem Kontext gibt schlechtere Antworten als ein Modell mit einem durchschnittlichen Prompt und hervorragendem Kontext.

Context Engineering, definiert

Der Begriff hat sich 2025 und 2026 herausgebildet, als in der Praxis klar wurde, dass die eigentliche Schwierigkeit produktiver KI nicht darin liegt, geschickte Prompts zu schreiben, sondern dafür zu sorgen, dass das Modell die richtigen Informationen bekommt. Context Engineering umfasst:

• Auswahl des Kontexts: entscheiden, welche Informationen für eine bestimmte Anfrage ins Kontextfenster gehören. Welche Dokumente, Datensätze, Definitionen und Metadaten sind am einschlägigsten?
• Aufbau des Kontexts: wie diese Informationen geordnet und dargeboten werden. Bekommt das Modell rohen Text, strukturiertes JSON, eine erzählende Zusammenfassung oder eine Mischung? Reihenfolge und Format beeinflussen, wie stark das Modell einzelne Teile gewichtet.
• Aktualität des Kontexts: sicherstellen, dass abgerufene Informationen gelten. Veraltete Definitionen, überholte Kennzahlen oder abgelöste Richtlinien untergraben die Antworten des Modells, auch wenn sie korrekt abgerufen wurden.
• Governance des Kontexts: sicherstellen, dass nur befugte, angemessene Informationen ins Kontextfenster gelangen. Kontrollen für sensible Daten, Zugriffsregeln und Klassifizierung gelten für den Kontext einer KI genauso wie für den unmittelbaren Zugriff auf Daten.

Das Kontextfenster als Arbeitsraum

Jedes LLM verarbeitet eine endliche Menge Text, das Kontextfenster. Alles, was das Modell beim Erzeugen einer Antwort „weiß“, muss in dieses Fenster passen: die Systemanweisung, abgerufene Dokumente, der Gesprächsverlauf und die aktuelle Anfrage des Nutzers. Context Engineering ist die Disziplin, diesen endlichen Raum so wirksam wie möglich zu nutzen.

Moderne Spitzenmodelle haben Kontextfenster von 128K bis 1M Tokens, was großzügig klingt, bis man die Anwendungsfälle im Unternehmen betrachtet: ein Richtliniendokument, drei Beschreibungen von Datenbeständen, fünf Definitionen aus dem Glossar, ein Gesprächsverlauf und ein ausführlicher Systemprompt verbrauchen leicht 20K bis 30K Tokens, bevor die Frage des Nutzers überhaupt dazukommt. Das Budget für den Kontext zu verwalten, also was in welcher Tiefe und in welcher Reihenfolge hineinkommt, ist ein ernsthaftes technisches Problem.

Wie guter Kontext aussieht

Hochwertiger Kontext für KI im Unternehmen hat vier Eigenschaften:

1. Genau: Jede Tatsache im Kontext stimmt. Das setzt eine gepflegte Dateninfrastruktur voraus, in der Definitionen, Kennzahlen und Datensätze geprüft und kuratiert sind.
2. Einschlägig: Der Kontext enthält Informationen, die für die Anfrage tatsächlich nützlich sind, und nicht den semantisch ähnlichsten Text aus einem großen Bestand. Einschlägigkeit verlangt, die Absicht der Anfrage zu verstehen, und nicht bloß Stichwörter oder Embeddings abzugleichen.
3. Aktuell: Definitionen geben das heutige fachliche Verständnis wieder. Einträge zu Datenbeständen geben die letzte Aktualisierung wieder. Richtlinien geben die heute geltende Fassung wieder. Veralteter Kontext erzeugt selbstbewusst falsche Antworten.
4. Zugeordnet: Jedes Stück Kontext trägt seine Herkunft mit sich, also woher es kam, wer es verantwortet und wann es zuletzt aktualisiert wurde. Zugeordneter Kontext erlaubt dem Modell, Quellen zu nennen, und Menschen, Behauptungen zu prüfen.

Abruf und Kontextpipelines

Die praktische Umsetzung von Context Engineering ist eine Abrufpipeline: ein System, das die Anfrage eines Nutzers entgegennimmt, bestimmt, welche Informationen nötig sind, sie aus maßgeblichen Quellen holt und zu einem Kontextfenster zusammenbaut, mit dem das LLM arbeiten kann. Die Bausteine dieser Pipeline sind technische Entscheidungen mit erheblichen Folgen für die Qualität.

Die Anfrage verstehen

Bevor irgendetwas abgerufen wird, muss das System verstehen, wonach die Anfrage fragt. Eine Frage wie „Welche Datenbestände speisen unsere Kennzahl für monthly active users?“ verlangt einen anderen Abruf als die Frage eines Nutzers „Was bedeutet ‚monthly active user‘ in unserem Business Glossary?“. Absichtserkennung, Erweiterung der Anfrage und Erkennung von Entitäten sind vorgelagerte Schritte, die über die Qualität des Abrufs entscheiden.

Abruf aus mehreren Quellen

Anwendungen mit KI im Unternehmen holen selten aus einer einzigen Quelle. Eine vollständige Antwort auf eine fachliche Frage kann verlangen: die Definition aus dem Business Glossary, die Liste der Quellbestände aus dem Katalog, Qualitätskennzahlen und Zeitstempel zur Aktualität aus der Data Observability sowie Angaben zu Verantwortung und Governance aus dem Verzeichnis der Data Products. Eine Pipeline für Context Engineering leitet an mehrere Quellen und führt die Ergebnisse zusammen.

Ranking des Kontexts und Verwaltung des Budgets

Abgerufene Stücke müssen nach Einschlägigkeit sortiert und in das verfügbare Tokenbudget eingepasst werden. Kontext-Assembler wenden Ranking-Verfahren an (Relevanzwerte, Aktualität, Autoritätssignale) und setzen harte Grenzen oder verdichten (Zusammenfassung von Kontext niedrigerer Priorität), damit alles ins Kontextfenster passt.

Context Engineering gegenüber Prompt Engineering

Die Unterscheidung lohnt sich, weil die beiden oft in einen Topf geworfen werden:

Prompt Engineering betrifft die Anweisung an das Modell: „Fasse das Folgende in drei Punkten zusammen“, „Du bist Fachperson für Data Governance“, „Denke Schritt für Schritt“. Es steuert das Verhalten des Modells und das Format der Ausgabe.

Context Engineering betrifft die Informationen, die dem Modell gegeben werden: die zu berücksichtigenden Datenbestände, die anzuwendenden Definitionen, den zu kennenden Verlauf. Es steuert die sachliche Grundlage der Antwort.

Für Anwendungen im Verbrauchermarkt (Chatbots, kreatives Schreiben) reicht Prompt Engineering oft. Für Anwendungen im Unternehmen, in denen sachliche Richtigkeit zählt, ist Context Engineering die beherrschende Disziplin. Der Prompt sagt, wie zu antworten ist; der Kontext bestimmt, worüber die Antwort überhaupt richtig sein kann.

Data Governance als Fundament

Context Engineering ist nur so gut wie die Quellen, aus denen es schöpft. Deshalb ist die Data Governance das Fundament des Context Engineering im Unternehmen:

Ein Business Glossary mit genauen, gepflegten Definitionen sorgt dafür, dass das Modell die richtige Bedeutung von „Umsatz“, „aktiver Nutzer“ oder „Risikobewertung“ abruft, und keine allgemeine oder eine zwei Quartale alte. Ein gut gepflegter Datenkatalog sorgt dafür, dass das Modell maßgebliche Datenbestände samt Verantwortung, Qualitätsstufe und Lineage erkennt, und gibt den Nutzern damit Antworten, denen sie trauen und nach denen sie handeln können.

Dawiso liefert genau diese Infrastruktur über den MCP Server: einen kuratierten, abfragbaren Context Layer, den KI-Agenten und Anwendungen aufrufen können, um maßgeblichen fachlichen Kontext zu holen, bevor sie antworten. Das Model Context Protocol vereinheitlicht, wie externe KI-Systeme diese Schicht aufrufen, und macht Context Engineering mit Dawiso mit jedem MCP-fähigen LLM oder Agentenrahmen zusammenspielfähig.

Fazit

Context Engineering hat sich als die wirksamste Disziplin für KI im Unternehmen herausgebildet, weil sie die Wurzel der meisten Fehlschläge angeht: Das Modell kommt nicht an die richtigen Informationen. Die Infrastruktur zu bauen, die hochwertigen Kontext kuratiert, steuert und ausliefert, also genau, frisch, zugeordnet und nach Einschlägigkeit sortiert, ist im Kern eine Aufgabe für Data Engineering und Data Governance. Organisationen, die Context Engineering als vollwertige Disziplin behandeln, gestützt auf eine gepflegte Dateninfrastruktur, erzeugen KI-Systeme, die nützlicher und vertrauenswürdiger sind als die, für die es eine Nebensache bleibt.