[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"portal-settings:stajic:de":3,"public-menus:all":37,"post:what-is-context-engineering-what-the-model-receives-before-it-answers:de":204,"related:post:what-is-context-engineering-what-the-model-receives-before-it-answers:de:1":3031},{"statusCode":4,"data":5,"message":36},200,{"tenantId":6,"lang":7,"defaultLang":7,"siteUrl":8,"contactEmail":9,"brandName":10,"logoUrl":11,"siteName":10,"siteDescription":12,"ogImage":9,"robotsIndex":13,"socialLinks":9,"reservedSlugs":9,"seoPolicy":14},"stajic","de","https:\u002F\u002Fstajic.de",null,"Stajic Platform","\u002FLogo_Planet.svg","Stajic Portal",true,{"branding":15,"relatedContent":16,"crossDomainLinks":17},{"logoUrl":11},{"enabled":13},[18,21,24,27,30,33],{"url":19,"label":20,"isActive":13,"showInFooter":13,"includeInSameAs":13},"https:\u002F\u002Ffigure.rocks","figure.rocks",{"url":22,"label":23,"isActive":13,"showInFooter":13,"includeInSameAs":13},"https:\u002F\u002Floving.rocks","loving.rocks",{"url":25,"label":26,"isActive":13,"showInFooter":13,"includeInSameAs":13},"https:\u002F\u002Fbazify.com","bazify.com",{"url":28,"label":29,"isActive":13,"showInFooter":13,"includeInSameAs":13},"https:\u002F\u002Fbazify.de","bazify.de",{"url":31,"label":32,"isActive":13,"showInFooter":13,"includeInSameAs":13},"https:\u002F\u002Fbazify.at","bazify.at",{"url":34,"label":35,"isActive":13,"showInFooter":13,"includeInSameAs":13},"https:\u002F\u002Fbazify.ba","bazify.ba","Portal settings resolved",[38,44],{"id":39,"name":40,"location":41,"isActive":13,"isDefault":42,"items":43},1,"main-navigation","header",false,[],{"id":45,"name":46,"location":47,"isActive":13,"isDefault":13,"items":48},4,"main-menu","sidebar",[49,65,78,92,102,117,132],{"id":50,"title":51,"url":59,"target":60,"icon":61,"isActive":13,"type":62,"productId":9,"categoryId":9,"shopCategoryId":9,"articleId":9,"pageId":63,"portfolioId":9,"children":64},"item-18",{"de":52,"en":53,"es":54,"fr":55,"it":53,"ru":56,"sr":57,"zh":58},"Startseite","Home","Inicio","Accueil","Главная","Почетна","首页","\u002Ffull-stack-web-developer-munich-performance-seo-and-maintainable-builds","_self","i-lucide-home","page",111,[],{"id":66,"title":67,"url":74,"target":60,"icon":75,"isActive":13,"type":62,"productId":9,"categoryId":9,"shopCategoryId":9,"articleId":9,"pageId":76,"portfolioId":9,"children":77},"item-22",{"de":68,"en":68,"es":69,"fr":68,"it":70,"ru":71,"sr":72,"zh":73},"Vision","Visión","Visione","Видение","Визија","想象","\u002Fueber-uns-webdesign-muenchen-webaplikation","i-lucide-eye",113,[],{"id":79,"title":80,"url":88,"target":60,"icon":89,"isActive":13,"type":62,"productId":9,"categoryId":9,"shopCategoryId":9,"articleId":9,"pageId":90,"portfolioId":9,"children":91},"item-19",{"de":81,"en":82,"es":83,"fr":82,"it":84,"ru":85,"sr":86,"zh":87},"Leistungen","Services","Servicios","Servizi","Услуги","Услуге","服务","\u002Fservices-dienstleistungen-muenchen","i-lucide-wrench",116,[],{"id":93,"title":94,"url":98,"target":60,"icon":99,"isActive":13,"type":62,"productId":9,"categoryId":9,"shopCategoryId":9,"articleId":9,"pageId":100,"portfolioId":9,"children":101},"item-23",{"de":95,"en":95,"es":95,"fr":95,"it":95,"ru":96,"sr":96,"zh":97},"Blog","Блог","博客","\u002Fblog","i-lucide-book-open",112,[],{"id":103,"title":104,"url":113,"target":60,"icon":114,"isActive":13,"type":62,"productId":9,"categoryId":9,"shopCategoryId":9,"articleId":9,"pageId":115,"portfolioId":9,"children":116},"item-32",{"de":105,"en":106,"es":107,"fr":108,"it":109,"ru":110,"sr":111,"zh":112},"Neue Technologien","New Technologies","Nuevas tecnologías","Nouvelles technologies","Nuove tecnologie","Новые технологии","Нове технологије","新技术！","\u002Fneue-webtechnologien","i-lucide-sparkles",122,[],{"id":118,"title":119,"url":128,"target":60,"icon":129,"isActive":13,"type":62,"productId":9,"categoryId":9,"shopCategoryId":9,"articleId":9,"pageId":130,"portfolioId":9,"children":131},"item-20",{"de":120,"en":121,"es":122,"fr":123,"it":124,"ru":125,"sr":126,"zh":127},"Kontakt","Contact us!","Contacto","Contact","Contatto","Контакт","Контактирајте нас","联系我们！","\u002Fcontact","i-lucide-mail",115,[],{"id":133,"title":134,"url":143,"target":60,"icon":144,"isActive":13,"type":62,"productId":9,"categoryId":9,"shopCategoryId":9,"articleId":9,"pageId":145,"portfolioId":9,"children":146},"item-21",{"de":135,"en":136,"es":137,"fr":138,"it":139,"ru":140,"sr":141,"zh":142},"Unsere Arbeit","Our Work","Nuestro trabajo","Nos réalisations","I nostri lavori","Наши работы","Наши радови","文件夹","\u002Fportfolio","i-lucide-briefcase",114,[147,160,174,180,192],{"id":148,"title":149,"url":143,"target":60,"icon":158,"isActive":13,"type":62,"productId":9,"categoryId":9,"shopCategoryId":9,"articleId":9,"pageId":145,"portfolioId":9,"children":159},"item-24",{"de":150,"en":151,"es":152,"fr":153,"it":154,"ru":155,"sr":156,"zh":157},"Alle Projekte","All Projects","Todos los proyectos","Tous les projets","Tutti i progetti","Все проекты","Сви пројекти","所有项目","i-lucide-grid-3x3",[],{"id":161,"title":162,"url":170,"target":60,"icon":171,"isActive":13,"type":172,"productId":9,"categoryId":9,"shopCategoryId":9,"articleId":9,"pageId":9,"portfolioId":9,"children":173},"item-29",{"de":163,"en":164,"es":165,"fr":166,"it":167,"ru":168,"sr":169,"zh":142},"Local Roots, Global Reach","Local Roots - Global Reach","Empresa local ","Entreprise locale","Azienda locale","Местная компания","Локално предузеће глобално тржиште","\u002Fportfolio\u002Flocal-roots-global-reach-communication-media-systems-for-modern-business","i-lucide-folder","custom",[],{"id":175,"title":176,"url":178,"target":60,"icon":171,"isActive":13,"type":172,"productId":9,"categoryId":9,"shopCategoryId":9,"articleId":9,"pageId":9,"portfolioId":9,"children":179},"item-28",{"de":177,"en":177,"es":177,"fr":177,"it":177,"ru":177,"sr":177,"zh":177},"Solr Suggester","\u002Fportfolio\u002Fsolr-fuzzy-suggester-und-solr-infix-suggester-abfrage-ueber-ajax-und-filterung",[],{"id":181,"title":182,"url":190,"target":60,"icon":171,"isActive":13,"type":172,"productId":9,"categoryId":9,"shopCategoryId":9,"articleId":9,"pageId":9,"portfolioId":9,"children":191},"item-27",{"de":183,"en":184,"es":185,"fr":186,"it":187,"ru":188,"sr":189,"zh":184},"Firmenwebseite SEO","Company Website SEO","Sitio web corporativo SEO","Site web d’entreprise SEO","Sito web aziendale SEO","Корпоративный сайт SEO","Пословна веб-страница SEO","\u002Fportfolio\u002Fseo-sem-branding-mobile-webseite-muenchen",[],{"id":193,"title":194,"url":202,"target":60,"icon":171,"isActive":13,"type":172,"productId":9,"categoryId":9,"shopCategoryId":9,"articleId":9,"pageId":9,"portfolioId":9,"children":203},"item-31",{"de":195,"en":196,"es":197,"fr":198,"it":199,"ru":200,"sr":201,"zh":196},"Digitalisierungsportal","Digitalization Portal","Portal de digitalización","Portail de numérisation","Portale di digitalizzazione","Портал цифровизации","Портал за дигитализацију","\u002Fportfolio\u002Fdigitalisierungsportal-archiv-museum-bibliothek-ead-lido-mets-mods",[],{"statusCode":4,"data":205,"message":3030},{"id":206,"title":207,"slug":208,"content":209,"contentJson":210,"excerpt":1406,"featuredImage":1407,"featuredImageAlt":1408,"featuredImageCaption":9,"featuredImageTitle":9,"featuredImageCopyright":9,"featuredImageAuthor":9,"featuredImageSourceUrl":9,"featuredImageLicense":9,"featuredImageIsAiGenerated":42,"status":1409,"publishedAt":1410,"createdAt":1411,"updatedAt":1412,"seoLocalePaths":1413,"categories":1422,"author":1435,"translations":1440},"488","Was ist Context Engineering? Was das Modell erhält, bevor es antwortet","what-is-context-engineering-what-the-model-receives-before-it-answers","\u003Cp>Context Engineering ist die Gestaltung dessen, welche Informationen ein Sprachmodell zur Inferenzzeit erhält, in welcher Form, in welcher Reihenfolge und für wie lange. Es ist umfassender als Prompt Engineering, weil der Modellkontext Systemanweisungen, Benutzernachrichten, abgerufene Dokumente, Tool-Ergebnisse, Speicher, aktuellen Anwendungszustand, Beispiele, strukturierte Daten und Zwischenartefakte umfassen kann. Das Ziel ist nicht, die Anzahl der Tokens zu maximieren, sondern den kleinsten nützlichen Kontext zu konstruieren, der die für die aktuelle Aufgabe erforderlichen Informationen, Einschränkungen und Belege bewahrt.\u003C\u002Fp>\n\u003Caside class=\"editorjs-callout editorjs-callout--info my-6 rounded-xl border p-5 border-blue-300 bg-blue-50 dark:border-blue-900 dark:bg-blue-950\u002F20\" role=\"note\">\u003Cstrong class=\"block mb-2 text-gray-900 dark:text-gray-100\">Direkte Antwort\u003C\u002Fstrong>\u003Cdiv class=\"text-gray-700 dark:text-gray-200\">Prompt Engineering fragt: \u003Cstrong>Wie sollen wir das Modell anweisen?\u003C\u002Fstrong> Context Engineering fragt: \u003Cstrong>Was sollte das Modell jetzt wissen, und wie sollten diese Informationen zusammengestellt werden?\u003C\u002Fstrong>\u003Cbr>\u003Cbr>Retrieval, Speicher, Zustandsverwaltung, Tool-Design, Verlaufs-Trimming, Kompaktierung und Reihenfolge sind daher Context-Engineering-Mechanismen, wenn sie die Tokens bestimmen, die dem Modell zur Verfügung stehen, bevor es die nächste Ausgabe erzeugt.\u003C\u002Fdiv>\u003C\u002Faside>\n\u003Caside class=\"editorjs-callout editorjs-callout--warning my-6 rounded-xl border p-5 border-amber-300 bg-amber-50 dark:border-amber-900 dark:bg-amber-950\u002F20\" role=\"note\">\u003Cstrong class=\"block mb-2 text-gray-900 dark:text-gray-100\">Kontext ist nicht dasselbe wie Wissen oder Speicher\u003C\u002Fstrong>\u003Cdiv class=\"text-gray-700 dark:text-gray-200\">Ein System kann etwas wissen, ohne es in den aktuellen Kontext aufzunehmen. Es kann sich an etwas außerhalb des Modellfensters erinnern. Es kann ein Dokument abrufen, es aber später aus dem endgültigen Prompt ausschließen. Das Modell kann nur den Kontext direkt nutzen, der die aktuelle Inferenz erreicht.\u003C\u002Fdiv>\u003C\u002Faside>\n\u003Caside class=\"editorjs-callout editorjs-callout--note my-6 rounded-xl border p-5 border-gray-300 bg-gray-50 dark:border-gray-700 dark:bg-gray-900\u002F40\" role=\"note\">\u003Cstrong class=\"block mb-2 text-gray-900 dark:text-gray-100\">Aktuelle Quellenlage — 8. Oktober 2026\u003C\u002Fstrong>\u003Cdiv class=\"text-gray-700 dark:text-gray-200\">Context Engineering ist inzwischen etablierte praktische Terminologie in wichtigen KI-Engineering-Richtlinien, aber es ist kein einzelner formaler Standard mit einer verbindlichen Architektur. Anthropic beschreibt es als Kuratierung und Pflege des optimalen Token-Sets für die Inferenz; OpenAIs aktuelle Agenten-Richtlinien behandeln Sitzungskontext, Trimming und Kompression als explizite Engineering-Anliegen für langlebige Systeme.\u003C\u002Fdiv>\u003C\u002Faside>\n\u003Cnav class=\"editorjs-toc\" data-editorjs-toc=\"true\" aria-label=\"Inhalt\">\u003Cstrong class=\"editorjs-toc__title\">Inhalt\u003C\u002Fstrong>\u003Col class=\"editorjs-toc__list editorjs-toc__list--depth-0\">\u003Cli class=\"editorjs-toc__item\">\u003Ca href=\"#section-6\" class=\"editorjs-toc__link\">Was Context Engineering wirklich bedeutet\u003C\u002Fa>\u003C\u002Fli>\u003Cli class=\"editorjs-toc__item\">\u003Ca href=\"#section-10\" class=\"editorjs-toc__link\">Das einfachste Beispiel\u003C\u002Fa>\u003C\u002Fli>\u003Cli class=\"editorjs-toc__item\">\u003Ca href=\"#section-15\" class=\"editorjs-toc__link\">Wo das einfache Beispiel endet\u003C\u002Fa>\u003C\u002Fli>\u003Cli class=\"editorjs-toc__item\">\u003Ca href=\"#section-18\" class=\"editorjs-toc__link\">Was kann in einen Modellkontext gelangen?\u003C\u002Fa>\u003C\u002Fli>\u003Cli class=\"editorjs-toc__item\">\u003Ca href=\"#section-20\" class=\"editorjs-toc__link\">Context Engineering vs. Prompt Engineering\u003C\u002Fa>\u003C\u002Fli>\u003Cli class=\"editorjs-toc__item\">\u003Ca href=\"#section-23\" class=\"editorjs-toc__link\">Context Engineering vs. Retrieval\u003C\u002Fa>\u003C\u002Fli>\u003Cli class=\"editorjs-toc__item\">\u003Ca href=\"#section-28\" class=\"editorjs-toc__link\">Context Engineering vs. Gedächtnis\u003C\u002Fa>\u003C\u002Fli>\u003Cli class=\"editorjs-toc__item\">\u003Ca href=\"#section-33\" class=\"editorjs-toc__link\">Context Engineering vs. Anwendungszustand\u003C\u002Fa>\u003C\u002Fli>\u003Cli class=\"editorjs-toc__item\">\u003Ca href=\"#section-37\" class=\"editorjs-toc__link\">Werkzeugdesign ist Teil des Kontext-Engineerings\u003C\u002Fa>\u003C\u002Fli>\u003Cli class=\"editorjs-toc__item\">\u003Ca href=\"#section-41\" class=\"editorjs-toc__link\">Just-in-Time-Kontext vs. vorgeladener Kontext\u003C\u002Fa>\u003C\u002Fli>\u003Cli class=\"editorjs-toc__item\">\u003Ca href=\"#section-44\" class=\"editorjs-toc__link\">Kontext ist ein Budget, kein Speichersystem\u003C\u002Fa>\u003C\u002Fli>\u003Cli class=\"editorjs-toc__item\">\u003Ca href=\"#section-48\" class=\"editorjs-toc__link\">Warum mehr Kontext schlechter sein kann\u003C\u002Fa>\u003C\u002Fli>\u003Cli class=\"editorjs-toc__item\">\u003Ca href=\"#section-52\" class=\"editorjs-toc__link\">Die Kontextreihenfolge sollte bewusst gewählt werden\u003C\u002Fa>\u003C\u002Fli>\u003Cli class=\"editorjs-toc__item\">\u003Ca href=\"#section-56\" class=\"editorjs-toc__link\">Konfliktbehafteter Kontext erfordert explizite Vorrangregeln\u003C\u002Fa>\u003C\u002Fli>\u003Cli class=\"editorjs-toc__item\">\u003Ca href=\"#section-60\" class=\"editorjs-toc__link\">Kompaktierung ist Kontexttransformation, keine verlustfreie Speicherung\u003C\u002Fa>\u003C\u002Fli>\u003Cli class=\"editorjs-toc__item\">\u003Ca href=\"#section-65\" class=\"editorjs-toc__link\">Gültigkeitsgrenzen bewahren\u003C\u002Fa>\u003C\u002Fli>\u003Cli class=\"editorjs-toc__item\">\u003Ca href=\"#section-69\" class=\"editorjs-toc__link\">Context Engineering ist auch eine Sicherheitsgrenze\u003C\u002Fa>\u003C\u002Fli>\u003Cli class=\"editorjs-toc__item\">\u003Ca href=\"#section-73\" class=\"editorjs-toc__link\">Eine praktische Architektur für Context Engineering\u003C\u002Fa>\u003C\u002Fli>\u003Cli class=\"editorjs-toc__item\">\u003Ca href=\"#section-77\" class=\"editorjs-toc__link\">Eine praktische Richtlinie zum Kontextaufbau\u003C\u002Fa>\u003C\u002Fli>\u003Cli class=\"editorjs-toc__item\">\u003Ca href=\"#section-79\" class=\"editorjs-toc__link\">Wie man Context Engineering evaluiert\u003C\u002Fa>\u003C\u002Fli>\u003Cli class=\"editorjs-toc__item\">\u003Ca href=\"#section-81\" class=\"editorjs-toc__link\">Kontextassemblierung ist eine eigenständige RAG-Fehlerschicht\u003C\u002Fa>\u003C\u002Fli>\u003Cli class=\"editorjs-toc__item\">\u003Ca href=\"#section-85\" class=\"editorjs-toc__link\">Belege aus der ursprünglichen Implementierung\u003C\u002Fa>\u003Col class=\"editorjs-toc__list editorjs-toc__list--depth-1\">\u003Cli class=\"editorjs-toc__item\">\u003Ca href=\"#section-86\" class=\"editorjs-toc__link\">Source of Truth Research Engine: begrenzte Recherche statt unbegrenztem Kontext\u003C\u002Fa>\u003C\u002Fli>\u003Cli class=\"editorjs-toc__item\">\u003Ca href=\"#section-90\" class=\"editorjs-toc__link\">Aaasaasa AI Client: Runtime, Berechtigungen und Kontext sind getrennte Anliegen\u003C\u002Fa>\u003C\u002Fli>\u003C\u002Fol>\u003C\u002Fli>\u003Cli class=\"editorjs-toc__item\">\u003Ca href=\"#section-96\" class=\"editorjs-toc__link\">Häufige Fehlermuster im Context Engineering\u003C\u002Fa>\u003C\u002Fli>\u003Cli class=\"editorjs-toc__item\">\u003Ca href=\"#section-98\" class=\"editorjs-toc__link\">Häufige Missverständnisse\u003C\u002Fa>\u003C\u002Fli>\u003Cli class=\"editorjs-toc__item\">\u003Ca href=\"#section-100\" class=\"editorjs-toc__link\">Eine praktische Abfolge für Context Engineering\u003C\u002Fa>\u003C\u002Fli>\u003Cli class=\"editorjs-toc__item\">\u003Ca href=\"#section-102\" class=\"editorjs-toc__link\">Checkliste für Context Engineering\u003C\u002Fa>\u003C\u002Fli>\u003Cli class=\"editorjs-toc__item\">\u003Ca href=\"#section-104\" class=\"editorjs-toc__link\">Randfälle und Einschränkungen\u003C\u002Fa>\u003C\u002Fli>\u003Cli class=\"editorjs-toc__item\">\u003Ca href=\"#section-110\" class=\"editorjs-toc__link\">Was würde diese Antwort ändern?\u003C\u002Fa>\u003C\u002Fli>\u003Cli class=\"editorjs-toc__item\">\u003Ca href=\"#section-114\" class=\"editorjs-toc__link\">Verwandtes kanonisches Wissen\u003C\u002Fa>\u003C\u002Fli>\u003Cli class=\"editorjs-toc__item\">\u003Ca href=\"#section-119\" class=\"editorjs-toc__link\">Häufig gestellte Fragen\u003C\u002Fa>\u003C\u002Fli>\u003Cli class=\"editorjs-toc__item\">\u003Ca href=\"#section-121\" class=\"editorjs-toc__link\">Glossar\u003C\u002Fa>\u003C\u002Fli>\u003Cli class=\"editorjs-toc__item\">\u003Ca href=\"#section-123\" class=\"editorjs-toc__link\">Fazit\u003C\u002Fa>\u003C\u002Fli>\u003Cli class=\"editorjs-toc__item\">\u003Ca href=\"#section-127\" class=\"editorjs-toc__link\">Primärquellen und aktuelle Leitlinien\u003C\u002Fa>\u003C\u002Fli>\u003C\u002Fol>\u003C\u002Fnav>\n\u003Ch2 id=\"section-6\">Was Context Engineering wirklich bedeutet\u003C\u002Fh2>\n\u003Cp>Jeder Modellaufruf erfolgt in einer temporären Arbeitsumgebung: die aktuellen Anweisungen, Nachrichten, abgerufenen Belege, Tool-Ausgaben und Zustände, die in das aktive Kontextfenster passen. Context Engineering ist die Disziplin, diese Umgebung bewusst zu konstruieren.\u003C\u002Fp>\n\u003Cp>Das Schlüsselwort ist bewusst. Ein naives System verkettet einfach alles, was es hat: vollständigen Verlauf, alle abgerufenen Dokumente, jede Tool-Antwort und große System-Prompts. Ein context-engineered System entscheidet, welche Informationen für die aktuelle Entscheidung erforderlich sind und welche Informationen außerhalb des Fensters bleiben sollten, bis sie benötigt werden.\u003C\u002Fp>\n\u003Cp>Dadurch ist Context Engineering teilweise ein Informationsarchitekturproblem, teilweise ein Laufzeitproblem und teilweise ein Evaluierungsproblem. Das Design muss entscheiden, was in den Kontext gelangen kann, woher es kommt, welche Version aktuell ist, wie Konflikte aufgelöst werden, wie viel Detail beibehalten wird und wie das Ergebnis getestet wird.\u003C\u002Fp>\n\u003Ch2 id=\"section-10\">Das einfachste Beispiel\u003C\u002Fh2>\n\u003Cp>Stellen Sie sich einen internen Support-Assistenten vor. Ein Benutzer fragt: „Kann dieser Kunde ohne Gebühr kündigen?“\u003C\u002Fp>\n\u003Cp>Das Modell benötigt möglicherweise fünf Dinge: die aktuelle Kündigungsrichtlinie, den aktuellen Vertragstyp des Kunden, das effektive Vertragsdatum, die relevanten Ausnahmeregeln und den Autorisierungsumfang des Benutzers.\u003C\u002Fp>\n\u003Cp>Es benötigt nicht unbedingt die gesamte Kundendatenbank, das vollständige Richtlinienarchiv, jede vorherige Konversation oder jedes Support-Ticket. Context Engineering ist der Prozess, der die fünf nützlichen Teile auswählt und zusammenstellt, während irrelevante Informationen ausgeschlossen werden.\u003C\u002Fp>\n\u003Csection class=\"editorjs-process my-6\">\u003Ch3 class=\"mb-3 text-lg font-semibold\">Vom Anwendungszustand zum Modellkontext\u003C\u002Fh3>\u003Cdiv class=\"grid grid-cols-1 md:grid-cols-2 xl:grid-cols-3 gap-4\">\u003Cdiv class=\"editorjs-process__step min-w-0  rounded-xl border border-gray-200 dark:border-gray-700 p-4\">\u003Cdiv class=\"text-xs font-semibold text-gray-500 dark:text-gray-400\">1\u003C\u002Fdiv>\u003Cdiv class=\"mt-1 font-semibold text-gray-900 dark:text-gray-100\">1. Aufgabe verstehen\u003C\u002Fdiv>\u003Cdiv class=\"mt-1 text-sm text-gray-600 dark:text-gray-300\">Klassifizieren, was die aktuelle Frage erfordert und welche Informationstypen die Antwort beeinflussen können.\u003C\u002Fdiv>\u003C\u002Fdiv>\u003Cdiv class=\"editorjs-process__step min-w-0  rounded-xl border border-gray-200 dark:border-gray-700 p-4\">\u003Cdiv class=\"text-xs font-semibold text-gray-500 dark:text-gray-400\">2\u003C\u002Fdiv>\u003Cdiv class=\"mt-1 font-semibold text-gray-900 dark:text-gray-100\">2. Autoritativen Zustand ermitteln\u003C\u002Fdiv>\u003Cdiv class=\"mt-1 text-sm text-gray-600 dark:text-gray-300\">Aktuellen Anwendungs- oder Geschäftszustand lesen, der nicht aus dem Gedächtnis geraten werden sollte.\u003C\u002Fdiv>\u003C\u002Fdiv>\u003Cdiv class=\"editorjs-process__step min-w-0  rounded-xl border border-gray-200 dark:border-gray-700 p-4\">\u003Cdiv class=\"text-xs font-semibold text-gray-500 dark:text-gray-400\">3\u003C\u002Fdiv>\u003Cdiv class=\"mt-1 font-semibold text-gray-900 dark:text-gray-100\">3. Unterstützendes Wissen abrufen\u003C\u002Fdiv>\u003Cdiv class=\"mt-1 text-sm text-gray-600 dark:text-gray-300\">Die für die spezifische Aufgabe relevante Richtlinie, Dokumente oder externe Belege finden.\u003C\u002Fdiv>\u003C\u002Fdiv>\u003Cdiv class=\"editorjs-process__step min-w-0  rounded-xl border border-gray-200 dark:border-gray-700 p-4\">\u003Cdiv class=\"text-xs font-semibold text-gray-500 dark:text-gray-400\">4\u003C\u002Fdiv>\u003Cdiv class=\"mt-1 font-semibold text-gray-900 dark:text-gray-100\">4. Berechtigungen und Zugriffsrechte anwenden\u003C\u002Fdiv>\u003Cdiv class=\"mt-1 text-sm text-gray-600 dark:text-gray-300\">Daten ausschließen, die der aktuelle Benutzer oder die Laufzeit nicht dem Modell offenlegen darf.\u003C\u002Fdiv>\u003C\u002Fdiv>\u003Cdiv class=\"editorjs-process__step min-w-0  rounded-xl border border-gray-200 dark:border-gray-700 p-4\">\u003Cdiv class=\"text-xs font-semibold text-gray-500 dark:text-gray-400\">5\u003C\u002Fdiv>\u003Cdiv class=\"mt-1 font-semibold text-gray-900 dark:text-gray-100\">5. Reduzieren und strukturieren\u003C\u002Fdiv>\u003Cdiv class=\"mt-1 text-sm text-gray-600 dark:text-gray-300\">Duplikate entfernen, nützliche Auszüge auswählen und kritische Metadaten, Bedingungen und Ausnahmen bewahren.\u003C\u002Fdiv>\u003C\u002Fdiv>\u003Cdiv class=\"editorjs-process__step min-w-0  rounded-xl border border-gray-200 dark:border-gray-700 p-4\">\u003Cdiv class=\"text-xs font-semibold text-gray-500 dark:text-gray-400\">6\u003C\u002Fdiv>\u003Cdiv class=\"mt-1 font-semibold text-gray-900 dark:text-gray-100\">6. Kontext ordnen\u003C\u002Fdiv>\u003Cdiv class=\"mt-1 text-sm text-gray-600 dark:text-gray-300\">Anweisungen, aktuellen Zustand und entscheidende Belege dort platzieren, wo das Modell sie konsistent nutzen kann.\u003C\u002Fdiv>\u003C\u002Fdiv>\u003Cdiv class=\"editorjs-process__step min-w-0  rounded-xl border border-gray-200 dark:border-gray-700 p-4\">\u003Cdiv class=\"text-xs font-semibold text-gray-500 dark:text-gray-400\">7\u003C\u002Fdiv>\u003Cdiv class=\"mt-1 font-semibold text-gray-900 dark:text-gray-100\">7. Inferenz ausführen\u003C\u002Fdiv>\u003Cdiv class=\"mt-1 text-sm text-gray-600 dark:text-gray-300\">Das Modell erhält den zusammengestellten Kontext und erzeugt die nächste Antwort oder einen Aktionsvorschlag.\u003C\u002Fdiv>\u003C\u002Fdiv>\u003C\u002Fdiv>\u003C\u002Fsection>\n\u003Ch2 id=\"section-15\">Wo das einfache Beispiel endet\u003C\u002Fh2>\n\u003Cp>Reale Systeme sind schwieriger, weil die für einen Schritt benötigten Informationen möglicherweise nicht bekannt sind, bevor die Ausführung beginnt. Ein Agent kann durch Tools neue Fakten entdecken, Zwischendateien erstellen, sich ändernden externen Zustand empfangen oder eine Aufgabe über mehr als ein Kontextfenster erstrecken.\u003C\u002Fp>\n\u003Cp>Context Engineering wird daher dynamisch. Der Kontext für Schritt 12 sollte nicht einfach der Kontext von Schritt 1 plus elf Schichten akkumulierter Ausgabe sein. Er sollte den aktuellen Aufgabenstatus, die noch relevanten Entscheidungen und die für die nächste Aktion erforderlichen Belege widerspiegeln.\u003C\u002Fp>\n\u003Ch2 id=\"section-18\">Was kann in einen Modellkontext gelangen?\u003C\u002Fh2>\n\u003Cdiv class=\"overflow-x-auto\">\u003Ctable class=\"w-full border-collapse\">\u003Cthead>\u003Ctr>\u003Cth class=\"border border-gray-300 px-4 py-2 text-left font-semibold\">Kontextkomponente\u003C\u002Fth>\u003Cth class=\"border border-gray-300 px-4 py-2 text-left font-semibold\">Zweck\u003C\u002Fth>\u003Cth class=\"border border-gray-300 px-4 py-2 text-left font-semibold\">Typisches Risiko\u003C\u002Fth>\u003C\u002Ftr>\u003C\u002Fthead>\u003Ctbody>\u003Ctr>\u003Ctd class=\"border border-gray-300 px-4 py-2\">System-\u002FEntwickleranweisungen\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Rolle, Einschränkungen, Richtlinien und Verhalten definieren\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Zu vage, widersprüchlich oder mit brüchiger Logik überladen\u003C\u002Ftd>\u003C\u002Ftr>\u003Ctr>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Aktuelle Benutzeranfrage\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Definiert unmittelbare Aufgabe und Absicht\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Mehrdeutigkeit oder Konflikt mit vorheriger Historie\u003C\u002Ftd>\u003C\u002Ftr>\u003Ctr>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Gesprächsverlauf\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Bewahrt Kontinuität über Turns hinweg\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Veraltete Annahmen, Wiederholung und Token-Wachstum\u003C\u002Ftd>\u003C\u002Ftr>\u003Ctr>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Abgerufene Dokumente\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Externes Wissen\u002FBelege bereitstellen\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Irrelevanz, veraltete Versionen, schwache Autorität oder Duplikate\u003C\u002Ftd>\u003C\u002Ftr>\u003Ctr>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Aktueller Anwendungszustand\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Liefert volatile Geschäfts-\u002FSystemfakten\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Verwendung von zwischengespeichertem oder erinnertem Zustand statt aktueller Autorität\u003C\u002Ftd>\u003C\u002Ftr>\u003Ctr>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Tool-Definitionen\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Teilen dem Modell mit, welche Fähigkeiten existieren und wie sie aufgerufen werden\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Zu viele überlappende Tools oder ausführliche Schemata\u003C\u002Ftd>\u003C\u002Ftr>\u003Ctr>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Tool-Ergebnisse\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Bringen Beobachtungen aus der Umgebung in die Schleife\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Große verrauschte Ausgaben, nicht vertrauenswürdige Inhalte oder veraltete Beobachtungen\u003C\u002Ftd>\u003C\u002Ftr>\u003Ctr>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Gedächtnis\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Führt ausgewählte Informationen aus früheren Interaktionen wieder ein\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Veraltung, falsche Verallgemeinerung oder Überpersonalisierung\u003C\u002Ftd>\u003C\u002Ftr>\u003Ctr>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Beispiele\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Demonstrieren gewünschtes Verhalten\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Zu viele Randfälle können die aktuelle Aufgabe verdrängen\u003C\u002Ftd>\u003C\u002Ftr>\u003Ctr>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Zwischenartefakte\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Tragen Pläne, Zusammenfassungen, Code, Berechnungen oder Notizen\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Alter Zwischenzustand kann für die endgültige Wahrheit gehalten werden\u003C\u002Ftd>\u003C\u002Ftr>\u003Ctr>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Richtlinien \u002F Schutzgeländer\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Definieren verbotenes oder eingeschränktes Verhalten\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Konflikt mit Geschäftslogik oder versteckte Durchsetzungslücken\u003C\u002Ftd>\u003C\u002Ftr>\u003C\u002Ftbody>\u003C\u002Ftable>\u003C\u002Fdiv>\n\u003Ch2 id=\"section-20\">Context Engineering vs. Prompt Engineering\u003C\u002Fh2>\n\u003Csection class=\"editorjs-comparison my-6\">\u003Ch3 class=\"mb-3 text-lg font-semibold\">Prompt Engineering und Context Engineering lösen unterschiedliche Ebenen\u003C\u002Fh3>\u003Cdiv class=\"overflow-x-auto\">\u003Ctable class=\"w-full border-collapse\">\u003Cthead>\u003Ctr>\u003Cth class=\"border border-gray-300 bg-gray-50 px-4 py-3 text-left dark:border-gray-700 dark:bg-gray-900\">\u003C\u002Fth>\u003Cth class=\"border border-gray-300 bg-gray-50 px-4 py-3 text-left font-semibold dark:border-gray-700 dark:bg-gray-900\">Prompt Engineering\u003C\u002Fth>\u003Cth class=\"border border-gray-300 bg-gray-50 px-4 py-3 text-left font-semibold dark:border-gray-700 dark:bg-gray-900\">Context Engineering\u003C\u002Fth>\u003C\u002Ftr>\u003C\u002Fthead>\u003Ctbody>\u003Ctr>\u003Cth class=\"border border-gray-300 px-4 py-3 text-left font-semibold dark:border-gray-700\">Hauptfokus\u003C\u002Fth>\u003Ctd class=\"border border-gray-300 px-4 py-3 dark:border-gray-700\">\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-3 dark:border-gray-700\">\u003C\u002Ftd>\u003C\u002Ftr>\u003Ctr>\u003Cth class=\"border border-gray-300 px-4 py-3 text-left font-semibold dark:border-gray-700\">Typischer Umfang\u003C\u002Fth>\u003Ctd class=\"border border-gray-300 px-4 py-3 dark:border-gray-700\">\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-3 dark:border-gray-700\">\u003C\u002Ftd>\u003C\u002Ftr>\u003Ctr>\u003Cth class=\"border border-gray-300 px-4 py-3 text-left font-semibold dark:border-gray-700\">Wann es sich ändert\u003C\u002Fth>\u003Ctd class=\"border border-gray-300 px-4 py-3 dark:border-gray-700\">\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-3 dark:border-gray-700\">\u003C\u002Ftd>\u003C\u002Ftr>\u003Ctr>\u003Cth class=\"border border-gray-300 px-4 py-3 text-left font-semibold dark:border-gray-700\">Typisches Scheitern\u003C\u002Fth>\u003Ctd class=\"border border-gray-300 px-4 py-3 dark:border-gray-700\">\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-3 dark:border-gray-700\">\u003C\u002Ftd>\u003C\u002Ftr>\u003Ctr>\u003Cth class=\"border border-gray-300 px-4 py-3 text-left font-semibold dark:border-gray-700\">Beziehung\u003C\u002Fth>\u003Ctd class=\"border border-gray-300 px-4 py-3 dark:border-gray-700\">\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-3 dark:border-gray-700\">\u003C\u002Ftd>\u003C\u002Ftr>\u003C\u002Ftbody>\u003C\u002Ftable>\u003C\u002Fdiv>\u003C\u002Fsection>\n\u003Cp>Anthropic beschreibt Context Engineering ausdrücklich als die natürliche Weiterentwicklung des Prompt Engineering für Systeme, in denen das Modell mit Tools, externen Daten, Nachrichtenhistorie und lang laufendem Agentenzustand arbeiten muss. Die praktische Unterscheidung ist nützlich, weil ein perfekt geschriebener Prompt fehlende autoritative Daten oder einen durch widersprüchlichen Zustand verunreinigten Kontext nicht ausgleichen kann.\u003C\u002Fp>\n\u003Ch2 id=\"section-23\">Context Engineering vs. Retrieval\u003C\u002Fh2>\n\u003Cp>Retrieval wählt Kandidateninformationen aus einem externen Korpus oder einer Quelle aus. Context Engineering entscheidet, was danach und darum herum mit diesem Retrieval geschieht.\u003C\u002Fp>\n\u003Cp>Der Retriever kann 30 Passagen zurückgeben. Ein Reranker kann sie auf 10 reduzieren. Die Kontextschicht kann vier Passagen auswählen, Duplikate entfernen, Quell-\u002FVersionsmetadaten anhängen, sie mit dem aktuellen Anwendungszustand kombinieren und sie nach den Systemanweisungen platzieren.\u003C\u002Fp>\n\u003Cp>Deshalb kann ein RAG-System die richtige Passage abrufen und trotzdem schlecht antworten: Das Scheitern kann während der Kontextzusammenstellung statt beim Retrieval auftreten.\u003C\u002Fp>\n\u003Caside class=\"editorjs-callout editorjs-callout--success my-6 rounded-xl border p-5 border-emerald-300 bg-emerald-50 dark:border-emerald-900 dark:bg-emerald-950\u002F20\" role=\"note\">\u003Cstrong class=\"block mb-2 text-gray-900 dark:text-gray-100\">Retrieval findet Kandidaten; Context Engineering konstruiert die Modelleingabe\u003C\u002Fstrong>\u003Cdiv class=\"text-gray-700 dark:text-gray-200\">Das korrekte Retrieval-Ergebnis ist nur nützlich, wenn es Filterung, Reihenfolge, Kompression und Token-Budget-Entscheidungen übersteht und das Modell tatsächlich in nutzbarer Form erreicht.\u003C\u002Fdiv>\u003C\u002Faside>\n\u003Ch2 id=\"section-28\">Context Engineering vs. Gedächtnis\u003C\u002Fh2>\n\u003Cp>Gedächtnis sind Informationen, die außerhalb des unmittelbaren Modellaufrufs bewahrt werden, damit sie später erneut verwendet werden können. Kontext sind die Informationen, die tatsächlich in den aktuellen Aufruf geladen werden.\u003C\u002Fp>\n\u003Cp>Ein Gedächtnissystem kann Tausende Fakten, Notizen oder frühere Entscheidungen enthalten. Context Engineering wählt aus, welche davon für die aktuelle Aufgabe wieder eingeführt werden sollen. Jedes Gedächtnis bei jedem Turn zu laden, untergräbt den Zweck einer externen Gedächtnisschicht.\u003C\u002Fp>\n\u003Cp>Die Unterscheidung wird entscheidend für volatilen Zustand. Ein erinnerter Projektstatus oder eine Benutzerpräferenz kann nützlich sein, aber der aktuelle autoritative Zustand muss möglicherweise vor einer folgenreichen Entscheidung neu gelesen werden.\u003C\u002Fp>\n\u003Caside class=\"editorjs-referral my-6\">\u003Ca href=\"https:\u002F\u002Fstajic.de\u002Fde\u002Fblog\u002Fai-agent-memory-is-not-rag-how-to-separate-memory-retrieval-state-and-context\" class=\"flex flex-col sm:flex-row gap-4 rounded-xl border border-gray-200 dark:border-gray-700 p-4 transition hover:border-primary-500\">\u003Cdiv class=\"min-w-0 flex-1\">\u003Cstrong class=\"block text-lg text-gray-900 dark:text-gray-100\">KI-Agenten-Gedächtnis ist nicht RAG: Wie man Gedächtnis, Retrieval, Zustand und Kontext trennt\u003C\u002Fstrong>\u003Cp class=\"mt-2 text-sm text-gray-600 dark:text-gray-300\">Eine praktische Architektur, die trennt, was persistiert, was jetzt autoritativ ist, was abgerufen wird und was das Modell tatsächlich erhält.\u003C\u002Fp>\u003Cspan class=\"mt-3 inline-flex text-sm font-medium text-primary-600 dark:text-primary-400\">Den Artikel zur Gedächtnisarchitektur lesen →\u003C\u002Fspan>\u003C\u002Fdiv>\u003C\u002Fa>\u003C\u002Faside>\n\u003Ch2 id=\"section-33\">Context Engineering vs. Anwendungszustand\u003C\u002Fh2>\n\u003Cp>Anwendungszustand ist der aktuelle Zustand des äußeren Systems: Kontostand, Ticketstatus, Dateiversion, Workflow-Phase, Deployment-Zustand oder Aufgabenfortschritt.\u003C\u002Fp>\n\u003Cp>Zustand kann in den Kontext zusammengefasst werden, aber die Zusammenfassung ist nicht der Zustand selbst. Für folgenreiche Operationen muss die Laufzeit möglicherweise das autoritative System unmittelbar vor der Aktion neu lesen, anstatt einem früheren modellsichtbaren Snapshot zu vertrauen.\u003C\u002Fp>\n\u003Caside class=\"editorjs-callout editorjs-callout--warning my-6 rounded-xl border p-5 border-amber-300 bg-amber-50 dark:border-amber-900 dark:bg-amber-950\u002F20\" role=\"note\">\u003Cstrong class=\"block mb-2 text-gray-900 dark:text-gray-100\">Kontext ist ein Snapshot\u003C\u002Fstrong>\u003Cdiv class=\"text-gray-700 dark:text-gray-200\">Sobald Zustand in einen Prompt kopiert wird, kann er veralten. Context Engineering muss definieren, wann volatiler Zustand aktualisiert werden muss und welche Operationen ein neues autoritatives Lesen erfordern.\u003C\u002Fdiv>\u003C\u002Faside>\n\u003Ch2 id=\"section-37\">Werkzeugdesign ist Teil des Kontext-Engineerings\u003C\u002Fh2>\n\u003Cp>Werkzeuge geben Agenten nicht nur Fähigkeiten. Werkzeugnamen, Beschreibungen, Schemas und Ergebnisse werden zu modell-sichtbaren Informationen, die Entscheidungen prägen.\u003C\u002Fp>\n\u003Cp>Die aktuelle Kontext-Engineering-Richtlinie von Anthropic betont token-effiziente Werkzeuge und warnt vor aufgeblähten Werkzeugsätzen mit überlappender Funktionalität. Ein Werkzeugkatalog, der für einen Menschen schwer zu unterscheiden ist, ist auch für ein Modell schwer zuverlässig zu routen.\u003C\u002Fp>\n\u003Cp>Auch Werkzeugausgaben brauchen Kontextdisziplin. Ein vollständiges Protokoll mit 20.000 Zeilen zurückzugeben, wenn der Agent eine einzelne Fehlerbedingung angefordert hat, verbraucht Aufmerksamkeit und kann die entscheidenden Beweise verschütten.\u003C\u002Fp>\n\u003Ch2 id=\"section-41\">Just-in-Time-Kontext vs. vorgeladener Kontext\u003C\u002Fh2>\n\u003Csection class=\"editorjs-comparison my-6\">\u003Ch3 class=\"mb-3 text-lg font-semibold\">Zwei Arten der Informationsbereitstellung\u003C\u002Fh3>\u003Cdiv class=\"overflow-x-auto\">\u003Ctable class=\"w-full border-collapse\">\u003Cthead>\u003Ctr>\u003Cth class=\"border border-gray-300 bg-gray-50 px-4 py-3 text-left dark:border-gray-700 dark:bg-gray-900\">\u003C\u002Fth>\u003Cth class=\"border border-gray-300 bg-gray-50 px-4 py-3 text-left font-semibold dark:border-gray-700 dark:bg-gray-900\">Vorgeladener Kontext\u003C\u002Fth>\u003Cth class=\"border border-gray-300 bg-gray-50 px-4 py-3 text-left font-semibold dark:border-gray-700 dark:bg-gray-900\">Just-in-Time-Kontext\u003C\u002Fth>\u003C\u002Ftr>\u003C\u002Fthead>\u003Ctbody>\u003Ctr>\u003Cth class=\"border border-gray-300 px-4 py-3 text-left font-semibold dark:border-gray-700\">Methode\u003C\u002Fth>\u003Ctd class=\"border border-gray-300 px-4 py-3 dark:border-gray-700\">\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-3 dark:border-gray-700\">\u003C\u002Ftd>\u003C\u002Ftr>\u003Ctr>\u003Cth class=\"border border-gray-300 px-4 py-3 text-left font-semibold dark:border-gray-700\">Stärke\u003C\u002Fth>\u003Ctd class=\"border border-gray-300 px-4 py-3 dark:border-gray-700\">\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-3 dark:border-gray-700\">\u003C\u002Ftd>\u003C\u002Ftr>\u003Ctr>\u003Cth class=\"border border-gray-300 px-4 py-3 text-left font-semibold dark:border-gray-700\">Risiko\u003C\u002Fth>\u003Ctd class=\"border border-gray-300 px-4 py-3 dark:border-gray-700\">\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-3 dark:border-gray-700\">\u003C\u002Ftd>\u003C\u002Ftr>\u003Ctr>\u003Cth class=\"border border-gray-300 px-4 py-3 text-left font-semibold dark:border-gray-700\">Nützlich wenn\u003C\u002Fth>\u003Ctd class=\"border border-gray-300 px-4 py-3 dark:border-gray-700\">\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-3 dark:border-gray-700\">\u003C\u002Ftd>\u003C\u002Ftr>\u003C\u002Ftbody>\u003C\u002Ftable>\u003C\u002Fdiv>\u003C\u002Fsection>\n\u003Cp>Anthropic beschreibt ein hybrides Muster, bei dem ein Teil des stabilen Kontexts vorgeladen wird, während Agenten zur Laufzeit zusätzliche Informationen abrufen. Dies ist ein nützliches Architekturmuster, weil nicht jede wichtige Tatsache eine dauerhafte Residenz im Kontextfenster verdient.\u003C\u002Fp>\n\u003Ch2 id=\"section-44\">Kontext ist ein Budget, kein Speichersystem\u003C\u002Fh2>\n\u003Cp>Ein Kontextfenster definiert Kapazität. Es garantiert nicht, dass jedes Token gleich gut genutzt wird. Das Modell muss Aufmerksamkeit über Anweisungen, Verlauf, Beweise, Werkzeuge und Zwischenzustand verteilen.\u003C\u002Fp>\n\u003Cp>Das praktische Ziel ist daher nicht, das Fenster zu füllen. Es ist, den Nutzen des begrenzten Aufmerksamkeitsbudgets zu maximieren.\u003C\u002Fp>\n\u003Cp>Anthropic formuliert ein ähnliches Prinzip als das Finden der kleinsten hochsignaligen Token-Menge, die die Wahrscheinlichkeit des gewünschten Verhaltens maximiert. Die Kontextmanagement-Richtlinie von OpenAI warnt ebenfalls, dass unkuratierter Verlauf, redundante Werkzeugergebnisse und verrauschtes Retrieval selbst große Fenster überwältigen können.\u003C\u002Fp>\n\u003Ch2 id=\"section-48\">Warum mehr Kontext schlechter sein kann\u003C\u002Fh2>\n\u003Cp>Zusätzlicher Kontext kann irrelevante Informationen, veralteten Zustand, doppelte Beweise, widersprüchliche Anweisungen oder Positionskonkurrenz einführen. Er kann auch dazu führen, dass Kompaktierungssysteme Details verwerfen, die später wichtig werden.\u003C\u002Fp>\n\u003Cp>Die klassische Lost-in-the-Middle-Studie zeigte, dass Langkontextmodelle Informationen unterschiedlich nutzen können, je nachdem, wo relevanter Inhalt erscheint, wobei die Leistung oft abnimmt, wenn entscheidende Informationen in die Mitte langer Eingaben gesetzt werden.\u003C\u002Fp>\n\u003Cp>Das bedeutet nicht, dass langer Kontext von Natur aus schlecht ist. Es bedeutet, dass Verfügbarkeit innerhalb des Fensters nicht dasselbe ist wie zuverlässige Nutzung.\u003C\u002Fp>\n\u003Ch2 id=\"section-52\">Die Kontextreihenfolge sollte bewusst gewählt werden\u003C\u002Fh2>\n\u003Cp>Kontextkonstruktion ist auch ein Reihenfolgeproblem. Kritische Anweisungen, aktueller Zustand, entscheidende Beweise und aufgabenspezifische Einschränkungen sollten nicht willkürlich aneinandergereiht werden.\u003C\u002Fp>\n\u003Cp>Es gibt keine universell perfekte Reihenfolge für jedes Modell und jede Aufgabe. Die Architektur sollte daher testen, ob eine Neuordnung der Beweise die Korrektheit verändert und ob wichtige Informationen über realistische Kontextvariationen hinweg robust bleiben.\u003C\u002Fp>\n\u003Cp>Eine stabile Antwort, die sich dramatisch ändert, wenn zwei gleichermaßen gültige Passagen ihre Positionen tauschen, deutet auf eine Kontextsensitivität hin, die gemessen und nicht ignoriert werden sollte.\u003C\u002Fp>\n\u003Ch2 id=\"section-56\">Konfliktbehafteter Kontext erfordert explizite Vorrangregeln\u003C\u002Fh2>\n\u003Cp>Ein Modell kann eine alte Richtlinie und eine neue Richtlinie erhalten, eine erinnerte Präferenz und eine aktuelle explizite Anweisung oder einen zwischengespeicherten Status und ein Live-API-Ergebnis. Das System sollte nicht erwarten, dass das Modell den Vorrang aus dem Prosastil ableitet.\u003C\u002Fp>\n\u003Cp>Context Engineering sollte Vorrang durch Quellenauswahl, Metadaten, Reihenfolge oder explizite Anweisungen kodieren: der aktuelle autoritative Zustand überschreibt veraltete Kopien; eine explizite aktuelle Nutzeranweisung überschreibt eine ältere abgeleitete Präferenz; eine genehmigte Richtlinie ersetzt veraltete Entwürfe.\u003C\u002Fp>\n\u003Cdiv class=\"overflow-x-auto\">\u003Ctable class=\"w-full border-collapse\">\u003Cthead>\u003Ctr>\u003Cth class=\"border border-gray-300 px-4 py-2 text-left font-semibold\">Konflikt\u003C\u002Fth>\u003Cth class=\"border border-gray-300 px-4 py-2 text-left font-semibold\">Bevorzugte Kontextregel\u003C\u002Fth>\u003C\u002Ftr>\u003C\u002Fthead>\u003Ctbody>\u003Ctr>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Aktueller Zustand vs. erinnerter Zustand\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Aktualisieren und die autoritative aktuelle Quelle bevorzugen.\u003C\u002Ftd>\u003C\u002Ftr>\u003Ctr>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Aktuelle Richtlinie vs. ersetzte Richtlinie\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Aktuelle Version einbeziehen; alte Version nur beibehalten, wenn ein historischer Vergleich erforderlich ist.\u003C\u002Ftd>\u003C\u002Ftr>\u003Ctr>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Explizite Nutzeranweisung vs. alte abgeleitete Präferenz\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Die aktuelle explizite Anweisung bevorzugen.\u003C\u002Ftd>\u003C\u002Ftr>\u003Ctr>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Primärquelle vs. sekundäre Zusammenfassung\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Primärquelle für Aussagen verwenden, die Autorität erfordern; die Zusammenfassung kann die Erklärung stützen.\u003C\u002Ftd>\u003C\u002Ftr>\u003Ctr>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Werkzeugbeobachtung vs. Modellvorwissen\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Den aktuell beobachteten Zustand bevorzugen, wenn das Werkzeug für diese Tatsache autoritativ ist.\u003C\u002Ftd>\u003C\u002Ftr>\u003Ctr>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Zwei ungelöste autoritative Quellen\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Den Konflikt offenlegen, anstatt eine einheitliche Antwort zu erfinden.\u003C\u002Ftd>\u003C\u002Ftr>\u003C\u002Ftbody>\u003C\u002Ftable>\u003C\u002Fdiv>\n\u003Ch2 id=\"section-60\">Kompaktierung ist Kontexttransformation, keine verlustfreie Speicherung\u003C\u002Fh2>\n\u003Cp>Langlebige Systeme müssen irgendwann den Verlauf kürzen, zusammenfassen oder kompaktieren. Kompaktierung erzeugt eine neue Repräsentation des vorherigen Kontexts, damit der Agent fortfahren kann, ohne jedes Token erneut abzuspielen.\u003C\u002Fp>\n\u003Cp>OpenAIs Beispiele für Kontextmanagement verwenden Kürzung und Kompression für langlebige Sitzungen. Anthropic beschreibt Kompaktierung als eine primäre Technik, um die Kohärenz aufrechtzuerhalten, wenn eine Interaktion sich dem Kontextlimit nähert.\u003C\u002Fp>\n\u003Cp>Der schwierige Teil ist zu entscheiden, was nicht sicher entfernt werden kann: ungelöste Aufgaben, Identifikatoren, Nutzereinschränkungen, Sicherheitsgrenzen, Architekturentscheidungen, Ausnahmen, Quellenherkunft und die Bedingungen, unter denen eine frühere Schlussfolgerung gültig ist.\u003C\u002Fp>\n\u003Caside class=\"editorjs-callout editorjs-callout--warning my-6 rounded-xl border p-5 border-amber-300 bg-amber-50 dark:border-amber-900 dark:bg-amber-950\u002F20\" role=\"note\">\u003Cstrong class=\"block mb-2 text-gray-900 dark:text-gray-100\">Eine Zusammenfassung kann die Schlussfolgerung bewahren und den Grund zerstören\u003C\u002Fstrong>\u003Cdiv class=\"text-gray-700 dark:text-gray-200\">Wenn die Kompaktierung „Ansatz X verwenden“ beibehält, aber verwirft, warum X gewählt wurde, welche Version getestet wurde oder welche Bedingung es ungültig machen würde, können spätere Antworten intern konsistent bleiben und gleichzeitig extern falsch werden.\u003C\u002Fdiv>\u003C\u002Faside>\n\u003Ch2 id=\"section-65\">Gültigkeitsgrenzen bewahren\u003C\u002Fh2>\n\u003Cp>Wichtige Schlussfolgerungen sollten die Bedingungen mitführen, unter denen sie weiterhin gestützt werden: Version, Datum, Geltungsbereich, Annahmen, Quellenautorität und ungelöste Meinungsverschiedenheiten.\u003C\u002Fp>\n\u003Cp>Context Engineering ist daher mit der Answer Validity Boundary verbunden. Der Kontextassembler sollte nicht die Metadaten entfernen, die bestimmen, ob Belege noch anwendbar sind.\u003C\u002Fp>\n\u003Caside class=\"editorjs-referral my-6\">\u003Ca href=\"https:\u002F\u002Fstajic.de\u002Fde\u002Fblog\u002Fthe-answer-validity-boundary-the-missing-layer-between-relevance-and-reliable-ai-answers\" class=\"flex flex-col sm:flex-row gap-4 rounded-xl border border-gray-200 dark:border-gray-700 p-4 transition hover:border-primary-500\">\u003Cdiv class=\"min-w-0 flex-1\">\u003Cstrong class=\"block text-lg text-gray-900 dark:text-gray-100\">The Answer Validity Boundary: The Missing Layer Between Relevance and Reliable AI Answers\u003C\u002Fstrong>\u003Cp class=\"mt-2 text-sm text-gray-600 dark:text-gray-300\">Ein Framework zur Bewahrung des Geltungsbereichs, der Annahmen, Versionen und Evidenzbedingungen, unter denen eine KI-Aussage weiterhin gestützt wird.\u003C\u002Fp>\u003Cspan class=\"mt-3 inline-flex text-sm font-medium text-primary-600 dark:text-primary-400\">Read the Answer Validity Boundary →\u003C\u002Fspan>\u003C\u002Fdiv>\u003C\u002Fa>\u003C\u002Faside>\n\u003Ch2 id=\"section-69\">Context Engineering ist auch eine Sicherheitsgrenze\u003C\u002Fh2>\n\u003Cp>Daten, die das Modell erreichen, haben eine wichtige Systemgrenze überschritten. Die Kontextassemblierung muss daher Autorisierung, Mandantentrennung, Vertraulichkeit und Datenminimierungsregeln respektieren.\u003C\u002Fp>\n\u003Cp>Ein Retriever kann technisch eine Passage finden, auf die der aktuelle Nutzer keinen Zugriff hat. Das korrekte Design besteht darin, zu verhindern, dass diese Passage in den Modellkontext gelangt, anstatt sich darauf zu verlassen, dass das Modell sie ignoriert.\u003C\u002Fp>\n\u003Cp>Werkzeugausgaben können auch nicht vertrauenswürdige Anweisungen oder adversarialen Inhalt enthalten. Context Engineering sollte die Unterscheidung zwischen Anwendungsanweisungen und externen Daten bewahren, damit abgerufener Text nicht stillschweigend Anweisungsautorität erlangen kann.\u003C\u002Fp>\n\u003Ch2 id=\"section-73\">Eine praktische Architektur für Context Engineering\u003C\u002Fh2>\n\u003Caside class=\"editorjs-callout editorjs-callout--note my-6 rounded-xl border p-5 border-gray-300 bg-gray-50 dark:border-gray-700 dark:bg-gray-900\u002F40\" role=\"note\">\u003Cstrong class=\"block mb-2 text-gray-900 dark:text-gray-100\">Vorgeschlagenes Architekturmodell\u003C\u002Fstrong>\u003Cdiv class=\"text-gray-700 dark:text-gray-200\">Die folgenden Schichten sind eine praktische Synthese für Produktionssysteme, kein formaler Industriestandard. Der Zweck ist, die Informationsverantwortung vom temporären, modellzugewandten Kontext getrennt zu halten.\u003C\u002Fdiv>\u003C\u002Faside>\n\u003Cdiv class=\"overflow-x-auto\">\u003Ctable class=\"w-full border-collapse\">\u003Cthead>\u003Ctr>\u003Cth class=\"border border-gray-300 px-4 py-2 text-left font-semibold\">Schicht\u003C\u002Fth>\u003Cth class=\"border border-gray-300 px-4 py-2 text-left font-semibold\">Verantwortung\u003C\u002Fth>\u003C\u002Ftr>\u003C\u002Fthead>\u003Ctbody>\u003Ctr>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Autoritative Systeme\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Besitzen den aktuellen Geschäfts-\u002FSystemzustand und offizielle Aufzeichnungen.\u003C\u002Ftd>\u003C\u002Ftr>\u003Ctr>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Wissensquellen\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Besitzen Dokumente, Richtlinien, Spezifikationen, Forschung oder externe Belege.\u003C\u002Ftd>\u003C\u002Ftr>\u003Ctr>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Speicher\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Bewahrt ausgewählte Informationen über Turns oder Sitzungen hinweg auf.\u003C\u002Ftd>\u003C\u002Ftr>\u003Ctr>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Retrieval-Schicht\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Findet aufgabenrelevante Kandidaten aus externen Quellen.\u003C\u002Ftd>\u003C\u002Ftr>\u003Ctr>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Tool-\u002FRuntime-Schicht\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Liest Zustand, führt Aktionen aus und liefert Beobachtungen zurück.\u003C\u002Ftd>\u003C\u002Ftr>\u003Ctr>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Kontext-Assembler\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Wählt modell-sichtbare Informationen aus, filtert, dedupliziert, ordnet und formatiert sie.\u003C\u002Ftd>\u003C\u002Ftr>\u003Ctr>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Modell\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Schlussfolgert und generiert über den zusammengesetzten Kontext.\u003C\u002Ftd>\u003C\u002Ftr>\u003Ctr>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Validierung\u002FEvaluierung\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Prüft, ob ausgewählter Kontext und resultierende Ausgabe aufgabenspezifische Anforderungen erfüllen.\u003C\u002Ftd>\u003C\u002Ftr>\u003C\u002Ftbody>\u003C\u002Ftable>\u003C\u002Fdiv>\n\u003Cp>Der Kontext-Assembler ist konzeptionell wichtig, auch wenn kein Modul genau diesen Namen trägt. In einer kleinen Anwendung kann er gewöhnlicher Anwendungscode sein. In einer großen Agentenplattform kann er Sitzungsverwaltung, Retrieval, Speicher, Tool-Middleware, Kompaktierung und Richtliniendurchsetzung kombinieren.\u003C\u002Fp>\n\u003Ch2 id=\"section-77\">Eine praktische Richtlinie zum Kontextaufbau\u003C\u002Fh2>\n\u003Cdiv class=\"overflow-x-auto\">\u003Ctable class=\"w-full border-collapse\">\u003Cthead>\u003Ctr>\u003Cth class=\"border border-gray-300 px-4 py-2 text-left font-semibold\">Regel\u003C\u002Fth>\u003Cth class=\"border border-gray-300 px-4 py-2 text-left font-semibold\">Warum sie wichtig ist\u003C\u002Fth>\u003C\u002Ftr>\u003C\u002Fthead>\u003Ctbody>\u003Ctr>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Beginne mit der aktuellen Aufgabe\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Trage Informationen nicht allein deshalb mit, weil sie früher existierten.\u003C\u002Ftd>\u003C\u002Ftr>\u003Ctr>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Lies flüchtigen Zustand erneut\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Speicher und alter Kontext können veraltet sein.\u003C\u002Ftd>\u003C\u002Ftr>\u003Ctr>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Rufe gerade genug Belege ab\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Große Kandidatenmengen können entscheidende Informationen verwässern.\u003C\u002Ftd>\u003C\u002Ftr>\u003Ctr>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Bewahre Quellmetadaten\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Version, Datum und Autorität bestimmen, ob ein Beleg noch gilt.\u003C\u002Ftd>\u003C\u002Ftr>\u003Ctr>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Entferne doppelte Inhalte\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Redundanz verbraucht Tokens, ohne Informationen hinzuzufügen.\u003C\u002Ftd>\u003C\u002Ftr>\u003Ctr>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Bevorzuge strukturierte Zusammenfassungen für große Tool-Ausgaben\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Lege entscheidende Felder offen statt rohes Rauschen, wo Treue es erlaubt.\u003C\u002Ftd>\u003C\u002Ftr>\u003Ctr>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Halte Regeln mit Ausnahmen zusammen\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Eine Regel von ihrer Ausnahme zu trennen, erzeugt falsche Gewissheit.\u003C\u002Ftd>\u003C\u002Ftr>\u003Ctr>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Mache Vorrang explizit\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Verlange nicht vom Modell, abzuleiten, welche widersprüchliche Quelle gewinnt.\u003C\u002Ftd>\u003C\u002Ftr>\u003Ctr>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Halte dauerhaften Zustand außerhalb des Kontexts\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Kontext ist temporäres Arbeitsgedächtnis, nicht die Datenbank.\u003C\u002Ftd>\u003C\u002Ftr>\u003Ctr>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Kompaktiere mit Retentionstests\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Verifiziere, dass Identifikatoren, Einschränkungen, Herkunft und ungelöster Zustand erhalten bleiben.\u003C\u002Ftd>\u003C\u002Ftr>\u003Ctr>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Messe Reihenfolgeempfindlichkeit\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Korrektheit sollte nicht versehentlich von willkürlicher Dokumentreihenfolge abhängen.\u003C\u002Ftd>\u003C\u002Ftr>\u003Ctr>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Evaluiere Kontext getrennt von Modellqualität\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Ein stärkeres Modell kann fehlende oder unzulässige Belege nicht zuverlässig kompensieren.\u003C\u002Ftd>\u003C\u002Ftr>\u003C\u002Ftbody>\u003C\u002Ftable>\u003C\u002Fdiv>\n\u003Ch2 id=\"section-79\">Wie man Context Engineering evaluiert\u003C\u002Fh2>\n\u003Cdiv class=\"overflow-x-auto\">\u003Ctable class=\"w-full border-collapse\">\u003Cthead>\u003Ctr>\u003Cth class=\"border border-gray-300 px-4 py-2 text-left font-semibold\">Eigenschaft\u003C\u002Fth>\u003Cth class=\"border border-gray-300 px-4 py-2 text-left font-semibold\">Frage\u003C\u002Fth>\u003Cth class=\"border border-gray-300 px-4 py-2 text-left font-semibold\">Beispieltest\u003C\u002Fth>\u003C\u002Ftr>\u003C\u002Fthead>\u003Ctbody>\u003Ctr>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Hinlänglichkeit\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Enthält der Kontext alles, was zur Lösung der Aufgabe erforderlich ist?\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Entferne einen Beleg und beobachte, ob die Antwort ungestützt wird.\u003C\u002Ftd>\u003C\u002Ftr>\u003Ctr>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Relevanz\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Wie viel Kontext ist für die Aufgabe unnötig?\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Messe die Qualität, während irrelevante Passagen hinzugefügt oder entfernt werden.\u003C\u002Ftd>\u003C\u002Ftr>\u003Ctr>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Autorität\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Sind entscheidende Aussagen in der richtigen Quellklasse begründet?\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Injiziere eine flüssigere, aber nicht autoritative widersprüchliche Quelle.\u003C\u002Ftd>\u003C\u002Ftr>\u003Ctr>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Aktualität\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Überschreibt der aktuelle Zustand veraltete Kopien?\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Ändere den autoritativen Zustand nach einem vorherigen Turn und führe erneut aus.\u003C\u002Ftd>\u003C\u002Ftr>\u003Ctr>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Positionsrobustheit\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Hängt die Antwortqualität stark von der Position der Belege ab?\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Randomisiere die Kandidatenreihenfolge über wiederholte Versuche.\u003C\u002Ftd>\u003C\u002Ftr>\u003Ctr>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Konfliktbehandlung\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Befolgt das Modell explizite Vorrangregeln?\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Präsentiere alten und neuen Zustand zusammen.\u003C\u002Ftd>\u003C\u002Ftr>\u003Ctr>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Kompaktierungs-Retention\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Bewahrt die Zusammenfassung Einschränkungen und Gültigkeitsgrenzen?\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Vergleiche die Aufgabenleistung vor\u002Fnach der Kompaktierung.\u003C\u002Ftd>\u003C\u002Ftr>\u003Ctr>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Token-Effizienz\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Verbessert zusätzlicher Kontext die Qualität genug, um Latenz\u002FKosten zu rechtfertigen?\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Führe kontrollierte Ablationen der Kontextgröße durch.\u003C\u002Ftd>\u003C\u002Ftr>\u003Ctr>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Sicherheit\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Können unzulässige oder gegnerische Inhalte in den Modellkontext gelangen?\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Teste Mandanten-, Berechtigungs- und Prompt-Injection-Grenzen.\u003C\u002Ftd>\u003C\u002Ftr>\u003C\u002Ftbody>\u003C\u002Ftable>\u003C\u002Fdiv>\n\u003Ch2 id=\"section-81\">Kontextassemblierung ist eine eigenständige RAG-Fehlerschicht\u003C\u002Fh2>\n\u003Cp>Eine RAG-Pipeline kann beim Retrieval erfolgreich sein und dennoch nachgelagert fehlschlagen. Die relevante Quelle kann auf Rang 2 erscheinen, doch der Kontext-Assembler kann sie verwerfen, abschneiden, mit veraltetem widersprüchlichem Material kombinieren oder das Token-Budget überschreiten.\u003C\u002Fp>\n\u003Cp>Deshalb sollten Retrieval-Traces mit dem tatsächlichen, an das Modell gesendeten Kontext verglichen werden. Ohne diesen Vergleich werden Kontextfehler leicht als Embedding- oder Modellfehler fehldiagnostiziert.\u003C\u002Fp>\n\u003Caside class=\"editorjs-referral my-6\">\u003Ca href=\"https:\u002F\u002Fstajic.de\u002Fde\u002Fblog\u002Frag-failed-but-which-layer-actually-failed-a-diagnostic-method\" class=\"flex flex-col sm:flex-row gap-4 rounded-xl border border-gray-200 dark:border-gray-700 p-4 transition hover:border-primary-500\">\u003Cdiv class=\"min-w-0 flex-1\">\u003Cstrong class=\"block text-lg text-gray-900 dark:text-gray-100\">RAG ist fehlgeschlagen — aber welche Schicht ist tatsächlich fehlgeschlagen? Eine diagnostische Methode\u003C\u002Fstrong>\u003Cp class=\"mt-2 text-sm text-gray-600 dark:text-gray-300\">Ein schichtweiser Ansatz zur Trennung von Fehlern bei Quellenabdeckung, Retrieval, Ranking, Kontextassemblierung, Generierung, Belegzuordnung und Aktualität.\u003C\u002Fp>\u003Cspan class=\"mt-3 inline-flex text-sm font-medium text-primary-600 dark:text-primary-400\">Die RAG-Diagnosemethode lesen →\u003C\u002Fspan>\u003C\u002Fdiv>\u003C\u002Fa>\u003C\u002Faside>\n\u003Ch2 id=\"section-85\">Belege aus der ursprünglichen Implementierung\u003C\u002Fh2>\n\u003Ch3 id=\"section-86\">Source of Truth Research Engine: begrenzte Recherche statt unbegrenztem Kontext\u003C\u002Fh3>\n\u003Cp>Die Source of Truth Research Engine trennt Entdeckung, Beschaffung, Extraktion, Verifikation, Widerspruchsanalyse und Synthese in begrenzte Recherchephasen, statt eine einzige riesige Rechercheaufgabe und alles angesammelte Material in einen einzigen Modellaufruf zu senden.\u003C\u002Fp>\n\u003Cp>Ihr Evidenzmodell speichert Sources, Artifacts, Claims, Relations, Contradictions und Herkunft außerhalb des Modellkontexts. Das Modell kann die für den aktuellen Rechercheschritt benötigte Teilmenge erhalten, während dauerhafte Belege im externen Speicher verbleiben.\u003C\u002Fp>\n\u003Cp>Das ist ein konkretes Context-Engineering-Muster: dauerhafter Recherchezustand lebt außerhalb des Modellfensters; der aktive Modellkontext wird für die aktuelle Phase rekonstruiert.\u003C\u002Fp>\n\u003Ch3 id=\"section-90\">Aaasaasa AI Client: Runtime, Berechtigungen und Kontext sind getrennte Anliegen\u003C\u002Fh3>\n\u003Cp>Der Aaasaasa AI Client trennt Anbieter-\u002FModellauswahl, Laufzeitort, Workspace-Berechtigungen, lokale Ressourcen und Tool-Zugriff. Dadurch wird verhindert, dass der Modellkontext zum Eigentümer von Autorisierung oder Anwendungszustand wird.\u003C\u002Fp>\n\u003Cp>Direct Chat und agentische Laufzeitumgebungen können unterschiedliche Tool-Fähigkeiten haben. Workspace-Berechtigungsprofile werden von der Laufzeitumgebung durchgesetzt und nicht nur im natürlichsprachlichen Kontext beschrieben. Diese Unterscheidung ist wichtig: Der Kontext kann einem Modell sagen, was es tun soll, während die Laufzeitumgebung weiterhin durchsetzen muss, was tatsächlich erlaubt ist.\u003C\u002Fp>\n\u003Cp>Die Implementierungsbelege hier sind architektonische Trennung, nicht die Behauptung, dass jede in diesem Artikel beschriebene fortgeschrittene Kontextmanagement-Technik bereits implementiert ist.\u003C\u002Fp>\n\u003Cdiv class=\"overflow-x-auto\">\u003Ctable class=\"w-full border-collapse\">\u003Cthead>\u003Ctr>\u003Cth class=\"border border-gray-300 px-4 py-2 text-left font-semibold\">Implementierungsmuster\u003C\u002Fth>\u003Cth class=\"border border-gray-300 px-4 py-2 text-left font-semibold\">Lektion für Context Engineering\u003C\u002Fth>\u003C\u002Ftr>\u003C\u002Fthead>\u003Ctbody>\u003Ctr>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Externer Evidenzspeicher\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Dauerhaftes Wissen muss nicht im Modellfenster verbleiben.\u003C\u002Ftd>\u003C\u002Ftr>\u003Ctr>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Begrenzte Recherchephasen\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Verschiedene Schritte können unterschiedlichen Kontext erhalten, statt eine riesige Historie anzusammeln.\u003C\u002Ftd>\u003C\u002Ftr>\u003Ctr>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Behauptungen + Provenienz außerhalb des Kontexts\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Die Identität von Evidenz überlebt über den temporären Inferenzzustand hinaus.\u003C\u002Ftd>\u003C\u002Ftr>\u003Ctr>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Von der Laufzeitumgebung durchgesetzte Berechtigungen\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Sicherheitsautorität hängt nicht davon ab, dass sich das Modell an eine Anweisung erinnert.\u003C\u002Ftd>\u003C\u002Ftr>\u003Ctr>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Getrennte Konzepte für lokal\u002FAnbieter\u002FModell\u002FLaufzeit\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Kontext ist nur eine Schicht der breiteren KI-Anwendungsarchitektur.\u003C\u002Ftd>\u003C\u002Ftr>\u003C\u002Ftbody>\u003C\u002Ftable>\u003C\u002Fdiv>\n\u003Caside class=\"editorjs-callout editorjs-callout--note my-6 rounded-xl border p-5 border-gray-300 bg-gray-50 dark:border-gray-700 dark:bg-gray-900\u002F40\" role=\"note\">\u003Cstrong class=\"block mb-2 text-gray-900 dark:text-gray-100\">Evidenzgrenze\u003C\u002Fstrong>\u003Cdiv class=\"text-gray-700 dark:text-gray-200\">Diese Implementierungen stützen die architektonische Trennung zwischen dauerhaftem Zustand, Retrieval, Laufzeitkontrollen und modellgerichtetem Kontext. Sie werden nicht als Benchmark-Beweis dafür präsentiert, dass eine Kontextstrategie universell optimal ist.\u003C\u002Fdiv>\u003C\u002Faside>\n\u003Ch2 id=\"section-96\">Häufige Fehlermuster im Context Engineering\u003C\u002Fh2>\n\u003Cdiv class=\"overflow-x-auto\">\u003Ctable class=\"w-full border-collapse\">\u003Cthead>\u003Ctr>\u003Cth class=\"border border-gray-300 px-4 py-2 text-left font-semibold\">Fehlermuster\u003C\u002Fth>\u003Cth class=\"border border-gray-300 px-4 py-2 text-left font-semibold\">Was schiefgeht\u003C\u002Fth>\u003C\u002Ftr>\u003C\u002Fthead>\u003Ctbody>\u003Ctr>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Die gesamte Konversation für immer erneut abspielen\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Alte Annahmen, Wiederholungen und Token-Wachstum überwältigen die aktuelle Absicht.\u003C\u002Ftd>\u003C\u002Ftr>\u003Ctr>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Jedes abgerufene Ergebnis in den Prompt aufnehmen\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Rauschen, Duplikate und widersprüchliche Versionen verwässern entscheidende Evidenz.\u003C\u002Ftd>\u003C\u002Ftr>\u003Ctr>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Speicher als aktuellen Zustand verwenden\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Veraltete Informationen ersetzen stillschweigend den maßgeblichen Live-Zustand.\u003C\u002Ftd>\u003C\u002Ftr>\u003Ctr>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Rohe Tool-Ausgabe zurückgeben\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Große Logs oder Antworten verbrauchen Aufmerksamkeit, ohne Entscheidungswert hinzuzufügen.\u003C\u002Ftd>\u003C\u002Ftr>\u003Ctr>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Tool-Beschreibungen hinter vagen Namen verbergen\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Das Modell kann nicht zuverlässig entscheiden, welche Fähigkeit es verwenden soll.\u003C\u002Ftd>\u003C\u002Ftr>\u003Ctr>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Verdichten ohne Retentionstests\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Kritische Einschränkungen, Identifikatoren oder Ausnahmen verschwinden.\u003C\u002Ftd>\u003C\u002Ftr>\u003Ctr>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Anweisungen und nicht vertrauenswürdige Daten vermischen\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Externe Inhalte können als Anweisung mit höherer Autorität interpretiert werden.\u003C\u002Ftd>\u003C\u002Ftr>\u003Ctr>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Eine statische Kontextvorlage für jede Aufgabe verwenden\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Verschiedene Aufgaben erhalten irrelevante Informationen und verpassen aufgabenspezifische Evidenz.\u003C\u002Ftd>\u003C\u002Ftr>\u003Ctr>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Quellversion\u002F-datum ignorieren\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Veraltete, aber relevante Evidenz kann den aktuellen maßgeblichen Zustand dominieren.\u003C\u002Ftd>\u003C\u002Ftr>\u003Ctr>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Ein größeres Kontextfenster als Qualitätsgarantie behandeln\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Die Kapazität steigt, während Aufmerksamkeits- und Konfliktprobleme bestehen bleiben.\u003C\u002Ftd>\u003C\u002Ftr>\u003C\u002Ftbody>\u003C\u002Ftable>\u003C\u002Fdiv>\n\u003Ch2 id=\"section-98\">Häufige Missverständnisse\u003C\u002Fh2>\n\u003Cdiv class=\"overflow-x-auto\">\u003Ctable class=\"w-full border-collapse\">\u003Cthead>\u003Ctr>\u003Cth class=\"border border-gray-300 px-4 py-2 text-left font-semibold\">Missverständnis\u003C\u002Fth>\u003Cth class=\"border border-gray-300 px-4 py-2 text-left font-semibold\">Korrektur\u003C\u002Fth>\u003C\u002Ftr>\u003C\u002Fthead>\u003Ctbody>\u003Ctr>\u003Ctd class=\"border border-gray-300 px-4 py-2\">„Context Engineering ist nur Prompt Engineering mit einem neuen Namen.“\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Prompts sind eine Komponente; Context Engineering umfasst auch Retrieval, Speicher, Zustand, Tool-Ergebnisse, Historie und Verdichtung.\u003C\u002Ftd>\u003C\u002Ftr>\u003Ctr>\u003Ctd class=\"border border-gray-300 px-4 py-2\">„Kontext bedeutet Chat-Verlauf.“\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Der Verlauf ist nur eine mögliche Kontextquelle.\u003C\u002Ftd>\u003C\u002Ftr>\u003Ctr>\u003Ctd class=\"border border-gray-300 px-4 py-2\">„Mehr Kontext ist immer besser.“\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Zusätzliche Informationen können das Signal reduzieren, Konflikte einführen und die Kosten erhöhen.\u003C\u002Ftd>\u003C\u002Ftr>\u003Ctr>\u003Ctd class=\"border border-gray-300 px-4 py-2\">„Wenn Retrieval es gefunden hat, hat das Modell es gesehen.“\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Abgerufene Kandidaten können vor der Inferenz gefiltert, abgeschnitten oder weggelassen werden.\u003C\u002Ftd>\u003C\u002Ftr>\u003Ctr>\u003Ctd class=\"border border-gray-300 px-4 py-2\">„Langer Kontext macht RAG überflüssig.“\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Große Fenster erhöhen die Kapazität, lösen aber nicht Probleme mit Aktualität, Autorität, Berechtigungen oder dynamischem Retrieval.\u003C\u002Ftd>\u003C\u002Ftr>\u003Ctr>\u003Ctd class=\"border border-gray-300 px-4 py-2\">„Speicher sollte immer geladen werden.“\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Speicher sollte entsprechend der aktuellen Aufgabe ausgewählt werden.\u003C\u002Ftd>\u003C\u002Ftr>\u003Ctr>\u003Ctd class=\"border border-gray-300 px-4 py-2\">„Eine Zusammenfassung bewahrt alles Wichtige.“\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Verdichtung ist verlustbehaftet, sofern sie nicht ausdrücklich auf Retention getestet wird.\u003C\u002Ftd>\u003C\u002Ftr>\u003Ctr>\u003Ctd class=\"border border-gray-300 px-4 py-2\">„Anweisungen können Berechtigungen durchsetzen.“\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Autorisierung muss durch Laufzeit-\u002FAnwendungskontrollen durchgesetzt werden, nicht nur durch Kontext.\u003C\u002Ftd>\u003C\u002Ftr>\u003Ctr>\u003Ctd class=\"border border-gray-300 px-4 py-2\">„Ein Kontextrezept funktioniert für jedes Modell.“\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Die Kontextsensitivität variiert je nach Modell, Aufgabe, Korpus und Laufzeitumgebung.\u003C\u002Ftd>\u003C\u002Ftr>\u003Ctr>\u003Ctd class=\"border border-gray-300 px-4 py-2\">„Context Engineering ist nur für Agenten.“\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Agenten verstärken den Bedarf, aber gewöhnliche RAG- und Konversationsanwendungen erfordern ebenfalls Kontextkonstruktion.\u003C\u002Ftd>\u003C\u002Ftr>\u003C\u002Ftbody>\u003C\u002Ftable>\u003C\u002Fdiv>\n\u003Ch2 id=\"section-100\">Eine praktische Abfolge für Context Engineering\u003C\u002Fh2>\n\u003Csection class=\"editorjs-process my-6\">\u003Ch3 class=\"mb-3 text-lg font-semibold\">Kontext von der aktuellen Entscheidung rückwärts konstruieren\u003C\u002Fh3>\u003Cdiv class=\"grid grid-cols-1 md:grid-cols-2 xl:grid-cols-3 gap-4\">\u003Cdiv class=\"editorjs-process__step min-w-0  rounded-xl border border-gray-200 dark:border-gray-700 p-4\">\u003Cdiv class=\"text-xs font-semibold text-gray-500 dark:text-gray-400\">1\u003C\u002Fdiv>\u003Cdiv class=\"mt-1 font-semibold text-gray-900 dark:text-gray-100\">1. Die nächste Modellentscheidung definieren\u003C\u002Fdiv>\u003Cdiv class=\"mt-1 text-sm text-gray-600 dark:text-gray-300\">Geben Sie an, was das Modell in diesem Schritt beantworten, klassifizieren, planen oder auswählen muss.\u003C\u002Fdiv>\u003C\u002Fdiv>\u003Cdiv class=\"editorjs-process__step min-w-0  rounded-xl border border-gray-200 dark:border-gray-700 p-4\">\u003Cdiv class=\"text-xs font-semibold text-gray-500 dark:text-gray-400\">2\u003C\u002Fdiv>\u003Cdiv class=\"mt-1 font-semibold text-gray-900 dark:text-gray-100\">2. Erforderliche Fakten und Einschränkungen identifizieren\u003C\u002Fdiv>\u003Cdiv class=\"mt-1 text-sm text-gray-600 dark:text-gray-300\">Listen Sie den minimalen Zustand, die Regeln, Evidenz und Anweisungen auf, die das Ergebnis wesentlich verändern können.\u003C\u002Fdiv>\u003C\u002Fdiv>\u003Cdiv class=\"editorjs-process__step min-w-0  rounded-xl border border-gray-200 dark:border-gray-700 p-4\">\u003Cdiv class=\"text-xs font-semibold text-gray-500 dark:text-gray-400\">3\u003C\u002Fdiv>\u003Cdiv class=\"mt-1 font-semibold text-gray-900 dark:text-gray-100\">3. Autorität und Berechtigungen klären\u003C\u002Fdiv>\u003Cdiv class=\"mt-1 text-sm text-gray-600 dark:text-gray-300\">Bestimmen Sie, welche Quellen aktuell, maßgeblich und für den aktuellen Principal zugänglich sind.\u003C\u002Fdiv>\u003C\u002Fdiv>\u003Cdiv class=\"editorjs-process__step min-w-0  rounded-xl border border-gray-200 dark:border-gray-700 p-4\">\u003Cdiv class=\"text-xs font-semibold text-gray-500 dark:text-gray-400\">4\u003C\u002Fdiv>\u003Cdiv class=\"mt-1 font-semibold text-gray-900 dark:text-gray-100\">4. Bei Bedarf abrufen oder lesen\u003C\u002Fdiv>\u003Cdiv class=\"mt-1 text-sm text-gray-600 dark:text-gray-300\">Beschaffen Sie die erforderliche Evidenz und den volatilen Zustand, statt sich auf veralteten Kontext zu verlassen.\u003C\u002Fdiv>\u003C\u002Fdiv>\u003Cdiv class=\"editorjs-process__step min-w-0  rounded-xl border border-gray-200 dark:border-gray-700 p-4\">\u003Cdiv class=\"text-xs font-semibold text-gray-500 dark:text-gray-400\">5\u003C\u002Fdiv>\u003Cdiv class=\"mt-1 font-semibold text-gray-900 dark:text-gray-100\">5. Rauschen reduzieren\u003C\u002Fdiv>\u003Cdiv class=\"mt-1 text-sm text-gray-600 dark:text-gray-300\">Duplikate entfernen, zusammenfassen oder Passagen auswählen, ohne entscheidende Ausnahmen oder Provenienz zu verwerfen.\u003C\u002Fdiv>\u003C\u002Fdiv>\u003Cdiv class=\"editorjs-process__step min-w-0  rounded-xl border border-gray-200 dark:border-gray-700 p-4\">\u003Cdiv class=\"text-xs font-semibold text-gray-500 dark:text-gray-400\">6\u003C\u002Fdiv>\u003Cdiv class=\"mt-1 font-semibold text-gray-900 dark:text-gray-100\">6. Strukturieren und ordnen\u003C\u002Fdiv>\u003Cdiv class=\"mt-1 text-sm text-gray-600 dark:text-gray-300\">Machen Sie Anweisungen, aktuellen Zustand, Evidenz und Tool-Beobachtungen unterscheidbar.\u003C\u002Fdiv>\u003C\u002Fdiv>\u003Cdiv class=\"editorjs-process__step min-w-0  rounded-xl border border-gray-200 dark:border-gray-700 p-4\">\u003Cdiv class=\"text-xs font-semibold text-gray-500 dark:text-gray-400\">7\u003C\u002Fdiv>\u003Cdiv class=\"mt-1 font-semibold text-gray-900 dark:text-gray-100\">7. In das Token-Budget einpassen\u003C\u002Fdiv>\u003Cdiv class=\"mt-1 text-sm text-gray-600 dark:text-gray-300\">Bevorzugen Sie Kontext mit hohem Signal und verlagern Sie dauerhafte Informationen außerhalb des Fensters.\u003C\u002Fdiv>\u003C\u002Fdiv>\u003Cdiv class=\"editorjs-process__step min-w-0  rounded-xl border border-gray-200 dark:border-gray-700 p-4\">\u003Cdiv class=\"text-xs font-semibold text-gray-500 dark:text-gray-400\">8\u003C\u002Fdiv>\u003Cdiv class=\"mt-1 font-semibold text-gray-900 dark:text-gray-100\">8. Das Modell ausführen\u003C\u002Fdiv>\u003Cdiv class=\"mt-1 text-sm text-gray-600 dark:text-gray-300\">Führen Sie die Inferenz über den zusammengestellten Kontext aus.\u003C\u002Fdiv>\u003C\u002Fdiv>\u003Cdiv class=\"editorjs-process__step min-w-0  rounded-xl border border-gray-200 dark:border-gray-700 p-4\">\u003Cdiv class=\"text-xs font-semibold text-gray-500 dark:text-gray-400\">9\u003C\u002Fdiv>\u003Cdiv class=\"mt-1 font-semibold text-gray-900 dark:text-gray-100\">9. Fehler beobachten\u003C\u002Fdiv>\u003Cdiv class=\"mt-1 text-sm text-gray-600 dark:text-gray-300\">Erfassen Sie, ob das Problem durch fehlenden, veralteten, verrauschten, widersprüchlichen oder schlecht geordneten Kontext entstanden ist.\u003C\u002Fdiv>\u003C\u002Fdiv>\u003Cdiv class=\"editorjs-process__step min-w-0  rounded-xl border border-gray-200 dark:border-gray-700 p-4\">\u003Cdiv class=\"text-xs font-semibold text-gray-500 dark:text-gray-400\">10\u003C\u002Fdiv>\u003Cdiv class=\"mt-1 font-semibold text-gray-900 dark:text-gray-100\">10. Nach Modell-\u002FLaufzeitänderungen neu bewerten\u003C\u002Fdiv>\u003Cdiv class=\"mt-1 text-sm text-gray-600 dark:text-gray-300\">Eine Kontextstrategie ist nur für die Modelle, Tools und Workloads gültig, an denen sie getestet wurde.\u003C\u002Fdiv>\u003C\u002Fdiv>\u003C\u002Fdiv>\u003C\u002Fsection>\n\u003Ch2 id=\"section-102\">Checkliste für Context Engineering\u003C\u002Fh2>\n\u003Cdiv class=\"overflow-x-auto\">\u003Ctable class=\"w-full border-collapse\">\u003Cthead>\u003Ctr>\u003Cth class=\"border border-gray-300 px-4 py-2 text-left font-semibold\">Frage\u003C\u002Fth>\u003Cth class=\"border border-gray-300 px-4 py-2 text-left font-semibold\">Erwartete Antwort\u003C\u002Fth>\u003C\u002Ftr>\u003C\u002Fthead>\u003Ctbody>\u003Ctr>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Welche genaue Entscheidung wird das Modell als Nächstes treffen?\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Eine begrenzte Aufgabe, kein vages langfristiges Ziel.\u003C\u002Ftd>\u003C\u002Ftr>\u003Ctr>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Welche Informationen können diese Entscheidung wesentlich verändern?\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Explizite minimale Evidenz-\u002FZustandsmenge.\u003C\u002Ftd>\u003C\u002Ftr>\u003Ctr>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Welche Daten sind jetzt maßgeblich?\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Aktuelle Quelle\u002FVersion und Aktualitätsregel.\u003C\u002Ftd>\u003C\u002Ftr>\u003Ctr>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Welche Daten sind optionaler Hintergrund?\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Von entscheidender Evidenz getrennt.\u003C\u002Ftd>\u003C\u002Ftr>\u003Ctr>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Was darf nicht in den Kontext gelangen?\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Nicht autorisierte, unnötige oder übermäßig sensible Daten.\u003C\u002Ftd>\u003C\u002Ftr>\u003Ctr>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Welche Speicherelemente sind relevant?\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Nach Aufgabe ausgewählt, nicht automatisch erneut abgespielt.\u003C\u002Ftd>\u003C\u002Ftr>\u003Ctr>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Welche Tool-Ausgaben sollten reduziert werden?\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Große Antworten werden in entscheidungsrelevante Form überführt.\u003C\u002Ftd>\u003C\u002Ftr>\u003Ctr>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Welche Einschränkungen müssen die Verdichtung überleben?\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Identifikatoren, Ausnahmen, Verpflichtungen, ungelöster Zustand und Provenienz.\u003C\u002Ftd>\u003C\u002Ftr>\u003Ctr>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Wie wird Vorrang dargestellt?\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Aktuelle\u002Fmaßgebliche Informationen können veraltete oder schwächere Quellen zuverlässig überschreiben.\u003C\u002Ftd>\u003C\u002Ftr>\u003Ctr>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Woran werden Sie erkennen, dass der Kontext versagt hat?\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Kontextspezifische Evals und Traces existieren.\u003C\u002Ftd>\u003C\u002Ftr>\u003Ctr>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Kann die Antwort reproduziert werden?\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Modell-Eingabe oder rekonstruierbarer Kontext-Trace ist verfügbar, wo angemessen.\u003C\u002Ftd>\u003C\u002Ftr>\u003Ctr>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Kann ein stärkeres oder größeres Modell die Strategie ändern?\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Die Kontextrichtlinie ist versionsbewusst und wird empirisch neu bewertet.\u003C\u002Ftd>\u003C\u002Ftr>\u003C\u002Ftbody>\u003C\u002Ftable>\u003C\u002Fdiv>\n\u003Ch2 id=\"section-104\">Randfälle und Einschränkungen\u003C\u002Fh2>\n\u003Cp>Manche Aufgaben sind so einfach, dass Context Engineering auf einen kurzen System-Prompt und eine Benutzernachricht reduziert wird. Das Hinzufügen von Retrieval, Speicher und Verdichtung würde nur unnötige Architektur einführen.\u003C\u002Fp>\n\u003Cp>Manche Aufgaben erfordern hohe Recall und können absichtlich mehr Kontext einbeziehen, bevor später synthetisiert wird. Recherche, Entdeckung und juristische Prüfung können es vorziehen, Auslassungen zu vermeiden, statt die Token-Anzahl zu minimieren.\u003C\u002Fp>\n\u003Cp>Manche Informationen sollten niemals vor der Verwendung zusammengefasst werden. Exakte Verträge, Code, kryptografisches Material, numerische Aufzeichnungen und regulatorische Texte können einen wörtlichen oder strukturierten Abruf erfordern, wenn eine Komprimierung die Bedeutung verändern könnte.\u003C\u002Fp>\n\u003Cp>Das Verhalten bei langem Kontext variiert erheblich zwischen Modellen. Eine Strategie, die an einem Modell, einer Kontextlänge oder einem Tool-Harness validiert wurde, sollte nicht automatisch auf ein anderes übertragen werden.\u003C\u002Fp>\n\u003Cp>Das Modell kann hervorragenden Kontext dennoch ignorieren oder falsch interpretieren. Context Engineering verbessert die Informationsumgebung; es garantiert jedoch nicht die Korrektheit des Schlussfolgerns.\u003C\u002Fp>\n\u003Ch2 id=\"section-110\">Was würde diese Antwort ändern?\u003C\u002Fh2>\n\u003Cp>Zukünftige Modelle könnten robuster gegenüber langem Kontext, Positionseffekten und widersprüchlichen Informationen werden. Das könnte den Umfang manueller Kuratierung reduzieren.\u003C\u002Fp>\n\u003Cp>Die architektonische Unterscheidung bliebe dennoch nützlich, weil Berechtigungen, Aktualität, Speicherpersistenz, Quellenautorität und externer Anwendungszustand unabhängig von der Kontextfenstergröße außerhalb des Modells existieren.\u003C\u002Fp>\n\u003Cp>Das empfohlene Gleichgewicht zwischen vorab geladenem und Just-in-Time-Kontext ändert sich ebenfalls mit Latenzanforderungen, Zuverlässigkeit der Tools, Korpusgröße, Modellkosten und der Dynamik der zugrunde liegenden Informationen.\u003C\u002Fp>\n\u003Ch2 id=\"section-114\">Verwandtes kanonisches Wissen\u003C\u002Fh2>\n\u003Cp>Context Engineering liegt zwischen Retrieval und Generierung. RAG erklärt, wie externes Wissen abgerufen wird; R01 trennt Embeddings, Vektorsuche und Reranking; Context Engineering erklärt, was letztendlich das Modell erreicht.\u003C\u002Fp>\n\u003Caside class=\"editorjs-referral my-6\">\u003Ca href=\"https:\u002F\u002Fstajic.de\u002Fde\u002Fblog\u002Fwhat-is-rag-the-simplest-explanation-of-how-it-works\" class=\"flex flex-col sm:flex-row gap-4 rounded-xl border border-gray-200 dark:border-gray-700 p-4 transition hover:border-primary-500\">\u003Cdiv class=\"min-w-0 flex-1\">\u003Cstrong class=\"block text-lg text-gray-900 dark:text-gray-100\">Was ist RAG? Die einfachste Erklärung, wie es funktioniert\u003C\u002Fstrong>\u003Cp class=\"mt-2 text-sm text-gray-600 dark:text-gray-300\">Die Retrieval-Grundlage für das Verständnis, wie externes Wissen einem Modell vor der Generierung bereitgestellt werden kann.\u003C\u002Fp>\u003Cspan class=\"mt-3 inline-flex text-sm font-medium text-primary-600 dark:text-primary-400\">Die RAG-Grundlage lesen →\u003C\u002Fspan>\u003C\u002Fdiv>\u003C\u002Fa>\u003C\u002Faside>\n\u003Cp>Die Source-of-Truth-Architektur beantwortet eine andere Frage: nicht welche Informationen im Kontext vorhanden sind, sondern welche Quelle autorisiert ist, eine Aussage zu belegen.\u003C\u002Fp>\n\u003Cp>Der bestehende Artikel Warum mehr Kontext KI-Antworten verschlechtern kann ist der diagnostische Begleiter zu dieser kanonischen Definition. Er konzentriert sich auf Kontextverschmutzung, Positionseffekte, Top-k-Wachstum, Kompaktierungsverlust und Antwortverschlechterung, anstatt Context Engineering selbst neu zu definieren.\u003C\u002Fp>\n\u003Ch2 id=\"section-119\">Häufig gestellte Fragen\u003C\u002Fh2>\n\u003Csection class=\"editorjs-faq my-6 rounded-xl border border-gray-200 p-5 dark:border-gray-700\">\u003Ch3 class=\"mb-3 text-lg font-semibold\">FAQ zu Context Engineering\u003C\u002Fh3>\u003Cdiv id=\"faq1\" class=\"border-t border-gray-200 py-4 first:border-t-0 dark:border-gray-700\">\u003Ch4 class=\"font-semibold text-gray-900 dark:text-gray-100\">Was ist Context Engineering?\u003C\u002Fh4>\u003Cdiv class=\"mt-2 text-gray-600 dark:text-gray-300\">Context Engineering ist das Design und die Laufzeitverwaltung der Informationen, die ein Sprachmodell zur Inferenzzeit erhält, einschließlich Anweisungen, Verlauf, abgerufener Belege, Speicher, Zustand, Tools und Tool-Ergebnissen.\u003C\u002Fdiv>\u003C\u002Fdiv>\u003Cdiv id=\"faq2\" class=\"border-t border-gray-200 py-4 first:border-t-0 dark:border-gray-700\">\u003Ch4 class=\"font-semibold text-gray-900 dark:text-gray-100\">Wie unterscheidet sich Context Engineering von Prompt Engineering?\u003C\u002Fh4>\u003Cdiv class=\"mt-2 text-gray-600 dark:text-gray-300\">Prompt Engineering konzentriert sich darauf, wie Anweisungen und Beispiele geschrieben werden. Context Engineering umfasst Prompts, entscheidet aber auch, welche externen Informationen, Zustände, Verläufe, Speicherinhalte und Tool-Beobachtungen darum herum platziert werden.\u003C\u002Fdiv>\u003C\u002Fdiv>\u003Cdiv id=\"faq3\" class=\"border-t border-gray-200 py-4 first:border-t-0 dark:border-gray-700\">\u003Ch4 class=\"font-semibold text-gray-900 dark:text-gray-100\">Ist RAG dasselbe wie Context Engineering?\u003C\u002Fh4>\u003Cdiv class=\"mt-2 text-gray-600 dark:text-gray-300\">Nein. RAG ruft externe Informationen ab. Context Engineering entscheidet, wie abgerufene Informationen gefiltert, mit anderen Zuständen kombiniert und tatsächlich an das Modell übermittelt werden.\u003C\u002Fdiv>\u003C\u002Fdiv>\u003Cdiv id=\"faq4\" class=\"border-t border-gray-200 py-4 first:border-t-0 dark:border-gray-700\">\u003Ch4 class=\"font-semibold text-gray-900 dark:text-gray-100\">Ist Speicher dasselbe wie Kontext?\u003C\u002Fh4>\u003Cdiv class=\"mt-2 text-gray-600 dark:text-gray-300\">Nein. Speicher persistiert Informationen außerhalb des aktuellen Modellaufrufs. Kontext ist die Teilmenge der Informationen, die in die aktuelle Inferenz geladen wird.\u003C\u002Fdiv>\u003C\u002Fdiv>\u003Cdiv id=\"faq5\" class=\"border-t border-gray-200 py-4 first:border-t-0 dark:border-gray-700\">\u003Ch4 class=\"font-semibold text-gray-900 dark:text-gray-100\">Warum kann mehr Kontext eine Antwort verschlechtern?\u003C\u002Fh4>\u003Cdiv class=\"mt-2 text-gray-600 dark:text-gray-300\">Zusätzlicher Kontext kann Rauschen, veraltete Zustände, widersprüchliche Belege, Duplikate und Positionskonkurrenz einführen. Große Kontextkapazität garantiert keine ebenso zuverlässige Nutzung jedes Tokens.\u003C\u002Fdiv>\u003C\u002Fdiv>\u003Cdiv id=\"faq6\" class=\"border-t border-gray-200 py-4 first:border-t-0 dark:border-gray-700\">\u003Ch4 class=\"font-semibold text-gray-900 dark:text-gray-100\">Was ist Kontextkompaktierung?\u003C\u002Fh4>\u003Cdiv class=\"mt-2 text-gray-600 dark:text-gray-300\">Kompaktierung fasst angesammelten Verlauf zusammen oder transformiert ihn in eine kleinere Repräsentation, damit ein langlebiges System fortfahren kann, ohne jedes vorherige Token erneut zu verarbeiten.\u003C\u002Fdiv>\u003C\u002Fdiv>\u003Cdiv id=\"faq7\" class=\"border-t border-gray-200 py-4 first:border-t-0 dark:border-gray-700\">\u003Ch4 class=\"font-semibold text-gray-900 dark:text-gray-100\">Sollte der aktuelle Anwendungszustand im Kontext gespeichert werden?\u003C\u002Fh4>\u003Cdiv class=\"mt-2 text-gray-600 dark:text-gray-300\">Er kann zur Schlussfolgerung im Kontext repräsentiert werden, aber folgenreiche Operationen sollten oft die autoritative Quelle erneut lesen, weil Kontext-Snapshots veralten können.\u003C\u002Fdiv>\u003C\u002Fdiv>\u003Cdiv id=\"faq8\" class=\"border-t border-gray-200 py-4 first:border-t-0 dark:border-gray-700\">\u003Ch4 class=\"font-semibold text-gray-900 dark:text-gray-100\">Wird Context Engineering nur für KI-Agenten benötigt?\u003C\u002Fh4>\u003Cdiv class=\"mt-2 text-gray-600 dark:text-gray-300\">Nein. Agenten machen Kontextmanagement dynamischer, aber auch RAG-Systeme, Assistenten, Copiloten und Multi-Turn-Anwendungen benötigen eine bewusste Kontextkonstruktion.\u003C\u002Fdiv>\u003C\u002Fdiv>\u003C\u002Fsection>\n\u003Ch2 id=\"section-121\">Glossar\u003C\u002Fh2>\n\u003Csection class=\"editorjs-glossary my-6 rounded-xl border border-gray-200 dark:border-gray-700 p-5\">\u003Ch3 class=\"mb-3 text-lg font-semibold\">Zentrale Begriffe des Context Engineering\u003C\u002Fh3>\u003Cdl>\u003Cdiv id=\"context-engineering\" class=\"border-t border-gray-200 dark:border-gray-700 py-3 first:border-t-0\">\u003Cdt class=\"font-semibold text-gray-900 dark:text-gray-100\">Context Engineering\u003C\u002Fdt>\u003Cdd class=\"mt-1 text-gray-600 dark:text-gray-300\">Das Design und die Laufzeitverwaltung der Informationen, die einem Sprachmodell für einen bestimmten Inferenzschritt bereitgestellt werden.\u003C\u002Fdd>\u003C\u002Fdiv>\u003Cdiv id=\"context-window\" class=\"border-t border-gray-200 dark:border-gray-700 py-3 first:border-t-0\">\u003Cdt class=\"font-semibold text-gray-900 dark:text-gray-100\">Kontextfenster\u003C\u002Fdt>\u003Cdd class=\"mt-1 text-gray-600 dark:text-gray-300\">Die endliche Token-Kapazität des Modells für die Eingabe und, je nach Modellschnittstelle, zugehörige generierte Tokens oder aktive Sequenz.\u003C\u002Fdd>\u003C\u002Fdiv>\u003Cdiv id=\"prompt-engineering\" class=\"border-t border-gray-200 dark:border-gray-700 py-3 first:border-t-0\">\u003Cdt class=\"font-semibold text-gray-900 dark:text-gray-100\">Prompt Engineering\u003C\u002Fdt>\u003Cdd class=\"mt-1 text-gray-600 dark:text-gray-300\">Das Design von Anweisungen, Beispielen und Prompt-Struktur, um nützliches Modellverhalten hervorzurufen.\u003C\u002Fdd>\u003C\u002Fdiv>\u003Cdiv id=\"context-assembly\" class=\"border-t border-gray-200 dark:border-gray-700 py-3 first:border-t-0\">\u003Cdt class=\"font-semibold text-gray-900 dark:text-gray-100\">Kontextassemblierung\u003C\u002Fdt>\u003Cdd class=\"mt-1 text-gray-600 dark:text-gray-300\">Der Prozess der Auswahl, Filterung, Anordnung und Formatierung modellsichtbarer Informationen vor der Inferenz.\u003C\u002Fdd>\u003C\u002Fdiv>\u003Cdiv id=\"just-in-time-retrieval\" class=\"border-t border-gray-200 dark:border-gray-700 py-3 first:border-t-0\">\u003Cdt class=\"font-semibold text-gray-900 dark:text-gray-100\">Just-in-Time-Retrieval\u003C\u002Fdt>\u003Cdd class=\"mt-1 text-gray-600 dark:text-gray-300\">Das dynamische Laden von Informationen, wenn die aktuelle Aufgabe sie erfordert, anstatt alle potenziell relevanten Daten vorab zu laden.\u003C\u002Fdd>\u003C\u002Fdiv>\u003Cdiv id=\"compaction\" class=\"border-t border-gray-200 dark:border-gray-700 py-3 first:border-t-0\">\u003Cdt class=\"font-semibold text-gray-900 dark:text-gray-100\">Kompaktierung\u003C\u002Fdt>\u003Cdd class=\"mt-1 text-gray-600 dark:text-gray-300\">Die Reduzierung angesammelten Kontexts in eine kleinere Repräsentation, während versucht wird, die für zukünftige Schritte benötigten Informationen zu bewahren.\u003C\u002Fdd>\u003C\u002Fdiv>\u003Cdiv id=\"context-pollution\" class=\"border-t border-gray-200 dark:border-gray-700 py-3 first:border-t-0\">\u003Cdt class=\"font-semibold text-gray-900 dark:text-gray-100\">Kontextverschmutzung\u003C\u002Fdt>\u003Cdd class=\"mt-1 text-gray-600 dark:text-gray-300\">Verschlechterung durch irrelevante, veraltete, widersprüchliche oder redundante Informationen, die den Arbeitskontext des Modells belegen.\u003C\u002Fdd>\u003C\u002Fdiv>\u003Cdiv id=\"application-state\" class=\"border-t border-gray-200 dark:border-gray-700 py-3 first:border-t-0\">\u003Cdt class=\"font-semibold text-gray-900 dark:text-gray-100\">Anwendungszustand\u003C\u002Fdt>\u003Cdd class=\"mt-1 text-gray-600 dark:text-gray-300\">Der aktuelle autoritative Zustand des externen Systems, Workflows oder Bereichs, der unabhängig vom Modellkontext existiert.\u003C\u002Fdd>\u003C\u002Fdiv>\u003Cdiv id=\"memory\" class=\"border-t border-gray-200 dark:border-gray-700 py-3 first:border-t-0\">\u003Cdt class=\"font-semibold text-gray-900 dark:text-gray-100\">Speicher\u003C\u002Fdt>\u003Cdd class=\"mt-1 text-gray-600 dark:text-gray-300\">Informationen, die außerhalb des unmittelbaren Modellaufrufs für eine mögliche Verwendung in späteren Turns oder Sitzungen gespeichert werden.\u003C\u002Fdd>\u003C\u002Fdiv>\u003Cdiv id=\"retrieved-context\" class=\"border-t border-gray-200 dark:border-gray-700 py-3 first:border-t-0\">\u003Cdt class=\"font-semibold text-gray-900 dark:text-gray-100\">Abgerufener Kontext\u003C\u002Fdt>\u003Cdd class=\"mt-1 text-gray-600 dark:text-gray-300\">Externe Informationen, die von einem Retrieval-System ausgewählt und dem Modell ganz oder teilweise verfügbar gemacht werden.\u003C\u002Fdd>\u003C\u002Fdiv>\u003Cdiv id=\"position-robustness\" class=\"border-t border-gray-200 dark:border-gray-700 py-3 first:border-t-0\">\u003Cdt class=\"font-semibold text-gray-900 dark:text-gray-100\">Positionsrobustheit\u003C\u002Fdt>\u003Cdd class=\"mt-1 text-gray-600 dark:text-gray-300\">Das Ausmaß, in dem die Korrektheit des Modells stabil bleibt, wenn sich Position oder Reihenfolge des relevanten Kontexts ändern.\u003C\u002Fdd>\u003C\u002Fdiv>\u003Cdiv id=\"validity-boundary\" class=\"border-t border-gray-200 dark:border-gray-700 py-3 first:border-t-0\">\u003Cdt class=\"font-semibold text-gray-900 dark:text-gray-100\">Gültigkeitsgrenze\u003C\u002Fdt>\u003Cdd class=\"mt-1 text-gray-600 dark:text-gray-300\">Der Umfang, die Zeit, Annahmen, Versionen und Evidenzbedingungen, innerhalb derer eine Schlussfolgerung gestützt bleibt.\u003C\u002Fdd>\u003C\u002Fdiv>\u003C\u002Fdl>\u003C\u002Fsection>\n\u003Ch2 id=\"section-123\">Fazit\u003C\u002Fh2>\n\u003Cp>Context Engineering ist die Schicht, die entscheidet, was das Modell sieht, bevor es antwortet. Dadurch ist es umfassender als Prompting und dem Retrieval nachgelagert, während es sich zugleich von dauerhaftem Speicher und autoritativem Anwendungszustand unterscheidet.\u003C\u002Fp>\n\u003Cp>Eine starke Kontextarchitektur behandelt das Kontextfenster nicht als Datenbank. Sie hält dauerhaften Zustand und dauerhaftes Wissen außerhalb des Modells, lädt, was für die aktuelle Entscheidung erforderlich ist, bewahrt Autorität und Herkunft, entfernt unnötiges Rauschen und aktualisiert volatile Informationen bei Bedarf.\u003C\u002Fp>\n\u003Cp>Das praktische Ziel ist daher nicht maximaler Kontext. Es ist minimal ausreichender, signalstarker, korrekt autorisierter und gültigkeitsbewahrender Kontext für die nächste Modellentscheidung.\u003C\u002Fp>\n\u003Ch2 id=\"section-127\">Primärquellen und aktuelle Leitlinien\u003C\u002Fh2>\n\u003Cp>Die folgenden Quellen stützen die aktuelle Terminologie des Context Engineering, das Verhalten bei langem Kontext und operative Muster des Kontextmanagements. Projektabschnitte sind ausdrücklich Umsetzungsbelege und keine allgemeingültigen Aussagen.\u003C\u002Fp>\n\u003Ca href=\"https:\u002F\u002Fwww.anthropic.com\u002Fengineering\u002Feffective-context-engineering-for-ai-agents\" target=\"_blank\" rel=\"noopener noreferrer\" class=\"editorjs-link-tool block border border-gray-200 dark:border-gray-700 rounded-lg p-4 transition text-gray-900 dark:text-gray-100 hover:border-primary-500 hover:bg-primary-50 dark:hover:bg-gray-900 hover:text-gray-900 dark:hover:text-gray-100\">\u003Cstrong class=\"block font-semibold\">Anthropic — Effektives Context Engineering für KI-Agenten\u003C\u002Fstrong>\u003Cp class=\"text-sm text-gray-600 dark:text-gray-400\">Offizielle technische Leitlinien, die Context Engineering, Just-in-Time-Retrieval, Kompaktierung, strukturiertes Gedächtnis und Kontextkuratierung für Agenten definieren.\u003C\u002Fp>\u003C\u002Fa>\n\u003Ca href=\"https:\u002F\u002Fdevelopers.openai.com\u002Fcookbook\u002Fexamples\u002Fagents_sdk\u002Fsession_memory\" target=\"_blank\" rel=\"noopener noreferrer\" class=\"editorjs-link-tool block border border-gray-200 dark:border-gray-700 rounded-lg p-4 transition text-gray-900 dark:text-gray-100 hover:border-primary-500 hover:bg-primary-50 dark:hover:bg-gray-900 hover:text-gray-900 dark:hover:text-gray-100\">\u003Cstrong class=\"block font-semibold\">OpenAI — Context Engineering: Kurzzeitgedächtnisverwaltung mit Sitzungen\u003C\u002Fstrong>\u003Cp class=\"text-sm text-gray-600 dark:text-gray-400\">Offizielle Cookbook-Leitlinien zum Kontextmanagement, zur Kürzung und zur Komprimierung für lang laufende Agentensitzungen.\u003C\u002Fp>\u003C\u002Fa>\n\u003Ca href=\"https:\u002F\u002Fdevelopers.openai.com\u002Fapi\u002Fdocs\u002Fguides\u002Fagents\" target=\"_blank\" rel=\"noopener noreferrer\" class=\"editorjs-link-tool block border border-gray-200 dark:border-gray-700 rounded-lg p-4 transition text-gray-900 dark:text-gray-100 hover:border-primary-500 hover:bg-primary-50 dark:hover:bg-gray-900 hover:text-gray-900 dark:hover:text-gray-100\">\u003Cstrong class=\"block font-semibold\">OpenAI — Agenten-Leitfaden\u003C\u002Fstrong>\u003Cp class=\"text-sm text-gray-600 dark:text-gray-400\">Aktuelle OpenAI-Entwicklerleitlinien zu Agenten-Laufzeitumgebungen, Kontext über Schritte hinweg und Orchestrierungsverantwortung.\u003C\u002Fp>\u003C\u002Fa>\n\u003Ca href=\"https:\u002F\u002Farxiv.org\u002Fabs\u002F2307.03172\" target=\"_blank\" rel=\"noopener noreferrer\" class=\"editorjs-link-tool block border border-gray-200 dark:border-gray-700 rounded-lg p-4 transition text-gray-900 dark:text-gray-100 hover:border-primary-500 hover:bg-primary-50 dark:hover:bg-gray-900 hover:text-gray-900 dark:hover:text-gray-100\">\u003Cstrong class=\"block font-semibold\">Lost in the Middle: Wie Sprachmodelle lange Kontexte nutzen\u003C\u002Fstrong>\u003Cp class=\"text-sm text-gray-600 dark:text-gray-400\">Forschung, die zeigt, dass die Leistung von Modellen mit langem Kontext stark von der Position relevanter Informationen in der Eingabe abhängen kann.\u003C\u002Fp>\u003C\u002Fa>",{"time":211,"blocks":212,"version":1405},1791480692560,[213,219,227,234,241,249,254,259,264,269,274,279,284,289,318,323,328,333,338,392,397,432,437,442,447,452,457,464,469,474,479,484,493,498,503,508,514,519,524,529,534,539,568,573,578,583,588,593,598,603,608,613,618,623,628,633,638,643,648,674,679,684,689,694,700,705,710,715,723,728,733,738,743,748,754,786,791,796,840,845,890,895,900,905,913,918,923,928,933,938,943,948,953,958,981,987,992,1030,1035,1073,1078,1114,1119,1162,1167,1172,1177,1182,1187,1192,1197,1202,1207,1212,1217,1222,1230,1235,1240,1245,1283,1288,1338,1343,1348,1353,1358,1363,1368,1378,1387,1396],{"id":214,"data":215,"type":217,"tunes":218},"intro",{"text":216},"Context Engineering ist die Gestaltung dessen, welche Informationen ein Sprachmodell zur Inferenzzeit erhält, in welcher Form, in welcher Reihenfolge und für wie lange. Es ist umfassender als Prompt Engineering, weil der Modellkontext Systemanweisungen, Benutzernachrichten, abgerufene Dokumente, Tool-Ergebnisse, Speicher, aktuellen Anwendungszustand, Beispiele, strukturierte Daten und Zwischenartefakte umfassen kann. Das Ziel ist nicht, die Anzahl der Tokens zu maximieren, sondern den kleinsten nützlichen Kontext zu konstruieren, der die für die aktuelle Aufgabe erforderlichen Informationen, Einschränkungen und Belege bewahrt.","paragraph",{},{"id":220,"data":221,"type":225,"tunes":226},"direct",{"body":222,"title":223,"variant":224},"Prompt Engineering fragt: \u003Cstrong>Wie sollen wir das Modell anweisen?\u003C\u002Fstrong> Context Engineering fragt: \u003Cstrong>Was sollte das Modell jetzt wissen, und wie sollten diese Informationen zusammengestellt werden?\u003C\u002Fstrong>\u003Cbr>\u003Cbr>Retrieval, Speicher, Zustandsverwaltung, Tool-Design, Verlaufs-Trimming, Kompaktierung und Reihenfolge sind daher Context-Engineering-Mechanismen, wenn sie die Tokens bestimmen, die dem Modell zur Verfügung stehen, bevor es die nächste Ausgabe erzeugt.","Direkte Antwort","info","callout",{},{"id":228,"data":229,"type":225,"tunes":233},"boundary",{"body":230,"title":231,"variant":232},"Ein System kann etwas wissen, ohne es in den aktuellen Kontext aufzunehmen. Es kann sich an etwas außerhalb des Modellfensters erinnern. Es kann ein Dokument abrufen, es aber später aus dem endgültigen Prompt ausschließen. Das Modell kann nur den Kontext direkt nutzen, der die aktuelle Inferenz erreicht.","Kontext ist nicht dasselbe wie Wissen oder Speicher","warning",{},{"id":235,"data":236,"type":225,"tunes":240},"current",{"body":237,"title":238,"variant":239},"Context Engineering ist inzwischen etablierte praktische Terminologie in wichtigen KI-Engineering-Richtlinien, aber es ist kein einzelner formaler Standard mit einer verbindlichen Architektur. Anthropic beschreibt es als Kuratierung und Pflege des optimalen Token-Sets für die Inferenz; OpenAIs aktuelle Agenten-Richtlinien behandeln Sitzungskontext, Trimming und Kompression als explizite Engineering-Anliegen für langlebige Systeme.","Aktuelle Quellenlage — 8. Oktober 2026","note",{},{"id":242,"data":243,"type":247,"tunes":248},"toc",{"title":244,"maxLevel":245,"minLevel":246},"Inhalt",3,2,"tableOfContents",{},{"id":250,"data":251,"type":41,"tunes":253},"h-meaning",{"text":252,"level":246},"Was Context Engineering wirklich bedeutet",{},{"id":255,"data":256,"type":217,"tunes":258},"p-meaning-1",{"text":257},"Jeder Modellaufruf erfolgt in einer temporären Arbeitsumgebung: die aktuellen Anweisungen, Nachrichten, abgerufenen Belege, Tool-Ausgaben und Zustände, die in das aktive Kontextfenster passen. Context Engineering ist die Disziplin, diese Umgebung bewusst zu konstruieren.",{},{"id":260,"data":261,"type":217,"tunes":263},"p-meaning-2",{"text":262},"Das Schlüsselwort ist bewusst. Ein naives System verkettet einfach alles, was es hat: vollständigen Verlauf, alle abgerufenen Dokumente, jede Tool-Antwort und große System-Prompts. Ein context-engineered System entscheidet, welche Informationen für die aktuelle Entscheidung erforderlich sind und welche Informationen außerhalb des Fensters bleiben sollten, bis sie benötigt werden.",{},{"id":265,"data":266,"type":217,"tunes":268},"p-meaning-3",{"text":267},"Dadurch ist Context Engineering teilweise ein Informationsarchitekturproblem, teilweise ein Laufzeitproblem und teilweise ein Evaluierungsproblem. Das Design muss entscheiden, was in den Kontext gelangen kann, woher es kommt, welche Version aktuell ist, wie Konflikte aufgelöst werden, wie viel Detail beibehalten wird und wie das Ergebnis getestet wird.",{},{"id":270,"data":271,"type":41,"tunes":273},"h-simple",{"text":272,"level":246},"Das einfachste Beispiel",{},{"id":275,"data":276,"type":217,"tunes":278},"p-simple-1",{"text":277},"Stellen Sie sich einen internen Support-Assistenten vor. Ein Benutzer fragt: „Kann dieser Kunde ohne Gebühr kündigen?“",{},{"id":280,"data":281,"type":217,"tunes":283},"p-simple-2",{"text":282},"Das Modell benötigt möglicherweise fünf Dinge: die aktuelle Kündigungsrichtlinie, den aktuellen Vertragstyp des Kunden, das effektive Vertragsdatum, die relevanten Ausnahmeregeln und den Autorisierungsumfang des Benutzers.",{},{"id":285,"data":286,"type":217,"tunes":288},"p-simple-3",{"text":287},"Es benötigt nicht unbedingt die gesamte Kundendatenbank, das vollständige Richtlinienarchiv, jede vorherige Konversation oder jedes Support-Ticket. Context Engineering ist der Prozess, der die fünf nützlichen Teile auswählt und zusammenstellt, während irrelevante Informationen ausgeschlossen werden.",{},{"id":290,"data":291,"type":316,"tunes":317},"simple-flow",{"steps":292,"title":314,"orientation":315},[293,296,299,302,305,308,311],{"label":294,"description":295},"1. Aufgabe verstehen","Klassifizieren, was die aktuelle Frage erfordert und welche Informationstypen die Antwort beeinflussen können.",{"label":297,"description":298},"2. Autoritativen Zustand ermitteln","Aktuellen Anwendungs- oder Geschäftszustand lesen, der nicht aus dem Gedächtnis geraten werden sollte.",{"label":300,"description":301},"3. Unterstützendes Wissen abrufen","Die für die spezifische Aufgabe relevante Richtlinie, Dokumente oder externe Belege finden.",{"label":303,"description":304},"4. Berechtigungen und Zugriffsrechte anwenden","Daten ausschließen, die der aktuelle Benutzer oder die Laufzeit nicht dem Modell offenlegen darf.",{"label":306,"description":307},"5. Reduzieren und strukturieren","Duplikate entfernen, nützliche Auszüge auswählen und kritische Metadaten, Bedingungen und Ausnahmen bewahren.",{"label":309,"description":310},"6. Kontext ordnen","Anweisungen, aktuellen Zustand und entscheidende Belege dort platzieren, wo das Modell sie konsistent nutzen kann.",{"label":312,"description":313},"7. Inferenz ausführen","Das Modell erhält den zusammengestellten Kontext und erzeugt die nächste Antwort oder einen Aktionsvorschlag.","Vom Anwendungszustand zum Modellkontext","auto","processFlow",{},{"id":319,"data":320,"type":41,"tunes":322},"h-stops",{"text":321,"level":246},"Wo das einfache Beispiel endet",{},{"id":324,"data":325,"type":217,"tunes":327},"p-stops-1",{"text":326},"Reale Systeme sind schwieriger, weil die für einen Schritt benötigten Informationen möglicherweise nicht bekannt sind, bevor die Ausführung beginnt. Ein Agent kann durch Tools neue Fakten entdecken, Zwischendateien erstellen, sich ändernden externen Zustand empfangen oder eine Aufgabe über mehr als ein Kontextfenster erstrecken.",{},{"id":329,"data":330,"type":217,"tunes":332},"p-stops-2",{"text":331},"Context Engineering wird daher dynamisch. Der Kontext für Schritt 12 sollte nicht einfach der Kontext von Schritt 1 plus elf Schichten akkumulierter Ausgabe sein. Er sollte den aktuellen Aufgabenstatus, die noch relevanten Entscheidungen und die für die nächste Aktion erforderlichen Belege widerspiegeln.",{},{"id":334,"data":335,"type":41,"tunes":337},"h-anatomy",{"text":336,"level":246},"Was kann in einen Modellkontext gelangen?",{},{"id":339,"data":340,"type":390,"tunes":391},"anatomy-table",{"content":341,"stretched":42,"withHeadings":13},[342,346,350,354,358,362,366,370,374,378,382,386],[343,344,345],"Kontextkomponente","Zweck","Typisches Risiko",[347,348,349],"System-\u002FEntwickleranweisungen","Rolle, Einschränkungen, Richtlinien und Verhalten definieren","Zu vage, widersprüchlich oder mit brüchiger Logik überladen",[351,352,353],"Aktuelle Benutzeranfrage","Definiert unmittelbare Aufgabe und Absicht","Mehrdeutigkeit oder Konflikt mit vorheriger Historie",[355,356,357],"Gesprächsverlauf","Bewahrt Kontinuität über Turns hinweg","Veraltete Annahmen, Wiederholung und Token-Wachstum",[359,360,361],"Abgerufene Dokumente","Externes Wissen\u002FBelege bereitstellen","Irrelevanz, veraltete Versionen, schwache Autorität oder Duplikate",[363,364,365],"Aktueller Anwendungszustand","Liefert volatile Geschäfts-\u002FSystemfakten","Verwendung von zwischengespeichertem oder erinnertem Zustand statt aktueller Autorität",[367,368,369],"Tool-Definitionen","Teilen dem Modell mit, welche Fähigkeiten existieren und wie sie aufgerufen werden","Zu viele überlappende Tools oder ausführliche Schemata",[371,372,373],"Tool-Ergebnisse","Bringen Beobachtungen aus der Umgebung in die Schleife","Große verrauschte Ausgaben, nicht vertrauenswürdige Inhalte oder veraltete Beobachtungen",[375,376,377],"Gedächtnis","Führt ausgewählte Informationen aus früheren Interaktionen wieder ein","Veraltung, falsche Verallgemeinerung oder Überpersonalisierung",[379,380,381],"Beispiele","Demonstrieren gewünschtes Verhalten","Zu viele Randfälle können die aktuelle Aufgabe verdrängen",[383,384,385],"Zwischenartefakte","Tragen Pläne, Zusammenfassungen, Code, Berechnungen oder Notizen","Alter Zwischenzustand kann für die endgültige Wahrheit gehalten werden",[387,388,389],"Richtlinien \u002F Schutzgeländer","Definieren verbotenes oder eingeschränktes Verhalten","Konflikt mit Geschäftslogik oder versteckte Durchsetzungslücken","table",{},{"id":393,"data":394,"type":41,"tunes":396},"h-prompt",{"text":395,"level":246},"Context Engineering vs. Prompt Engineering",{},{"id":398,"data":399,"type":430,"tunes":431},"prompt-comparison",{"rows":400,"title":422,"layout":390,"columns":423},[401,406,410,414,418],{"id":402,"label":403,"values":404},"focus","Hauptfokus",[405,405],"",{"id":407,"label":408,"values":409},"scope","Typischer Umfang",[405,405],{"id":411,"label":412,"values":413},"timing","Wann es sich ändert",[405,405],{"id":415,"label":416,"values":417},"failure","Typisches Scheitern",[405,405],{"id":419,"label":420,"values":421},"relationship","Beziehung",[405,405],"Prompt Engineering und Context Engineering lösen unterschiedliche Ebenen",[424,427],{"id":425,"label":426},"prompt","Prompt Engineering",{"id":428,"label":429},"context","Context Engineering","comparison",{},{"id":433,"data":434,"type":217,"tunes":436},"p-prompt-1",{"text":435},"Anthropic beschreibt Context Engineering ausdrücklich als die natürliche Weiterentwicklung des Prompt Engineering für Systeme, in denen das Modell mit Tools, externen Daten, Nachrichtenhistorie und lang laufendem Agentenzustand arbeiten muss. Die praktische Unterscheidung ist nützlich, weil ein perfekt geschriebener Prompt fehlende autoritative Daten oder einen durch widersprüchlichen Zustand verunreinigten Kontext nicht ausgleichen kann.",{},{"id":438,"data":439,"type":41,"tunes":441},"h-retrieval",{"text":440,"level":246},"Context Engineering vs. Retrieval",{},{"id":443,"data":444,"type":217,"tunes":446},"p-ret-1",{"text":445},"Retrieval wählt Kandidateninformationen aus einem externen Korpus oder einer Quelle aus. Context Engineering entscheidet, was danach und darum herum mit diesem Retrieval geschieht.",{},{"id":448,"data":449,"type":217,"tunes":451},"p-ret-2",{"text":450},"Der Retriever kann 30 Passagen zurückgeben. Ein Reranker kann sie auf 10 reduzieren. Die Kontextschicht kann vier Passagen auswählen, Duplikate entfernen, Quell-\u002FVersionsmetadaten anhängen, sie mit dem aktuellen Anwendungszustand kombinieren und sie nach den Systemanweisungen platzieren.",{},{"id":453,"data":454,"type":217,"tunes":456},"p-ret-3",{"text":455},"Deshalb kann ein RAG-System die richtige Passage abrufen und trotzdem schlecht antworten: Das Scheitern kann während der Kontextzusammenstellung statt beim Retrieval auftreten.",{},{"id":458,"data":459,"type":225,"tunes":463},"retrieval-boundary",{"body":460,"title":461,"variant":462},"Das korrekte Retrieval-Ergebnis ist nur nützlich, wenn es Filterung, Reihenfolge, Kompression und Token-Budget-Entscheidungen übersteht und das Modell tatsächlich in nutzbarer Form erreicht.","Retrieval findet Kandidaten; Context Engineering konstruiert die Modelleingabe","success",{},{"id":465,"data":466,"type":41,"tunes":468},"h-memory",{"text":467,"level":246},"Context Engineering vs. Gedächtnis",{},{"id":470,"data":471,"type":217,"tunes":473},"p-memory-1",{"text":472},"Gedächtnis sind Informationen, die außerhalb des unmittelbaren Modellaufrufs bewahrt werden, damit sie später erneut verwendet werden können. Kontext sind die Informationen, die tatsächlich in den aktuellen Aufruf geladen werden.",{},{"id":475,"data":476,"type":217,"tunes":478},"p-memory-2",{"text":477},"Ein Gedächtnissystem kann Tausende Fakten, Notizen oder frühere Entscheidungen enthalten. Context Engineering wählt aus, welche davon für die aktuelle Aufgabe wieder eingeführt werden sollen. Jedes Gedächtnis bei jedem Turn zu laden, untergräbt den Zweck einer externen Gedächtnisschicht.",{},{"id":480,"data":481,"type":217,"tunes":483},"p-memory-3",{"text":482},"Die Unterscheidung wird entscheidend für volatilen Zustand. Ein erinnerter Projektstatus oder eine Benutzerpräferenz kann nützlich sein, aber der aktuelle autoritative Zustand muss möglicherweise vor einer folgenreichen Entscheidung neu gelesen werden.",{},{"id":485,"data":486,"type":491,"tunes":492},"ref-memory",{"url":487,"title":488,"excerpt":489,"ctaLabel":490},"https:\u002F\u002Fstajic.de\u002Fde\u002Fblog\u002Fai-agent-memory-is-not-rag-how-to-separate-memory-retrieval-state-and-context","KI-Agenten-Gedächtnis ist nicht RAG: Wie man Gedächtnis, Retrieval, Zustand und Kontext trennt","Eine praktische Architektur, die trennt, was persistiert, was jetzt autoritativ ist, was abgerufen wird und was das Modell tatsächlich erhält.","Den Artikel zur Gedächtnisarchitektur lesen","referralArticle",{},{"id":494,"data":495,"type":41,"tunes":497},"h-state",{"text":496,"level":246},"Context Engineering vs. Anwendungszustand",{},{"id":499,"data":500,"type":217,"tunes":502},"p-state-1",{"text":501},"Anwendungszustand ist der aktuelle Zustand des äußeren Systems: Kontostand, Ticketstatus, Dateiversion, Workflow-Phase, Deployment-Zustand oder Aufgabenfortschritt.",{},{"id":504,"data":505,"type":217,"tunes":507},"p-state-2",{"text":506},"Zustand kann in den Kontext zusammengefasst werden, aber die Zusammenfassung ist nicht der Zustand selbst. Für folgenreiche Operationen muss die Laufzeit möglicherweise das autoritative System unmittelbar vor der Aktion neu lesen, anstatt einem früheren modellsichtbaren Snapshot zu vertrauen.",{},{"id":509,"data":510,"type":225,"tunes":513},"state-rule",{"body":511,"title":512,"variant":232},"Sobald Zustand in einen Prompt kopiert wird, kann er veralten. Context Engineering muss definieren, wann volatiler Zustand aktualisiert werden muss und welche Operationen ein neues autoritatives Lesen erfordern.","Kontext ist ein Snapshot",{},{"id":515,"data":516,"type":41,"tunes":518},"h-tools",{"text":517,"level":246},"Werkzeugdesign ist Teil des Kontext-Engineerings",{},{"id":520,"data":521,"type":217,"tunes":523},"p-tools-1",{"text":522},"Werkzeuge geben Agenten nicht nur Fähigkeiten. Werkzeugnamen, Beschreibungen, Schemas und Ergebnisse werden zu modell-sichtbaren Informationen, die Entscheidungen prägen.",{},{"id":525,"data":526,"type":217,"tunes":528},"p-tools-2",{"text":527},"Die aktuelle Kontext-Engineering-Richtlinie von Anthropic betont token-effiziente Werkzeuge und warnt vor aufgeblähten Werkzeugsätzen mit überlappender Funktionalität. Ein Werkzeugkatalog, der für einen Menschen schwer zu unterscheiden ist, ist auch für ein Modell schwer zuverlässig zu routen.",{},{"id":530,"data":531,"type":217,"tunes":533},"p-tools-3",{"text":532},"Auch Werkzeugausgaben brauchen Kontextdisziplin. Ein vollständiges Protokoll mit 20.000 Zeilen zurückzugeben, wenn der Agent eine einzelne Fehlerbedingung angefordert hat, verbraucht Aufmerksamkeit und kann die entscheidenden Beweise verschütten.",{},{"id":535,"data":536,"type":41,"tunes":538},"h-jit",{"text":537,"level":246},"Just-in-Time-Kontext vs. vorgeladener Kontext",{},{"id":540,"data":541,"type":430,"tunes":567},"jit-comparison",{"rows":542,"title":559,"layout":390,"columns":560},[543,547,551,555],{"id":544,"label":545,"values":546},"method","Methode",[405,405],{"id":548,"label":549,"values":550},"strength","Stärke",[405,405],{"id":552,"label":553,"values":554},"risk","Risiko",[405,405],{"id":556,"label":557,"values":558},"best","Nützlich wenn",[405,405],"Zwei Arten der Informationsbereitstellung",[561,564],{"id":562,"label":563},"preload","Vorgeladener Kontext",{"id":565,"label":566},"jit","Just-in-Time-Kontext",{},{"id":569,"data":570,"type":217,"tunes":572},"p-jit-1",{"text":571},"Anthropic beschreibt ein hybrides Muster, bei dem ein Teil des stabilen Kontexts vorgeladen wird, während Agenten zur Laufzeit zusätzliche Informationen abrufen. Dies ist ein nützliches Architekturmuster, weil nicht jede wichtige Tatsache eine dauerhafte Residenz im Kontextfenster verdient.",{},{"id":574,"data":575,"type":41,"tunes":577},"h-budget",{"text":576,"level":246},"Kontext ist ein Budget, kein Speichersystem",{},{"id":579,"data":580,"type":217,"tunes":582},"p-budget-1",{"text":581},"Ein Kontextfenster definiert Kapazität. Es garantiert nicht, dass jedes Token gleich gut genutzt wird. Das Modell muss Aufmerksamkeit über Anweisungen, Verlauf, Beweise, Werkzeuge und Zwischenzustand verteilen.",{},{"id":584,"data":585,"type":217,"tunes":587},"p-budget-2",{"text":586},"Das praktische Ziel ist daher nicht, das Fenster zu füllen. Es ist, den Nutzen des begrenzten Aufmerksamkeitsbudgets zu maximieren.",{},{"id":589,"data":590,"type":217,"tunes":592},"p-budget-3",{"text":591},"Anthropic formuliert ein ähnliches Prinzip als das Finden der kleinsten hochsignaligen Token-Menge, die die Wahrscheinlichkeit des gewünschten Verhaltens maximiert. Die Kontextmanagement-Richtlinie von OpenAI warnt ebenfalls, dass unkuratierter Verlauf, redundante Werkzeugergebnisse und verrauschtes Retrieval selbst große Fenster überwältigen können.",{},{"id":594,"data":595,"type":41,"tunes":597},"h-more",{"text":596,"level":246},"Warum mehr Kontext schlechter sein kann",{},{"id":599,"data":600,"type":217,"tunes":602},"p-more-1",{"text":601},"Zusätzlicher Kontext kann irrelevante Informationen, veralteten Zustand, doppelte Beweise, widersprüchliche Anweisungen oder Positionskonkurrenz einführen. Er kann auch dazu führen, dass Kompaktierungssysteme Details verwerfen, die später wichtig werden.",{},{"id":604,"data":605,"type":217,"tunes":607},"p-more-2",{"text":606},"Die klassische Lost-in-the-Middle-Studie zeigte, dass Langkontextmodelle Informationen unterschiedlich nutzen können, je nachdem, wo relevanter Inhalt erscheint, wobei die Leistung oft abnimmt, wenn entscheidende Informationen in die Mitte langer Eingaben gesetzt werden.",{},{"id":609,"data":610,"type":217,"tunes":612},"p-more-3",{"text":611},"Das bedeutet nicht, dass langer Kontext von Natur aus schlecht ist. Es bedeutet, dass Verfügbarkeit innerhalb des Fensters nicht dasselbe ist wie zuverlässige Nutzung.",{},{"id":614,"data":615,"type":41,"tunes":617},"h-order",{"text":616,"level":246},"Die Kontextreihenfolge sollte bewusst gewählt werden",{},{"id":619,"data":620,"type":217,"tunes":622},"p-order-1",{"text":621},"Kontextkonstruktion ist auch ein Reihenfolgeproblem. Kritische Anweisungen, aktueller Zustand, entscheidende Beweise und aufgabenspezifische Einschränkungen sollten nicht willkürlich aneinandergereiht werden.",{},{"id":624,"data":625,"type":217,"tunes":627},"p-order-2",{"text":626},"Es gibt keine universell perfekte Reihenfolge für jedes Modell und jede Aufgabe. Die Architektur sollte daher testen, ob eine Neuordnung der Beweise die Korrektheit verändert und ob wichtige Informationen über realistische Kontextvariationen hinweg robust bleiben.",{},{"id":629,"data":630,"type":217,"tunes":632},"p-order-3",{"text":631},"Eine stabile Antwort, die sich dramatisch ändert, wenn zwei gleichermaßen gültige Passagen ihre Positionen tauschen, deutet auf eine Kontextsensitivität hin, die gemessen und nicht ignoriert werden sollte.",{},{"id":634,"data":635,"type":41,"tunes":637},"h-conflict",{"text":636,"level":246},"Konfliktbehafteter Kontext erfordert explizite Vorrangregeln",{},{"id":639,"data":640,"type":217,"tunes":642},"p-conflict-1",{"text":641},"Ein Modell kann eine alte Richtlinie und eine neue Richtlinie erhalten, eine erinnerte Präferenz und eine aktuelle explizite Anweisung oder einen zwischengespeicherten Status und ein Live-API-Ergebnis. Das System sollte nicht erwarten, dass das Modell den Vorrang aus dem Prosastil ableitet.",{},{"id":644,"data":645,"type":217,"tunes":647},"p-conflict-2",{"text":646},"Context Engineering sollte Vorrang durch Quellenauswahl, Metadaten, Reihenfolge oder explizite Anweisungen kodieren: der aktuelle autoritative Zustand überschreibt veraltete Kopien; eine explizite aktuelle Nutzeranweisung überschreibt eine ältere abgeleitete Präferenz; eine genehmigte Richtlinie ersetzt veraltete Entwürfe.",{},{"id":649,"data":650,"type":390,"tunes":673},"conflict-table",{"content":651,"stretched":42,"withHeadings":13},[652,655,658,661,664,667,670],[653,654],"Konflikt","Bevorzugte Kontextregel",[656,657],"Aktueller Zustand vs. erinnerter Zustand","Aktualisieren und die autoritative aktuelle Quelle bevorzugen.",[659,660],"Aktuelle Richtlinie vs. ersetzte Richtlinie","Aktuelle Version einbeziehen; alte Version nur beibehalten, wenn ein historischer Vergleich erforderlich ist.",[662,663],"Explizite Nutzeranweisung vs. alte abgeleitete Präferenz","Die aktuelle explizite Anweisung bevorzugen.",[665,666],"Primärquelle vs. sekundäre Zusammenfassung","Primärquelle für Aussagen verwenden, die Autorität erfordern; die Zusammenfassung kann die Erklärung stützen.",[668,669],"Werkzeugbeobachtung vs. Modellvorwissen","Den aktuell beobachteten Zustand bevorzugen, wenn das Werkzeug für diese Tatsache autoritativ ist.",[671,672],"Zwei ungelöste autoritative Quellen","Den Konflikt offenlegen, anstatt eine einheitliche Antwort zu erfinden.",{},{"id":675,"data":676,"type":41,"tunes":678},"h-compaction",{"text":677,"level":246},"Kompaktierung ist Kontexttransformation, keine verlustfreie Speicherung",{},{"id":680,"data":681,"type":217,"tunes":683},"p-comp-1",{"text":682},"Langlebige Systeme müssen irgendwann den Verlauf kürzen, zusammenfassen oder kompaktieren. Kompaktierung erzeugt eine neue Repräsentation des vorherigen Kontexts, damit der Agent fortfahren kann, ohne jedes Token erneut abzuspielen.",{},{"id":685,"data":686,"type":217,"tunes":688},"p-comp-2",{"text":687},"OpenAIs Beispiele für Kontextmanagement verwenden Kürzung und Kompression für langlebige Sitzungen. Anthropic beschreibt Kompaktierung als eine primäre Technik, um die Kohärenz aufrechtzuerhalten, wenn eine Interaktion sich dem Kontextlimit nähert.",{},{"id":690,"data":691,"type":217,"tunes":693},"p-comp-3",{"text":692},"Der schwierige Teil ist zu entscheiden, was nicht sicher entfernt werden kann: ungelöste Aufgaben, Identifikatoren, Nutzereinschränkungen, Sicherheitsgrenzen, Architekturentscheidungen, Ausnahmen, Quellenherkunft und die Bedingungen, unter denen eine frühere Schlussfolgerung gültig ist.",{},{"id":695,"data":696,"type":225,"tunes":699},"compaction-rule",{"body":697,"title":698,"variant":232},"Wenn die Kompaktierung „Ansatz X verwenden“ beibehält, aber verwirft, warum X gewählt wurde, welche Version getestet wurde oder welche Bedingung es ungültig machen würde, können spätere Antworten intern konsistent bleiben und gleichzeitig extern falsch werden.","Eine Zusammenfassung kann die Schlussfolgerung bewahren und den Grund zerstören",{},{"id":701,"data":702,"type":41,"tunes":704},"h-validity",{"text":703,"level":246},"Gültigkeitsgrenzen bewahren",{},{"id":706,"data":707,"type":217,"tunes":709},"p-validity-1",{"text":708},"Wichtige Schlussfolgerungen sollten die Bedingungen mitführen, unter denen sie weiterhin gestützt werden: Version, Datum, Geltungsbereich, Annahmen, Quellenautorität und ungelöste Meinungsverschiedenheiten.",{},{"id":711,"data":712,"type":217,"tunes":714},"p-validity-2",{"text":713},"Context Engineering ist daher mit der Answer Validity Boundary verbunden. Der Kontextassembler sollte nicht die Metadaten entfernen, die bestimmen, ob Belege noch anwendbar sind.",{},{"id":716,"data":717,"type":491,"tunes":722},"ref-avb",{"url":718,"title":719,"excerpt":720,"ctaLabel":721},"https:\u002F\u002Fstajic.de\u002Fde\u002Fblog\u002Fthe-answer-validity-boundary-the-missing-layer-between-relevance-and-reliable-ai-answers","The Answer Validity Boundary: The Missing Layer Between Relevance and Reliable AI Answers","Ein Framework zur Bewahrung des Geltungsbereichs, der Annahmen, Versionen und Evidenzbedingungen, unter denen eine KI-Aussage weiterhin gestützt wird.","Read the Answer Validity Boundary",{},{"id":724,"data":725,"type":41,"tunes":727},"h-security",{"text":726,"level":246},"Context Engineering ist auch eine Sicherheitsgrenze",{},{"id":729,"data":730,"type":217,"tunes":732},"p-sec-1",{"text":731},"Daten, die das Modell erreichen, haben eine wichtige Systemgrenze überschritten. Die Kontextassemblierung muss daher Autorisierung, Mandantentrennung, Vertraulichkeit und Datenminimierungsregeln respektieren.",{},{"id":734,"data":735,"type":217,"tunes":737},"p-sec-2",{"text":736},"Ein Retriever kann technisch eine Passage finden, auf die der aktuelle Nutzer keinen Zugriff hat. Das korrekte Design besteht darin, zu verhindern, dass diese Passage in den Modellkontext gelangt, anstatt sich darauf zu verlassen, dass das Modell sie ignoriert.",{},{"id":739,"data":740,"type":217,"tunes":742},"p-sec-3",{"text":741},"Werkzeugausgaben können auch nicht vertrauenswürdige Anweisungen oder adversarialen Inhalt enthalten. Context Engineering sollte die Unterscheidung zwischen Anwendungsanweisungen und externen Daten bewahren, damit abgerufener Text nicht stillschweigend Anweisungsautorität erlangen kann.",{},{"id":744,"data":745,"type":41,"tunes":747},"h-architecture",{"text":746,"level":246},"Eine praktische Architektur für Context Engineering",{},{"id":749,"data":750,"type":225,"tunes":753},"arch-note",{"body":751,"title":752,"variant":239},"Die folgenden Schichten sind eine praktische Synthese für Produktionssysteme, kein formaler Industriestandard. Der Zweck ist, die Informationsverantwortung vom temporären, modellzugewandten Kontext getrennt zu halten.","Vorgeschlagenes Architekturmodell",{},{"id":755,"data":756,"type":390,"tunes":785},"arch-table",{"content":757,"stretched":42,"withHeadings":13},[758,761,764,767,770,773,776,779,782],[759,760],"Schicht","Verantwortung",[762,763],"Autoritative Systeme","Besitzen den aktuellen Geschäfts-\u002FSystemzustand und offizielle Aufzeichnungen.",[765,766],"Wissensquellen","Besitzen Dokumente, Richtlinien, Spezifikationen, Forschung oder externe Belege.",[768,769],"Speicher","Bewahrt ausgewählte Informationen über Turns oder Sitzungen hinweg auf.",[771,772],"Retrieval-Schicht","Findet aufgabenrelevante Kandidaten aus externen Quellen.",[774,775],"Tool-\u002FRuntime-Schicht","Liest Zustand, führt Aktionen aus und liefert Beobachtungen zurück.",[777,778],"Kontext-Assembler","Wählt modell-sichtbare Informationen aus, filtert, dedupliziert, ordnet und formatiert sie.",[780,781],"Modell","Schlussfolgert und generiert über den zusammengesetzten Kontext.",[783,784],"Validierung\u002FEvaluierung","Prüft, ob ausgewählter Kontext und resultierende Ausgabe aufgabenspezifische Anforderungen erfüllen.",{},{"id":787,"data":788,"type":217,"tunes":790},"p-arch-1",{"text":789},"Der Kontext-Assembler ist konzeptionell wichtig, auch wenn kein Modul genau diesen Namen trägt. In einer kleinen Anwendung kann er gewöhnlicher Anwendungscode sein. In einer großen Agentenplattform kann er Sitzungsverwaltung, Retrieval, Speicher, Tool-Middleware, Kompaktierung und Richtliniendurchsetzung kombinieren.",{},{"id":792,"data":793,"type":41,"tunes":795},"h-policy",{"text":794,"level":246},"Eine praktische Richtlinie zum Kontextaufbau",{},{"id":797,"data":798,"type":390,"tunes":839},"policy-table",{"content":799,"stretched":42,"withHeadings":13},[800,803,806,809,812,815,818,821,824,827,830,833,836],[801,802],"Regel","Warum sie wichtig ist",[804,805],"Beginne mit der aktuellen Aufgabe","Trage Informationen nicht allein deshalb mit, weil sie früher existierten.",[807,808],"Lies flüchtigen Zustand erneut","Speicher und alter Kontext können veraltet sein.",[810,811],"Rufe gerade genug Belege ab","Große Kandidatenmengen können entscheidende Informationen verwässern.",[813,814],"Bewahre Quellmetadaten","Version, Datum und Autorität bestimmen, ob ein Beleg noch gilt.",[816,817],"Entferne doppelte Inhalte","Redundanz verbraucht Tokens, ohne Informationen hinzuzufügen.",[819,820],"Bevorzuge strukturierte Zusammenfassungen für große Tool-Ausgaben","Lege entscheidende Felder offen statt rohes Rauschen, wo Treue es erlaubt.",[822,823],"Halte Regeln mit Ausnahmen zusammen","Eine Regel von ihrer Ausnahme zu trennen, erzeugt falsche Gewissheit.",[825,826],"Mache Vorrang explizit","Verlange nicht vom Modell, abzuleiten, welche widersprüchliche Quelle gewinnt.",[828,829],"Halte dauerhaften Zustand außerhalb des Kontexts","Kontext ist temporäres Arbeitsgedächtnis, nicht die Datenbank.",[831,832],"Kompaktiere mit Retentionstests","Verifiziere, dass Identifikatoren, Einschränkungen, Herkunft und ungelöster Zustand erhalten bleiben.",[834,835],"Messe Reihenfolgeempfindlichkeit","Korrektheit sollte nicht versehentlich von willkürlicher Dokumentreihenfolge abhängen.",[837,838],"Evaluiere Kontext getrennt von Modellqualität","Ein stärkeres Modell kann fehlende oder unzulässige Belege nicht zuverlässig kompensieren.",{},{"id":841,"data":842,"type":41,"tunes":844},"h-eval",{"text":843,"level":246},"Wie man Context Engineering evaluiert",{},{"id":846,"data":847,"type":390,"tunes":889},"eval-table",{"content":848,"stretched":42,"withHeadings":13},[849,853,857,861,865,869,873,877,881,885],[850,851,852],"Eigenschaft","Frage","Beispieltest",[854,855,856],"Hinlänglichkeit","Enthält der Kontext alles, was zur Lösung der Aufgabe erforderlich ist?","Entferne einen Beleg und beobachte, ob die Antwort ungestützt wird.",[858,859,860],"Relevanz","Wie viel Kontext ist für die Aufgabe unnötig?","Messe die Qualität, während irrelevante Passagen hinzugefügt oder entfernt werden.",[862,863,864],"Autorität","Sind entscheidende Aussagen in der richtigen Quellklasse begründet?","Injiziere eine flüssigere, aber nicht autoritative widersprüchliche Quelle.",[866,867,868],"Aktualität","Überschreibt der aktuelle Zustand veraltete Kopien?","Ändere den autoritativen Zustand nach einem vorherigen Turn und führe erneut aus.",[870,871,872],"Positionsrobustheit","Hängt die Antwortqualität stark von der Position der Belege ab?","Randomisiere die Kandidatenreihenfolge über wiederholte Versuche.",[874,875,876],"Konfliktbehandlung","Befolgt das Modell explizite Vorrangregeln?","Präsentiere alten und neuen Zustand zusammen.",[878,879,880],"Kompaktierungs-Retention","Bewahrt die Zusammenfassung Einschränkungen und Gültigkeitsgrenzen?","Vergleiche die Aufgabenleistung vor\u002Fnach der Kompaktierung.",[882,883,884],"Token-Effizienz","Verbessert zusätzlicher Kontext die Qualität genug, um Latenz\u002FKosten zu rechtfertigen?","Führe kontrollierte Ablationen der Kontextgröße durch.",[886,887,888],"Sicherheit","Können unzulässige oder gegnerische Inhalte in den Modellkontext gelangen?","Teste Mandanten-, Berechtigungs- und Prompt-Injection-Grenzen.",{},{"id":891,"data":892,"type":41,"tunes":894},"h-rag-diagnostic",{"text":893,"level":246},"Kontextassemblierung ist eine eigenständige RAG-Fehlerschicht",{},{"id":896,"data":897,"type":217,"tunes":899},"p-ragdiag-1",{"text":898},"Eine RAG-Pipeline kann beim Retrieval erfolgreich sein und dennoch nachgelagert fehlschlagen. Die relevante Quelle kann auf Rang 2 erscheinen, doch der Kontext-Assembler kann sie verwerfen, abschneiden, mit veraltetem widersprüchlichem Material kombinieren oder das Token-Budget überschreiten.",{},{"id":901,"data":902,"type":217,"tunes":904},"p-ragdiag-2",{"text":903},"Deshalb sollten Retrieval-Traces mit dem tatsächlichen, an das Modell gesendeten Kontext verglichen werden. Ohne diesen Vergleich werden Kontextfehler leicht als Embedding- oder Modellfehler fehldiagnostiziert.",{},{"id":906,"data":907,"type":491,"tunes":912},"ref-ragfail",{"url":908,"title":909,"excerpt":910,"ctaLabel":911},"https:\u002F\u002Fstajic.de\u002Fde\u002Fblog\u002Frag-failed-but-which-layer-actually-failed-a-diagnostic-method","RAG ist fehlgeschlagen — aber welche Schicht ist tatsächlich fehlgeschlagen? Eine diagnostische Methode","Ein schichtweiser Ansatz zur Trennung von Fehlern bei Quellenabdeckung, Retrieval, Ranking, Kontextassemblierung, Generierung, Belegzuordnung und Aktualität.","Die RAG-Diagnosemethode lesen",{},{"id":914,"data":915,"type":41,"tunes":917},"h-implementation",{"text":916,"level":246},"Belege aus der ursprünglichen Implementierung",{},{"id":919,"data":920,"type":41,"tunes":922},"h-sot-engine",{"text":921,"level":245},"Source of Truth Research Engine: begrenzte Recherche statt unbegrenztem Kontext",{},{"id":924,"data":925,"type":217,"tunes":927},"p-sot-1",{"text":926},"Die Source of Truth Research Engine trennt Entdeckung, Beschaffung, Extraktion, Verifikation, Widerspruchsanalyse und Synthese in begrenzte Recherchephasen, statt eine einzige riesige Rechercheaufgabe und alles angesammelte Material in einen einzigen Modellaufruf zu senden.",{},{"id":929,"data":930,"type":217,"tunes":932},"p-sot-2",{"text":931},"Ihr Evidenzmodell speichert Sources, Artifacts, Claims, Relations, Contradictions und Herkunft außerhalb des Modellkontexts. Das Modell kann die für den aktuellen Rechercheschritt benötigte Teilmenge erhalten, während dauerhafte Belege im externen Speicher verbleiben.",{},{"id":934,"data":935,"type":217,"tunes":937},"p-sot-3",{"text":936},"Das ist ein konkretes Context-Engineering-Muster: dauerhafter Recherchezustand lebt außerhalb des Modellfensters; der aktive Modellkontext wird für die aktuelle Phase rekonstruiert.",{},{"id":939,"data":940,"type":41,"tunes":942},"h-ai-client",{"text":941,"level":245},"Aaasaasa AI Client: Runtime, Berechtigungen und Kontext sind getrennte Anliegen",{},{"id":944,"data":945,"type":217,"tunes":947},"p-client-1",{"text":946},"Der Aaasaasa AI Client trennt Anbieter-\u002FModellauswahl, Laufzeitort, Workspace-Berechtigungen, lokale Ressourcen und Tool-Zugriff. Dadurch wird verhindert, dass der Modellkontext zum Eigentümer von Autorisierung oder Anwendungszustand wird.",{},{"id":949,"data":950,"type":217,"tunes":952},"p-client-2",{"text":951},"Direct Chat und agentische Laufzeitumgebungen können unterschiedliche Tool-Fähigkeiten haben. Workspace-Berechtigungsprofile werden von der Laufzeitumgebung durchgesetzt und nicht nur im natürlichsprachlichen Kontext beschrieben. Diese Unterscheidung ist wichtig: Der Kontext kann einem Modell sagen, was es tun soll, während die Laufzeitumgebung weiterhin durchsetzen muss, was tatsächlich erlaubt ist.",{},{"id":954,"data":955,"type":217,"tunes":957},"p-client-3",{"text":956},"Die Implementierungsbelege hier sind architektonische Trennung, nicht die Behauptung, dass jede in diesem Artikel beschriebene fortgeschrittene Kontextmanagement-Technik bereits implementiert ist.",{},{"id":959,"data":960,"type":390,"tunes":980},"impl-table",{"content":961,"stretched":42,"withHeadings":13},[962,965,968,971,974,977],[963,964],"Implementierungsmuster","Lektion für Context Engineering",[966,967],"Externer Evidenzspeicher","Dauerhaftes Wissen muss nicht im Modellfenster verbleiben.",[969,970],"Begrenzte Recherchephasen","Verschiedene Schritte können unterschiedlichen Kontext erhalten, statt eine riesige Historie anzusammeln.",[972,973],"Behauptungen + Provenienz außerhalb des Kontexts","Die Identität von Evidenz überlebt über den temporären Inferenzzustand hinaus.",[975,976],"Von der Laufzeitumgebung durchgesetzte Berechtigungen","Sicherheitsautorität hängt nicht davon ab, dass sich das Modell an eine Anweisung erinnert.",[978,979],"Getrennte Konzepte für lokal\u002FAnbieter\u002FModell\u002FLaufzeit","Kontext ist nur eine Schicht der breiteren KI-Anwendungsarchitektur.",{},{"id":982,"data":983,"type":225,"tunes":986},"impl-boundary",{"body":984,"title":985,"variant":239},"Diese Implementierungen stützen die architektonische Trennung zwischen dauerhaftem Zustand, Retrieval, Laufzeitkontrollen und modellgerichtetem Kontext. Sie werden nicht als Benchmark-Beweis dafür präsentiert, dass eine Kontextstrategie universell optimal ist.","Evidenzgrenze",{},{"id":988,"data":989,"type":41,"tunes":991},"h-failures",{"text":990,"level":246},"Häufige Fehlermuster im Context Engineering",{},{"id":993,"data":994,"type":390,"tunes":1029},"failure-table",{"content":995,"stretched":42,"withHeadings":13},[996,999,1002,1005,1008,1011,1014,1017,1020,1023,1026],[997,998],"Fehlermuster","Was schiefgeht",[1000,1001],"Die gesamte Konversation für immer erneut abspielen","Alte Annahmen, Wiederholungen und Token-Wachstum überwältigen die aktuelle Absicht.",[1003,1004],"Jedes abgerufene Ergebnis in den Prompt aufnehmen","Rauschen, Duplikate und widersprüchliche Versionen verwässern entscheidende Evidenz.",[1006,1007],"Speicher als aktuellen Zustand verwenden","Veraltete Informationen ersetzen stillschweigend den maßgeblichen Live-Zustand.",[1009,1010],"Rohe Tool-Ausgabe zurückgeben","Große Logs oder Antworten verbrauchen Aufmerksamkeit, ohne Entscheidungswert hinzuzufügen.",[1012,1013],"Tool-Beschreibungen hinter vagen Namen verbergen","Das Modell kann nicht zuverlässig entscheiden, welche Fähigkeit es verwenden soll.",[1015,1016],"Verdichten ohne Retentionstests","Kritische Einschränkungen, Identifikatoren oder Ausnahmen verschwinden.",[1018,1019],"Anweisungen und nicht vertrauenswürdige Daten vermischen","Externe Inhalte können als Anweisung mit höherer Autorität interpretiert werden.",[1021,1022],"Eine statische Kontextvorlage für jede Aufgabe verwenden","Verschiedene Aufgaben erhalten irrelevante Informationen und verpassen aufgabenspezifische Evidenz.",[1024,1025],"Quellversion\u002F-datum ignorieren","Veraltete, aber relevante Evidenz kann den aktuellen maßgeblichen Zustand dominieren.",[1027,1028],"Ein größeres Kontextfenster als Qualitätsgarantie behandeln","Die Kapazität steigt, während Aufmerksamkeits- und Konfliktprobleme bestehen bleiben.",{},{"id":1031,"data":1032,"type":41,"tunes":1034},"h-misconceptions",{"text":1033,"level":246},"Häufige Missverständnisse",{},{"id":1036,"data":1037,"type":390,"tunes":1072},"misconceptions-table",{"content":1038,"stretched":42,"withHeadings":13},[1039,1042,1045,1048,1051,1054,1057,1060,1063,1066,1069],[1040,1041],"Missverständnis","Korrektur",[1043,1044],"„Context Engineering ist nur Prompt Engineering mit einem neuen Namen.“","Prompts sind eine Komponente; Context Engineering umfasst auch Retrieval, Speicher, Zustand, Tool-Ergebnisse, Historie und Verdichtung.",[1046,1047],"„Kontext bedeutet Chat-Verlauf.“","Der Verlauf ist nur eine mögliche Kontextquelle.",[1049,1050],"„Mehr Kontext ist immer besser.“","Zusätzliche Informationen können das Signal reduzieren, Konflikte einführen und die Kosten erhöhen.",[1052,1053],"„Wenn Retrieval es gefunden hat, hat das Modell es gesehen.“","Abgerufene Kandidaten können vor der Inferenz gefiltert, abgeschnitten oder weggelassen werden.",[1055,1056],"„Langer Kontext macht RAG überflüssig.“","Große Fenster erhöhen die Kapazität, lösen aber nicht Probleme mit Aktualität, Autorität, Berechtigungen oder dynamischem Retrieval.",[1058,1059],"„Speicher sollte immer geladen werden.“","Speicher sollte entsprechend der aktuellen Aufgabe ausgewählt werden.",[1061,1062],"„Eine Zusammenfassung bewahrt alles Wichtige.“","Verdichtung ist verlustbehaftet, sofern sie nicht ausdrücklich auf Retention getestet wird.",[1064,1065],"„Anweisungen können Berechtigungen durchsetzen.“","Autorisierung muss durch Laufzeit-\u002FAnwendungskontrollen durchgesetzt werden, nicht nur durch Kontext.",[1067,1068],"„Ein Kontextrezept funktioniert für jedes Modell.“","Die Kontextsensitivität variiert je nach Modell, Aufgabe, Korpus und Laufzeitumgebung.",[1070,1071],"„Context Engineering ist nur für Agenten.“","Agenten verstärken den Bedarf, aber gewöhnliche RAG- und Konversationsanwendungen erfordern ebenfalls Kontextkonstruktion.",{},{"id":1074,"data":1075,"type":41,"tunes":1077},"h-sequence",{"text":1076,"level":246},"Eine praktische Abfolge für Context Engineering",{},{"id":1079,"data":1080,"type":316,"tunes":1113},"design-sequence",{"steps":1081,"title":1112,"orientation":315},[1082,1085,1088,1091,1094,1097,1100,1103,1106,1109],{"label":1083,"description":1084},"1. Die nächste Modellentscheidung definieren","Geben Sie an, was das Modell in diesem Schritt beantworten, klassifizieren, planen oder auswählen muss.",{"label":1086,"description":1087},"2. Erforderliche Fakten und Einschränkungen identifizieren","Listen Sie den minimalen Zustand, die Regeln, Evidenz und Anweisungen auf, die das Ergebnis wesentlich verändern können.",{"label":1089,"description":1090},"3. Autorität und Berechtigungen klären","Bestimmen Sie, welche Quellen aktuell, maßgeblich und für den aktuellen Principal zugänglich sind.",{"label":1092,"description":1093},"4. Bei Bedarf abrufen oder lesen","Beschaffen Sie die erforderliche Evidenz und den volatilen Zustand, statt sich auf veralteten Kontext zu verlassen.",{"label":1095,"description":1096},"5. Rauschen reduzieren","Duplikate entfernen, zusammenfassen oder Passagen auswählen, ohne entscheidende Ausnahmen oder Provenienz zu verwerfen.",{"label":1098,"description":1099},"6. Strukturieren und ordnen","Machen Sie Anweisungen, aktuellen Zustand, Evidenz und Tool-Beobachtungen unterscheidbar.",{"label":1101,"description":1102},"7. In das Token-Budget einpassen","Bevorzugen Sie Kontext mit hohem Signal und verlagern Sie dauerhafte Informationen außerhalb des Fensters.",{"label":1104,"description":1105},"8. Das Modell ausführen","Führen Sie die Inferenz über den zusammengestellten Kontext aus.",{"label":1107,"description":1108},"9. Fehler beobachten","Erfassen Sie, ob das Problem durch fehlenden, veralteten, verrauschten, widersprüchlichen oder schlecht geordneten Kontext entstanden ist.",{"label":1110,"description":1111},"10. Nach Modell-\u002FLaufzeitänderungen neu bewerten","Eine Kontextstrategie ist nur für die Modelle, Tools und Workloads gültig, an denen sie getestet wurde.","Kontext von der aktuellen Entscheidung rückwärts konstruieren",{},{"id":1115,"data":1116,"type":41,"tunes":1118},"h-checklist",{"text":1117,"level":246},"Checkliste für Context Engineering",{},{"id":1120,"data":1121,"type":390,"tunes":1161},"checklist-table",{"content":1122,"stretched":42,"withHeadings":13},[1123,1125,1128,1131,1134,1137,1140,1143,1146,1149,1152,1155,1158],[851,1124],"Erwartete Antwort",[1126,1127],"Welche genaue Entscheidung wird das Modell als Nächstes treffen?","Eine begrenzte Aufgabe, kein vages langfristiges Ziel.",[1129,1130],"Welche Informationen können diese Entscheidung wesentlich verändern?","Explizite minimale Evidenz-\u002FZustandsmenge.",[1132,1133],"Welche Daten sind jetzt maßgeblich?","Aktuelle Quelle\u002FVersion und Aktualitätsregel.",[1135,1136],"Welche Daten sind optionaler Hintergrund?","Von entscheidender Evidenz getrennt.",[1138,1139],"Was darf nicht in den Kontext gelangen?","Nicht autorisierte, unnötige oder übermäßig sensible Daten.",[1141,1142],"Welche Speicherelemente sind relevant?","Nach Aufgabe ausgewählt, nicht automatisch erneut abgespielt.",[1144,1145],"Welche Tool-Ausgaben sollten reduziert werden?","Große Antworten werden in entscheidungsrelevante Form überführt.",[1147,1148],"Welche Einschränkungen müssen die Verdichtung überleben?","Identifikatoren, Ausnahmen, Verpflichtungen, ungelöster Zustand und Provenienz.",[1150,1151],"Wie wird Vorrang dargestellt?","Aktuelle\u002Fmaßgebliche Informationen können veraltete oder schwächere Quellen zuverlässig überschreiben.",[1153,1154],"Woran werden Sie erkennen, dass der Kontext versagt hat?","Kontextspezifische Evals und Traces existieren.",[1156,1157],"Kann die Antwort reproduziert werden?","Modell-Eingabe oder rekonstruierbarer Kontext-Trace ist verfügbar, wo angemessen.",[1159,1160],"Kann ein stärkeres oder größeres Modell die Strategie ändern?","Die Kontextrichtlinie ist versionsbewusst und wird empirisch neu bewertet.",{},{"id":1163,"data":1164,"type":41,"tunes":1166},"h-edge",{"text":1165,"level":246},"Randfälle und Einschränkungen",{},{"id":1168,"data":1169,"type":217,"tunes":1171},"p-edge-1",{"text":1170},"Manche Aufgaben sind so einfach, dass Context Engineering auf einen kurzen System-Prompt und eine Benutzernachricht reduziert wird. Das Hinzufügen von Retrieval, Speicher und Verdichtung würde nur unnötige Architektur einführen.",{},{"id":1173,"data":1174,"type":217,"tunes":1176},"p-edge-2",{"text":1175},"Manche Aufgaben erfordern hohe Recall und können absichtlich mehr Kontext einbeziehen, bevor später synthetisiert wird. Recherche, Entdeckung und juristische Prüfung können es vorziehen, Auslassungen zu vermeiden, statt die Token-Anzahl zu minimieren.",{},{"id":1178,"data":1179,"type":217,"tunes":1181},"p-edge-3",{"text":1180},"Manche Informationen sollten niemals vor der Verwendung zusammengefasst werden. Exakte Verträge, Code, kryptografisches Material, numerische Aufzeichnungen und regulatorische Texte können einen wörtlichen oder strukturierten Abruf erfordern, wenn eine Komprimierung die Bedeutung verändern könnte.",{},{"id":1183,"data":1184,"type":217,"tunes":1186},"p-edge-4",{"text":1185},"Das Verhalten bei langem Kontext variiert erheblich zwischen Modellen. Eine Strategie, die an einem Modell, einer Kontextlänge oder einem Tool-Harness validiert wurde, sollte nicht automatisch auf ein anderes übertragen werden.",{},{"id":1188,"data":1189,"type":217,"tunes":1191},"p-edge-5",{"text":1190},"Das Modell kann hervorragenden Kontext dennoch ignorieren oder falsch interpretieren. Context Engineering verbessert die Informationsumgebung; es garantiert jedoch nicht die Korrektheit des Schlussfolgerns.",{},{"id":1193,"data":1194,"type":41,"tunes":1196},"h-change",{"text":1195,"level":246},"Was würde diese Antwort ändern?",{},{"id":1198,"data":1199,"type":217,"tunes":1201},"p-change-1",{"text":1200},"Zukünftige Modelle könnten robuster gegenüber langem Kontext, Positionseffekten und widersprüchlichen Informationen werden. Das könnte den Umfang manueller Kuratierung reduzieren.",{},{"id":1203,"data":1204,"type":217,"tunes":1206},"p-change-2",{"text":1205},"Die architektonische Unterscheidung bliebe dennoch nützlich, weil Berechtigungen, Aktualität, Speicherpersistenz, Quellenautorität und externer Anwendungszustand unabhängig von der Kontextfenstergröße außerhalb des Modells existieren.",{},{"id":1208,"data":1209,"type":217,"tunes":1211},"p-change-3",{"text":1210},"Das empfohlene Gleichgewicht zwischen vorab geladenem und Just-in-Time-Kontext ändert sich ebenfalls mit Latenzanforderungen, Zuverlässigkeit der Tools, Korpusgröße, Modellkosten und der Dynamik der zugrunde liegenden Informationen.",{},{"id":1213,"data":1214,"type":41,"tunes":1216},"h-related",{"text":1215,"level":246},"Verwandtes kanonisches Wissen",{},{"id":1218,"data":1219,"type":217,"tunes":1221},"p-related-1",{"text":1220},"Context Engineering liegt zwischen Retrieval und Generierung. RAG erklärt, wie externes Wissen abgerufen wird; R01 trennt Embeddings, Vektorsuche und Reranking; Context Engineering erklärt, was letztendlich das Modell erreicht.",{},{"id":1223,"data":1224,"type":491,"tunes":1229},"ref-rag",{"url":1225,"title":1226,"excerpt":1227,"ctaLabel":1228},"https:\u002F\u002Fstajic.de\u002Fde\u002Fblog\u002Fwhat-is-rag-the-simplest-explanation-of-how-it-works","Was ist RAG? Die einfachste Erklärung, wie es funktioniert","Die Retrieval-Grundlage für das Verständnis, wie externes Wissen einem Modell vor der Generierung bereitgestellt werden kann.","Die RAG-Grundlage lesen",{},{"id":1231,"data":1232,"type":217,"tunes":1234},"p-related-2",{"text":1233},"Die Source-of-Truth-Architektur beantwortet eine andere Frage: nicht welche Informationen im Kontext vorhanden sind, sondern welche Quelle autorisiert ist, eine Aussage zu belegen.",{},{"id":1236,"data":1237,"type":217,"tunes":1239},"p-related-3",{"text":1238},"Der bestehende Artikel Warum mehr Kontext KI-Antworten verschlechtern kann ist der diagnostische Begleiter zu dieser kanonischen Definition. Er konzentriert sich auf Kontextverschmutzung, Positionseffekte, Top-k-Wachstum, Kompaktierungsverlust und Antwortverschlechterung, anstatt Context Engineering selbst neu zu definieren.",{},{"id":1241,"data":1242,"type":41,"tunes":1244},"h-faq",{"text":1243,"level":246},"Häufig gestellte Fragen",{},{"id":1246,"data":1247,"type":1246,"tunes":1282},"faq",{"items":1248,"title":1281},[1249,1253,1257,1261,1265,1269,1273,1277],{"id":1250,"answer":1251,"question":1252},"faq1","Context Engineering ist das Design und die Laufzeitverwaltung der Informationen, die ein Sprachmodell zur Inferenzzeit erhält, einschließlich Anweisungen, Verlauf, abgerufener Belege, Speicher, Zustand, Tools und Tool-Ergebnissen.","Was ist Context Engineering?",{"id":1254,"answer":1255,"question":1256},"faq2","Prompt Engineering konzentriert sich darauf, wie Anweisungen und Beispiele geschrieben werden. Context Engineering umfasst Prompts, entscheidet aber auch, welche externen Informationen, Zustände, Verläufe, Speicherinhalte und Tool-Beobachtungen darum herum platziert werden.","Wie unterscheidet sich Context Engineering von Prompt Engineering?",{"id":1258,"answer":1259,"question":1260},"faq3","Nein. RAG ruft externe Informationen ab. Context Engineering entscheidet, wie abgerufene Informationen gefiltert, mit anderen Zuständen kombiniert und tatsächlich an das Modell übermittelt werden.","Ist RAG dasselbe wie Context Engineering?",{"id":1262,"answer":1263,"question":1264},"faq4","Nein. Speicher persistiert Informationen außerhalb des aktuellen Modellaufrufs. Kontext ist die Teilmenge der Informationen, die in die aktuelle Inferenz geladen wird.","Ist Speicher dasselbe wie Kontext?",{"id":1266,"answer":1267,"question":1268},"faq5","Zusätzlicher Kontext kann Rauschen, veraltete Zustände, widersprüchliche Belege, Duplikate und Positionskonkurrenz einführen. Große Kontextkapazität garantiert keine ebenso zuverlässige Nutzung jedes Tokens.","Warum kann mehr Kontext eine Antwort verschlechtern?",{"id":1270,"answer":1271,"question":1272},"faq6","Kompaktierung fasst angesammelten Verlauf zusammen oder transformiert ihn in eine kleinere Repräsentation, damit ein langlebiges System fortfahren kann, ohne jedes vorherige Token erneut zu verarbeiten.","Was ist Kontextkompaktierung?",{"id":1274,"answer":1275,"question":1276},"faq7","Er kann zur Schlussfolgerung im Kontext repräsentiert werden, aber folgenreiche Operationen sollten oft die autoritative Quelle erneut lesen, weil Kontext-Snapshots veralten können.","Sollte der aktuelle Anwendungszustand im Kontext gespeichert werden?",{"id":1278,"answer":1279,"question":1280},"faq8","Nein. Agenten machen Kontextmanagement dynamischer, aber auch RAG-Systeme, Assistenten, Copiloten und Multi-Turn-Anwendungen benötigen eine bewusste Kontextkonstruktion.","Wird Context Engineering nur für KI-Agenten benötigt?","FAQ zu Context Engineering",{},{"id":1284,"data":1285,"type":41,"tunes":1287},"h-glossary",{"text":1286,"level":246},"Glossar",{},{"id":1289,"data":1290,"type":1289,"tunes":1337},"glossary",{"title":1291,"entries":1292},"Zentrale Begriffe des Context Engineering",[1293,1296,1300,1303,1307,1311,1315,1319,1323,1326,1330,1333],{"term":429,"anchor":1294,"definition":1295},"context-engineering","Das Design und die Laufzeitverwaltung der Informationen, die einem Sprachmodell für einen bestimmten Inferenzschritt bereitgestellt werden.",{"term":1297,"anchor":1298,"definition":1299},"Kontextfenster","context-window","Die endliche Token-Kapazität des Modells für die Eingabe und, je nach Modellschnittstelle, zugehörige generierte Tokens oder aktive Sequenz.",{"term":426,"anchor":1301,"definition":1302},"prompt-engineering","Das Design von Anweisungen, Beispielen und Prompt-Struktur, um nützliches Modellverhalten hervorzurufen.",{"term":1304,"anchor":1305,"definition":1306},"Kontextassemblierung","context-assembly","Der Prozess der Auswahl, Filterung, Anordnung und Formatierung modellsichtbarer Informationen vor der Inferenz.",{"term":1308,"anchor":1309,"definition":1310},"Just-in-Time-Retrieval","just-in-time-retrieval","Das dynamische Laden von Informationen, wenn die aktuelle Aufgabe sie erfordert, anstatt alle potenziell relevanten Daten vorab zu laden.",{"term":1312,"anchor":1313,"definition":1314},"Kompaktierung","compaction","Die Reduzierung angesammelten Kontexts in eine kleinere Repräsentation, während versucht wird, die für zukünftige Schritte benötigten Informationen zu bewahren.",{"term":1316,"anchor":1317,"definition":1318},"Kontextverschmutzung","context-pollution","Verschlechterung durch irrelevante, veraltete, widersprüchliche oder redundante Informationen, die den Arbeitskontext des Modells belegen.",{"term":1320,"anchor":1321,"definition":1322},"Anwendungszustand","application-state","Der aktuelle autoritative Zustand des externen Systems, Workflows oder Bereichs, der unabhängig vom Modellkontext existiert.",{"term":768,"anchor":1324,"definition":1325},"memory","Informationen, die außerhalb des unmittelbaren Modellaufrufs für eine mögliche Verwendung in späteren Turns oder Sitzungen gespeichert werden.",{"term":1327,"anchor":1328,"definition":1329},"Abgerufener Kontext","retrieved-context","Externe Informationen, die von einem Retrieval-System ausgewählt und dem Modell ganz oder teilweise verfügbar gemacht werden.",{"term":870,"anchor":1331,"definition":1332},"position-robustness","Das Ausmaß, in dem die Korrektheit des Modells stabil bleibt, wenn sich Position oder Reihenfolge des relevanten Kontexts ändern.",{"term":1334,"anchor":1335,"definition":1336},"Gültigkeitsgrenze","validity-boundary","Der Umfang, die Zeit, Annahmen, Versionen und Evidenzbedingungen, innerhalb derer eine Schlussfolgerung gestützt bleibt.",{},{"id":1339,"data":1340,"type":41,"tunes":1342},"h-conclusion",{"text":1341,"level":246},"Fazit",{},{"id":1344,"data":1345,"type":217,"tunes":1347},"p-conclusion-1",{"text":1346},"Context Engineering ist die Schicht, die entscheidet, was das Modell sieht, bevor es antwortet. Dadurch ist es umfassender als Prompting und dem Retrieval nachgelagert, während es sich zugleich von dauerhaftem Speicher und autoritativem Anwendungszustand unterscheidet.",{},{"id":1349,"data":1350,"type":217,"tunes":1352},"p-conclusion-2",{"text":1351},"Eine starke Kontextarchitektur behandelt das Kontextfenster nicht als Datenbank. Sie hält dauerhaften Zustand und dauerhaftes Wissen außerhalb des Modells, lädt, was für die aktuelle Entscheidung erforderlich ist, bewahrt Autorität und Herkunft, entfernt unnötiges Rauschen und aktualisiert volatile Informationen bei Bedarf.",{},{"id":1354,"data":1355,"type":217,"tunes":1357},"p-conclusion-3",{"text":1356},"Das praktische Ziel ist daher nicht maximaler Kontext. Es ist minimal ausreichender, signalstarker, korrekt autorisierter und gültigkeitsbewahrender Kontext für die nächste Modellentscheidung.",{},{"id":1359,"data":1360,"type":41,"tunes":1362},"h-sources",{"text":1361,"level":246},"Primärquellen und aktuelle Leitlinien",{},{"id":1364,"data":1365,"type":217,"tunes":1367},"p-sources-note",{"text":1366},"Die folgenden Quellen stützen die aktuelle Terminologie des Context Engineering, das Verhalten bei langem Kontext und operative Muster des Kontextmanagements. Projektabschnitte sind ausdrücklich Umsetzungsbelege und keine allgemeingültigen Aussagen.",{},{"id":1369,"data":1370,"type":1376,"tunes":1377},"src-anthropic",{"link":1371,"meta":1372},"https:\u002F\u002Fwww.anthropic.com\u002Fengineering\u002Feffective-context-engineering-for-ai-agents",{"image":1373,"title":1374,"description":1375},{"url":405},"Anthropic — Effektives Context Engineering für KI-Agenten","Offizielle technische Leitlinien, die Context Engineering, Just-in-Time-Retrieval, Kompaktierung, strukturiertes Gedächtnis und Kontextkuratierung für Agenten definieren.","linkTool",{},{"id":1379,"data":1380,"type":1376,"tunes":1386},"src-openai-session",{"link":1381,"meta":1382},"https:\u002F\u002Fdevelopers.openai.com\u002Fcookbook\u002Fexamples\u002Fagents_sdk\u002Fsession_memory",{"image":1383,"title":1384,"description":1385},{"url":405},"OpenAI — Context Engineering: Kurzzeitgedächtnisverwaltung mit Sitzungen","Offizielle Cookbook-Leitlinien zum Kontextmanagement, zur Kürzung und zur Komprimierung für lang laufende Agentensitzungen.",{},{"id":1388,"data":1389,"type":1376,"tunes":1395},"src-openai-agents",{"link":1390,"meta":1391},"https:\u002F\u002Fdevelopers.openai.com\u002Fapi\u002Fdocs\u002Fguides\u002Fagents",{"image":1392,"title":1393,"description":1394},{"url":405},"OpenAI — Agenten-Leitfaden","Aktuelle OpenAI-Entwicklerleitlinien zu Agenten-Laufzeitumgebungen, Kontext über Schritte hinweg und Orchestrierungsverantwortung.",{},{"id":1397,"data":1398,"type":1376,"tunes":1404},"src-lost-middle",{"link":1399,"meta":1400},"https:\u002F\u002Farxiv.org\u002Fabs\u002F2307.03172",{"image":1401,"title":1402,"description":1403},{"url":405},"Lost in the Middle: Wie Sprachmodelle lange Kontexte nutzen","Forschung, die zeigt, dass die Leistung von Modellen mit langem Kontext stark von der Position relevanter Informationen in der Eingabe abhängen kann.",{},"2.31","Context Engineering gestaltet, welche Informationen ein KI-Modell vor der Inferenz erhält, einschließlich Prompts, Retrieval, Speicher, Anwendungszustand, Tool-Ergebnissen und Konversationsverlauf.","\u002Fuploads\u002F2026\u002F10\u002Fwhat-is-context-engineering-what-the-model-receives-before-it-answers-1791480653258-018kcv.webp","what-is-context-engineering-what-the-model-receives-before-it-answers-1791480653258-018kcv","PUBLISHED","2026-10-08T13:29:00.000Z","2026-10-08T17:29:05.600Z","2026-10-08T17:43:15.694Z",{"en":1414,"de":1415,"sr":1416,"es":1417,"fr":1418,"it":1419,"ru":1420,"zh":1421},"\u002Fblog\u002Fwhat-is-context-engineering-what-the-model-receives-before-it-answers","\u002Fde\u002Fblog\u002Fwhat-is-context-engineering-what-the-model-receives-before-it-answers","\u002Fsr\u002Fblog\u002Fwhat-is-context-engineering-what-the-model-receives-before-it-answers","\u002Fes\u002Fblog\u002Fwhat-is-context-engineering-what-the-model-receives-before-it-answers","\u002Ffr\u002Fblog\u002Fwhat-is-context-engineering-what-the-model-receives-before-it-answers","\u002Fit\u002Fblog\u002Fwhat-is-context-engineering-what-the-model-receives-before-it-answers","\u002Fru\u002Fblog\u002Fwhat-is-context-engineering-what-the-model-receives-before-it-answers","\u002Fzh\u002Fblog\u002Fwhat-is-context-engineering-what-the-model-receives-before-it-answers",[1423,1427,1431],{"id":1424,"name":1425,"slug":1426},55,"Referenzmodell: LLM-Fähigkeiten","llm-capability",{"id":1428,"name":1429,"slug":1430},64,"Informationsarchitektur","information-architecture",{"id":1432,"name":1433,"slug":1434},88,"Versionierung (Prompts, Modelle)","versioning",{"id":1436,"login":1437,"email":1438,"displayName":1439},"20","rooth8233","aleksandar@stajic.de","Aleksandar Stajić",[1441,2016],{"lang":7,"title":207,"content":209,"contentJson":1442,"excerpt":1406},{"time":211,"blocks":1443,"version":1405},[1444,1447,1450,1453,1456,1459,1462,1465,1468,1471,1474,1477,1480,1483,1494,1497,1500,1503,1506,1522,1525,1542,1545,1548,1551,1554,1557,1560,1563,1566,1569,1572,1575,1578,1581,1584,1587,1590,1593,1596,1599,1602,1617,1620,1623,1626,1629,1632,1635,1638,1641,1644,1647,1650,1653,1656,1659,1662,1665,1676,1679,1682,1685,1688,1691,1694,1697,1700,1703,1706,1709,1712,1715,1718,1721,1734,1737,1740,1757,1760,1774,1777,1780,1783,1786,1789,1792,1795,1798,1801,1804,1807,1810,1813,1823,1826,1829,1844,1847,1862,1865,1879,1882,1899,1902,1905,1908,1911,1914,1917,1920,1923,1926,1929,1932,1935,1938,1941,1944,1947,1959,1962,1978,1981,1984,1987,1990,1993,1996,2001,2006,2011],{"id":214,"data":1445,"type":217,"tunes":1446},{"text":216},{},{"id":220,"data":1448,"type":225,"tunes":1449},{"body":222,"title":223,"variant":224},{},{"id":228,"data":1451,"type":225,"tunes":1452},{"body":230,"title":231,"variant":232},{},{"id":235,"data":1454,"type":225,"tunes":1455},{"body":237,"title":238,"variant":239},{},{"id":242,"data":1457,"type":247,"tunes":1458},{"title":244,"maxLevel":245,"minLevel":246},{},{"id":250,"data":1460,"type":41,"tunes":1461},{"text":252,"level":246},{},{"id":255,"data":1463,"type":217,"tunes":1464},{"text":257},{},{"id":260,"data":1466,"type":217,"tunes":1467},{"text":262},{},{"id":265,"data":1469,"type":217,"tunes":1470},{"text":267},{},{"id":270,"data":1472,"type":41,"tunes":1473},{"text":272,"level":246},{},{"id":275,"data":1475,"type":217,"tunes":1476},{"text":277},{},{"id":280,"data":1478,"type":217,"tunes":1479},{"text":282},{},{"id":285,"data":1481,"type":217,"tunes":1482},{"text":287},{},{"id":290,"data":1484,"type":316,"tunes":1493},{"steps":1485,"title":314,"orientation":315},[1486,1487,1488,1489,1490,1491,1492],{"label":294,"description":295},{"label":297,"description":298},{"label":300,"description":301},{"label":303,"description":304},{"label":306,"description":307},{"label":309,"description":310},{"label":312,"description":313},{},{"id":319,"data":1495,"type":41,"tunes":1496},{"text":321,"level":246},{},{"id":324,"data":1498,"type":217,"tunes":1499},{"text":326},{},{"id":329,"data":1501,"type":217,"tunes":1502},{"text":331},{},{"id":334,"data":1504,"type":41,"tunes":1505},{"text":336,"level":246},{},{"id":339,"data":1507,"type":390,"tunes":1521},{"content":1508,"stretched":42,"withHeadings":13},[1509,1510,1511,1512,1513,1514,1515,1516,1517,1518,1519,1520],[343,344,345],[347,348,349],[351,352,353],[355,356,357],[359,360,361],[363,364,365],[367,368,369],[371,372,373],[375,376,377],[379,380,381],[383,384,385],[387,388,389],{},{"id":393,"data":1523,"type":41,"tunes":1524},{"text":395,"level":246},{},{"id":398,"data":1526,"type":430,"tunes":1541},{"rows":1527,"title":422,"layout":390,"columns":1538},[1528,1530,1532,1534,1536],{"id":402,"label":403,"values":1529},[405,405],{"id":407,"label":408,"values":1531},[405,405],{"id":411,"label":412,"values":1533},[405,405],{"id":415,"label":416,"values":1535},[405,405],{"id":419,"label":420,"values":1537},[405,405],[1539,1540],{"id":425,"label":426},{"id":428,"label":429},{},{"id":433,"data":1543,"type":217,"tunes":1544},{"text":435},{},{"id":438,"data":1546,"type":41,"tunes":1547},{"text":440,"level":246},{},{"id":443,"data":1549,"type":217,"tunes":1550},{"text":445},{},{"id":448,"data":1552,"type":217,"tunes":1553},{"text":450},{},{"id":453,"data":1555,"type":217,"tunes":1556},{"text":455},{},{"id":458,"data":1558,"type":225,"tunes":1559},{"body":460,"title":461,"variant":462},{},{"id":465,"data":1561,"type":41,"tunes":1562},{"text":467,"level":246},{},{"id":470,"data":1564,"type":217,"tunes":1565},{"text":472},{},{"id":475,"data":1567,"type":217,"tunes":1568},{"text":477},{},{"id":480,"data":1570,"type":217,"tunes":1571},{"text":482},{},{"id":485,"data":1573,"type":491,"tunes":1574},{"url":487,"title":488,"excerpt":489,"ctaLabel":490},{},{"id":494,"data":1576,"type":41,"tunes":1577},{"text":496,"level":246},{},{"id":499,"data":1579,"type":217,"tunes":1580},{"text":501},{},{"id":504,"data":1582,"type":217,"tunes":1583},{"text":506},{},{"id":509,"data":1585,"type":225,"tunes":1586},{"body":511,"title":512,"variant":232},{},{"id":515,"data":1588,"type":41,"tunes":1589},{"text":517,"level":246},{},{"id":520,"data":1591,"type":217,"tunes":1592},{"text":522},{},{"id":525,"data":1594,"type":217,"tunes":1595},{"text":527},{},{"id":530,"data":1597,"type":217,"tunes":1598},{"text":532},{},{"id":535,"data":1600,"type":41,"tunes":1601},{"text":537,"level":246},{},{"id":540,"data":1603,"type":430,"tunes":1616},{"rows":1604,"title":559,"layout":390,"columns":1613},[1605,1607,1609,1611],{"id":544,"label":545,"values":1606},[405,405],{"id":548,"label":549,"values":1608},[405,405],{"id":552,"label":553,"values":1610},[405,405],{"id":556,"label":557,"values":1612},[405,405],[1614,1615],{"id":562,"label":563},{"id":565,"label":566},{},{"id":569,"data":1618,"type":217,"tunes":1619},{"text":571},{},{"id":574,"data":1621,"type":41,"tunes":1622},{"text":576,"level":246},{},{"id":579,"data":1624,"type":217,"tunes":1625},{"text":581},{},{"id":584,"data":1627,"type":217,"tunes":1628},{"text":586},{},{"id":589,"data":1630,"type":217,"tunes":1631},{"text":591},{},{"id":594,"data":1633,"type":41,"tunes":1634},{"text":596,"level":246},{},{"id":599,"data":1636,"type":217,"tunes":1637},{"text":601},{},{"id":604,"data":1639,"type":217,"tunes":1640},{"text":606},{},{"id":609,"data":1642,"type":217,"tunes":1643},{"text":611},{},{"id":614,"data":1645,"type":41,"tunes":1646},{"text":616,"level":246},{},{"id":619,"data":1648,"type":217,"tunes":1649},{"text":621},{},{"id":624,"data":1651,"type":217,"tunes":1652},{"text":626},{},{"id":629,"data":1654,"type":217,"tunes":1655},{"text":631},{},{"id":634,"data":1657,"type":41,"tunes":1658},{"text":636,"level":246},{},{"id":639,"data":1660,"type":217,"tunes":1661},{"text":641},{},{"id":644,"data":1663,"type":217,"tunes":1664},{"text":646},{},{"id":649,"data":1666,"type":390,"tunes":1675},{"content":1667,"stretched":42,"withHeadings":13},[1668,1669,1670,1671,1672,1673,1674],[653,654],[656,657],[659,660],[662,663],[665,666],[668,669],[671,672],{},{"id":675,"data":1677,"type":41,"tunes":1678},{"text":677,"level":246},{},{"id":680,"data":1680,"type":217,"tunes":1681},{"text":682},{},{"id":685,"data":1683,"type":217,"tunes":1684},{"text":687},{},{"id":690,"data":1686,"type":217,"tunes":1687},{"text":692},{},{"id":695,"data":1689,"type":225,"tunes":1690},{"body":697,"title":698,"variant":232},{},{"id":701,"data":1692,"type":41,"tunes":1693},{"text":703,"level":246},{},{"id":706,"data":1695,"type":217,"tunes":1696},{"text":708},{},{"id":711,"data":1698,"type":217,"tunes":1699},{"text":713},{},{"id":716,"data":1701,"type":491,"tunes":1702},{"url":718,"title":719,"excerpt":720,"ctaLabel":721},{},{"id":724,"data":1704,"type":41,"tunes":1705},{"text":726,"level":246},{},{"id":729,"data":1707,"type":217,"tunes":1708},{"text":731},{},{"id":734,"data":1710,"type":217,"tunes":1711},{"text":736},{},{"id":739,"data":1713,"type":217,"tunes":1714},{"text":741},{},{"id":744,"data":1716,"type":41,"tunes":1717},{"text":746,"level":246},{},{"id":749,"data":1719,"type":225,"tunes":1720},{"body":751,"title":752,"variant":239},{},{"id":755,"data":1722,"type":390,"tunes":1733},{"content":1723,"stretched":42,"withHeadings":13},[1724,1725,1726,1727,1728,1729,1730,1731,1732],[759,760],[762,763],[765,766],[768,769],[771,772],[774,775],[777,778],[780,781],[783,784],{},{"id":787,"data":1735,"type":217,"tunes":1736},{"text":789},{},{"id":792,"data":1738,"type":41,"tunes":1739},{"text":794,"level":246},{},{"id":797,"data":1741,"type":390,"tunes":1756},{"content":1742,"stretched":42,"withHeadings":13},[1743,1744,1745,1746,1747,1748,1749,1750,1751,1752,1753,1754,1755],[801,802],[804,805],[807,808],[810,811],[813,814],[816,817],[819,820],[822,823],[825,826],[828,829],[831,832],[834,835],[837,838],{},{"id":841,"data":1758,"type":41,"tunes":1759},{"text":843,"level":246},{},{"id":846,"data":1761,"type":390,"tunes":1773},{"content":1762,"stretched":42,"withHeadings":13},[1763,1764,1765,1766,1767,1768,1769,1770,1771,1772],[850,851,852],[854,855,856],[858,859,860],[862,863,864],[866,867,868],[870,871,872],[874,875,876],[878,879,880],[882,883,884],[886,887,888],{},{"id":891,"data":1775,"type":41,"tunes":1776},{"text":893,"level":246},{},{"id":896,"data":1778,"type":217,"tunes":1779},{"text":898},{},{"id":901,"data":1781,"type":217,"tunes":1782},{"text":903},{},{"id":906,"data":1784,"type":491,"tunes":1785},{"url":908,"title":909,"excerpt":910,"ctaLabel":911},{},{"id":914,"data":1787,"type":41,"tunes":1788},{"text":916,"level":246},{},{"id":919,"data":1790,"type":41,"tunes":1791},{"text":921,"level":245},{},{"id":924,"data":1793,"type":217,"tunes":1794},{"text":926},{},{"id":929,"data":1796,"type":217,"tunes":1797},{"text":931},{},{"id":934,"data":1799,"type":217,"tunes":1800},{"text":936},{},{"id":939,"data":1802,"type":41,"tunes":1803},{"text":941,"level":245},{},{"id":944,"data":1805,"type":217,"tunes":1806},{"text":946},{},{"id":949,"data":1808,"type":217,"tunes":1809},{"text":951},{},{"id":954,"data":1811,"type":217,"tunes":1812},{"text":956},{},{"id":959,"data":1814,"type":390,"tunes":1822},{"content":1815,"stretched":42,"withHeadings":13},[1816,1817,1818,1819,1820,1821],[963,964],[966,967],[969,970],[972,973],[975,976],[978,979],{},{"id":982,"data":1824,"type":225,"tunes":1825},{"body":984,"title":985,"variant":239},{},{"id":988,"data":1827,"type":41,"tunes":1828},{"text":990,"level":246},{},{"id":993,"data":1830,"type":390,"tunes":1843},{"content":1831,"stretched":42,"withHeadings":13},[1832,1833,1834,1835,1836,1837,1838,1839,1840,1841,1842],[997,998],[1000,1001],[1003,1004],[1006,1007],[1009,1010],[1012,1013],[1015,1016],[1018,1019],[1021,1022],[1024,1025],[1027,1028],{},{"id":1031,"data":1845,"type":41,"tunes":1846},{"text":1033,"level":246},{},{"id":1036,"data":1848,"type":390,"tunes":1861},{"content":1849,"stretched":42,"withHeadings":13},[1850,1851,1852,1853,1854,1855,1856,1857,1858,1859,1860],[1040,1041],[1043,1044],[1046,1047],[1049,1050],[1052,1053],[1055,1056],[1058,1059],[1061,1062],[1064,1065],[1067,1068],[1070,1071],{},{"id":1074,"data":1863,"type":41,"tunes":1864},{"text":1076,"level":246},{},{"id":1079,"data":1866,"type":316,"tunes":1878},{"steps":1867,"title":1112,"orientation":315},[1868,1869,1870,1871,1872,1873,1874,1875,1876,1877],{"label":1083,"description":1084},{"label":1086,"description":1087},{"label":1089,"description":1090},{"label":1092,"description":1093},{"label":1095,"description":1096},{"label":1098,"description":1099},{"label":1101,"description":1102},{"label":1104,"description":1105},{"label":1107,"description":1108},{"label":1110,"description":1111},{},{"id":1115,"data":1880,"type":41,"tunes":1881},{"text":1117,"level":246},{},{"id":1120,"data":1883,"type":390,"tunes":1898},{"content":1884,"stretched":42,"withHeadings":13},[1885,1886,1887,1888,1889,1890,1891,1892,1893,1894,1895,1896,1897],[851,1124],[1126,1127],[1129,1130],[1132,1133],[1135,1136],[1138,1139],[1141,1142],[1144,1145],[1147,1148],[1150,1151],[1153,1154],[1156,1157],[1159,1160],{},{"id":1163,"data":1900,"type":41,"tunes":1901},{"text":1165,"level":246},{},{"id":1168,"data":1903,"type":217,"tunes":1904},{"text":1170},{},{"id":1173,"data":1906,"type":217,"tunes":1907},{"text":1175},{},{"id":1178,"data":1909,"type":217,"tunes":1910},{"text":1180},{},{"id":1183,"data":1912,"type":217,"tunes":1913},{"text":1185},{},{"id":1188,"data":1915,"type":217,"tunes":1916},{"text":1190},{},{"id":1193,"data":1918,"type":41,"tunes":1919},{"text":1195,"level":246},{},{"id":1198,"data":1921,"type":217,"tunes":1922},{"text":1200},{},{"id":1203,"data":1924,"type":217,"tunes":1925},{"text":1205},{},{"id":1208,"data":1927,"type":217,"tunes":1928},{"text":1210},{},{"id":1213,"data":1930,"type":41,"tunes":1931},{"text":1215,"level":246},{},{"id":1218,"data":1933,"type":217,"tunes":1934},{"text":1220},{},{"id":1223,"data":1936,"type":491,"tunes":1937},{"url":1225,"title":1226,"excerpt":1227,"ctaLabel":1228},{},{"id":1231,"data":1939,"type":217,"tunes":1940},{"text":1233},{},{"id":1236,"data":1942,"type":217,"tunes":1943},{"text":1238},{},{"id":1241,"data":1945,"type":41,"tunes":1946},{"text":1243,"level":246},{},{"id":1246,"data":1948,"type":1246,"tunes":1958},{"items":1949,"title":1281},[1950,1951,1952,1953,1954,1955,1956,1957],{"id":1250,"answer":1251,"question":1252},{"id":1254,"answer":1255,"question":1256},{"id":1258,"answer":1259,"question":1260},{"id":1262,"answer":1263,"question":1264},{"id":1266,"answer":1267,"question":1268},{"id":1270,"answer":1271,"question":1272},{"id":1274,"answer":1275,"question":1276},{"id":1278,"answer":1279,"question":1280},{},{"id":1284,"data":1960,"type":41,"tunes":1961},{"text":1286,"level":246},{},{"id":1289,"data":1963,"type":1289,"tunes":1977},{"title":1291,"entries":1964},[1965,1966,1967,1968,1969,1970,1971,1972,1973,1974,1975,1976],{"term":429,"anchor":1294,"definition":1295},{"term":1297,"anchor":1298,"definition":1299},{"term":426,"anchor":1301,"definition":1302},{"term":1304,"anchor":1305,"definition":1306},{"term":1308,"anchor":1309,"definition":1310},{"term":1312,"anchor":1313,"definition":1314},{"term":1316,"anchor":1317,"definition":1318},{"term":1320,"anchor":1321,"definition":1322},{"term":768,"anchor":1324,"definition":1325},{"term":1327,"anchor":1328,"definition":1329},{"term":870,"anchor":1331,"definition":1332},{"term":1334,"anchor":1335,"definition":1336},{},{"id":1339,"data":1979,"type":41,"tunes":1980},{"text":1341,"level":246},{},{"id":1344,"data":1982,"type":217,"tunes":1983},{"text":1346},{},{"id":1349,"data":1985,"type":217,"tunes":1986},{"text":1351},{},{"id":1354,"data":1988,"type":217,"tunes":1989},{"text":1356},{},{"id":1359,"data":1991,"type":41,"tunes":1992},{"text":1361,"level":246},{},{"id":1364,"data":1994,"type":217,"tunes":1995},{"text":1366},{},{"id":1369,"data":1997,"type":1376,"tunes":2000},{"link":1371,"meta":1998},{"image":1999,"title":1374,"description":1375},{"url":405},{},{"id":1379,"data":2002,"type":1376,"tunes":2005},{"link":1381,"meta":2003},{"image":2004,"title":1384,"description":1385},{"url":405},{},{"id":1388,"data":2007,"type":1376,"tunes":2010},{"link":1390,"meta":2008},{"image":2009,"title":1393,"description":1394},{"url":405},{},{"id":1397,"data":2012,"type":1376,"tunes":2015},{"link":1399,"meta":2013},{"image":2014,"title":1402,"description":1403},{"url":405},{},{"lang":2017,"title":2018,"content":2019,"contentJson":2020,"excerpt":3029},"en","What Is Context Engineering? What the Model Receives Before It Answers","{\"time\":1791480654232,\"blocks\":[{\"id\":\"intro\",\"type\":\"paragraph\",\"data\":{\"text\":\"Context engineering is the design of what information a language model receives at inference time, in what form, in what order and for how long. It is broader than prompt engineering because the model context can include system instructions, user messages, retrieved documents, tool results, memory, current application state, examples, structured data and intermediate artifacts. The goal is not to maximize the number of tokens, but to construct the smallest useful context that preserves the information, constraints and evidence needed for the current task.\"},\"tunes\":{}},{\"id\":\"direct\",\"type\":\"callout\",\"data\":{\"variant\":\"info\",\"title\":\"Direct answer\",\"body\":\"Prompt engineering asks \u003Cstrong>how should we instruct the model?\u003C\u002Fstrong> Context engineering asks \u003Cstrong>what should the model know right now, and how should that information be assembled?\u003C\u002Fstrong>\u003Cbr>\u003Cbr>Retrieval, memory, state management, tool design, history trimming, compaction and ordering are therefore context-engineering mechanisms when they determine the tokens available to the model before it produces the next output.\"},\"tunes\":{}},{\"id\":\"boundary\",\"type\":\"callout\",\"data\":{\"variant\":\"warning\",\"title\":\"Context is not the same as knowledge or memory\",\"body\":\"A system can know something without placing it in the current context. It can remember something outside the model window. It can retrieve a document but later exclude it from the final prompt. The model can only directly use the context that reaches the current inference.\"},\"tunes\":{}},{\"id\":\"current\",\"type\":\"callout\",\"data\":{\"variant\":\"note\",\"title\":\"Current-source note — 8 October 2026\",\"body\":\"Context engineering is now established practical terminology in major AI engineering guidance, but it is not a single formal standard with one mandatory architecture. Anthropic describes it as curating and maintaining the optimal set of tokens for inference; OpenAI's current agent guidance treats session context, trimming and compression as explicit engineering concerns for long-running systems.\"},\"tunes\":{}},{\"id\":\"toc\",\"type\":\"tableOfContents\",\"data\":{\"title\":\"Contents\",\"minLevel\":2,\"maxLevel\":3},\"tunes\":{}},{\"id\":\"h-meaning\",\"type\":\"header\",\"data\":{\"text\":\"What context engineering really means\",\"level\":2},\"tunes\":{}},{\"id\":\"p-meaning-1\",\"type\":\"paragraph\",\"data\":{\"text\":\"Every model call is made under a temporary working environment: the current instructions, messages, retrieved evidence, tool outputs and state that fit into the active context window. Context engineering is the discipline of constructing that environment deliberately.\"},\"tunes\":{}},{\"id\":\"p-meaning-2\",\"type\":\"paragraph\",\"data\":{\"text\":\"The key word is deliberately. A naive system simply concatenates everything it has: full history, all retrieved documents, every tool response and large system prompts. A context-engineered system decides which information is required for the current decision and which information should remain outside the window until needed.\"},\"tunes\":{}},{\"id\":\"p-meaning-3\",\"type\":\"paragraph\",\"data\":{\"text\":\"This makes context engineering partly an information-architecture problem, partly a runtime problem and partly an evaluation problem. The design must decide what can enter context, where it comes from, which version is current, how conflicts are resolved, how much detail is retained and how the result is tested.\"},\"tunes\":{}},{\"id\":\"h-simple\",\"type\":\"header\",\"data\":{\"text\":\"The simplest example\",\"level\":2},\"tunes\":{}},{\"id\":\"p-simple-1\",\"type\":\"paragraph\",\"data\":{\"text\":\"Imagine an internal support assistant. A user asks: “Can this customer cancel without a fee?”\"},\"tunes\":{}},{\"id\":\"p-simple-2\",\"type\":\"paragraph\",\"data\":{\"text\":\"The model might need five things: the current cancellation policy, the customer's current contract type, the effective contract date, the relevant exception rules and the user's authorization scope.\"},\"tunes\":{}},{\"id\":\"p-simple-3\",\"type\":\"paragraph\",\"data\":{\"text\":\"It does not necessarily need the entire customer database, the full policy archive, every previous conversation or every support ticket. Context engineering is the process that selects and assembles the five useful pieces while excluding unrelated information.\"},\"tunes\":{}},{\"id\":\"simple-flow\",\"type\":\"processFlow\",\"data\":{\"title\":\"From application state to model context\",\"orientation\":\"auto\",\"steps\":[{\"label\":\"1. Understand the task\",\"description\":\"Classify what the current question requires and which information types can affect the answer.\"},{\"label\":\"2. Resolve authoritative state\",\"description\":\"Read current application or business state that should not be guessed from memory.\"},{\"label\":\"3. Retrieve supporting knowledge\",\"description\":\"Find the policy, documents or external evidence relevant to the specific task.\"},{\"label\":\"4. Apply eligibility and permissions\",\"description\":\"Exclude data the current user or runtime is not allowed to expose to the model.\"},{\"label\":\"5. Reduce and structure\",\"description\":\"Remove duplication, select useful excerpts and preserve critical metadata, conditions and exceptions.\"},{\"label\":\"6. Order the context\",\"description\":\"Place instructions, current state and decisive evidence where the model can use them consistently.\"},{\"label\":\"7. Run inference\",\"description\":\"The model receives the assembled context and produces the next answer or action proposal.\"}]},\"tunes\":{}},{\"id\":\"h-stops\",\"type\":\"header\",\"data\":{\"text\":\"Where the simple example stops\",\"level\":2},\"tunes\":{}},{\"id\":\"p-stops-1\",\"type\":\"paragraph\",\"data\":{\"text\":\"Real systems are more difficult because the information needed for one step may not be known before execution begins. An agent can discover new facts through tools, create intermediate files, receive changing external state or span a task longer than one context window.\"},\"tunes\":{}},{\"id\":\"p-stops-2\",\"type\":\"paragraph\",\"data\":{\"text\":\"Context engineering therefore becomes dynamic. The context for step 12 should not simply be step 1 context plus eleven layers of accumulated output. It should reflect the current task state, the decisions that still matter and the evidence required for the next action.\"},\"tunes\":{}},{\"id\":\"h-anatomy\",\"type\":\"header\",\"data\":{\"text\":\"What can enter a model context?\",\"level\":2},\"tunes\":{}},{\"id\":\"anatomy-table\",\"type\":\"table\",\"data\":{\"withHeadings\":true,\"stretched\":false,\"content\":[[\"Context component\",\"Purpose\",\"Typical risk\"],[\"System \u002F developer instructions\",\"Define role, constraints, policies and behavior\",\"Too vague, contradictory or overloaded with brittle logic\"],[\"Current user request\",\"Defines immediate task and intent\",\"Ambiguity or conflict with prior history\"],[\"Conversation history\",\"Preserves continuity across turns\",\"Stale assumptions, repetition and token growth\"],[\"Retrieved documents\",\"Provide external knowledge\u002Fevidence\",\"Irrelevance, stale versions, weak authority or duplication\"],[\"Current application state\",\"Supplies volatile business\u002Fsystem facts\",\"Using cached or remembered state instead of current authority\"],[\"Tool definitions\",\"Tell the model what capabilities exist and how to call them\",\"Too many overlapping tools or verbose schemas\"],[\"Tool results\",\"Bring observations from the environment into the loop\",\"Large noisy outputs, untrusted content or obsolete observations\"],[\"Memory\",\"Reintroduces selected information from previous interactions\",\"Staleness, incorrect generalization or over-personalization\"],[\"Examples\",\"Demonstrate desired behavior\",\"Too many edge cases can crowd out the current task\"],[\"Intermediate artifacts\",\"Carry plans, summaries, code, calculations or notes\",\"Old intermediate state may be mistaken for final truth\"],[\"Policies \u002F guardrails\",\"Define prohibited or constrained behavior\",\"Conflict with business logic or hidden enforcement gaps\"]]},\"tunes\":{}},{\"id\":\"h-prompt\",\"type\":\"header\",\"data\":{\"text\":\"Context engineering vs prompt engineering\",\"level\":2},\"tunes\":{}},{\"id\":\"prompt-comparison\",\"type\":\"comparison\",\"data\":{\"title\":\"Prompt engineering and context engineering solve different layers\",\"layout\":\"table\",\"columns\":[{\"id\":\"prompt\",\"label\":\"Prompt engineering\"},{\"id\":\"context\",\"label\":\"Context engineering\"}],\"rows\":[{\"id\":\"focus\",\"label\":\"Primary focus\",\"values\":[\"\",\"\"]},{\"id\":\"scope\",\"label\":\"Typical scope\",\"values\":[\"\",\"\"]},{\"id\":\"timing\",\"label\":\"When it changes\",\"values\":[\"\",\"\"]},{\"id\":\"failure\",\"label\":\"Typical failure\",\"values\":[\"\",\"\"]},{\"id\":\"relationship\",\"label\":\"Relationship\",\"values\":[\"\",\"\"]}]},\"tunes\":{}},{\"id\":\"p-prompt-1\",\"type\":\"paragraph\",\"data\":{\"text\":\"Anthropic explicitly describes context engineering as the natural progression of prompt engineering for systems in which the model must work with tools, external data, message history and long-running agent state. The practical distinction is useful because a perfectly written prompt cannot compensate for missing authoritative data or a context polluted by contradictory state.\"},\"tunes\":{}},{\"id\":\"h-retrieval\",\"type\":\"header\",\"data\":{\"text\":\"Context engineering vs retrieval\",\"level\":2},\"tunes\":{}},{\"id\":\"p-ret-1\",\"type\":\"paragraph\",\"data\":{\"text\":\"Retrieval selects candidate information from an external corpus or source. Context engineering decides what happens after and around that retrieval.\"},\"tunes\":{}},{\"id\":\"p-ret-2\",\"type\":\"paragraph\",\"data\":{\"text\":\"The retriever may return 30 passages. A reranker may reduce them to 10. The context layer may select four passages, remove duplicates, attach source\u002Fversion metadata, combine them with current application state and place them after the system instructions.\"},\"tunes\":{}},{\"id\":\"p-ret-3\",\"type\":\"paragraph\",\"data\":{\"text\":\"This is why a RAG system can retrieve the correct passage and still answer badly: the failure may occur during context assembly rather than retrieval.\"},\"tunes\":{}},{\"id\":\"retrieval-boundary\",\"type\":\"callout\",\"data\":{\"variant\":\"success\",\"title\":\"Retrieval finds candidates; context engineering constructs the model input\",\"body\":\"The correct retrieval result is only useful if it survives filtering, ordering, compression and token-budget decisions and actually reaches the model in a usable form.\"},\"tunes\":{}},{\"id\":\"h-memory\",\"type\":\"header\",\"data\":{\"text\":\"Context engineering vs memory\",\"level\":2},\"tunes\":{}},{\"id\":\"p-memory-1\",\"type\":\"paragraph\",\"data\":{\"text\":\"Memory is information preserved outside the immediate model invocation so it can be used again later. Context is the information actually loaded into the current invocation.\"},\"tunes\":{}},{\"id\":\"p-memory-2\",\"type\":\"paragraph\",\"data\":{\"text\":\"A memory system may contain thousands of facts, notes or prior decisions. Context engineering selects which of those should be reintroduced for the current task. Loading all memory on every turn defeats the purpose of having an external memory layer.\"},\"tunes\":{}},{\"id\":\"p-memory-3\",\"type\":\"paragraph\",\"data\":{\"text\":\"The distinction becomes crucial for volatile state. A remembered project status or user preference can be useful, but current authoritative state may need to be re-read before a consequential decision.\"},\"tunes\":{}},{\"id\":\"ref-memory\",\"type\":\"referralArticle\",\"data\":{\"url\":\"https:\u002F\u002Fstajic.de\u002Fblog\u002Fai-agent-memory-is-not-rag-how-to-separate-memory-retrieval-state-and-context\",\"title\":\"AI Agent Memory Is Not RAG: How to Separate Memory, Retrieval, State and Context\",\"excerpt\":\"A practical architecture separating what persists, what is authoritative now, what is retrieved and what the model actually receives.\",\"ctaLabel\":\"Read the memory architecture article\"},\"tunes\":{}},{\"id\":\"h-state\",\"type\":\"header\",\"data\":{\"text\":\"Context engineering vs application state\",\"level\":2},\"tunes\":{}},{\"id\":\"p-state-1\",\"type\":\"paragraph\",\"data\":{\"text\":\"Application state is the current condition of the outside system: account balance, ticket status, file version, workflow stage, deployment state or task progress.\"},\"tunes\":{}},{\"id\":\"p-state-2\",\"type\":\"paragraph\",\"data\":{\"text\":\"State can be summarized into context, but the summary is not the state itself. For consequential operations, the runtime may need to re-read the authoritative system immediately before the action rather than trust an earlier model-visible snapshot.\"},\"tunes\":{}},{\"id\":\"state-rule\",\"type\":\"callout\",\"data\":{\"variant\":\"warning\",\"title\":\"Context is a snapshot\",\"body\":\"Once state is copied into a prompt, it can become stale. Context engineering must define when volatile state needs refreshing and which operations require a new authoritative read.\"},\"tunes\":{}},{\"id\":\"h-tools\",\"type\":\"header\",\"data\":{\"text\":\"Tool design is part of context engineering\",\"level\":2},\"tunes\":{}},{\"id\":\"p-tools-1\",\"type\":\"paragraph\",\"data\":{\"text\":\"Tools do more than give agents capabilities. Tool names, descriptions, schemas and results become model-visible information that shapes decisions.\"},\"tunes\":{}},{\"id\":\"p-tools-2\",\"type\":\"paragraph\",\"data\":{\"text\":\"Anthropic's current context-engineering guidance emphasizes token-efficient tools and warns against bloated tool sets with overlapping functionality. A tool catalog that is difficult for a human to distinguish is also difficult for a model to route reliably.\"},\"tunes\":{}},{\"id\":\"p-tools-3\",\"type\":\"paragraph\",\"data\":{\"text\":\"Tool outputs also need context discipline. Returning an entire 20,000-line log when the agent requested one error condition consumes attention and can bury the decisive evidence.\"},\"tunes\":{}},{\"id\":\"h-jit\",\"type\":\"header\",\"data\":{\"text\":\"Just-in-time context vs preloaded context\",\"level\":2},\"tunes\":{}},{\"id\":\"jit-comparison\",\"type\":\"comparison\",\"data\":{\"title\":\"Two ways to supply information\",\"layout\":\"table\",\"columns\":[{\"id\":\"preload\",\"label\":\"Preloaded context\"},{\"id\":\"jit\",\"label\":\"Just-in-time context\"}],\"rows\":[{\"id\":\"method\",\"label\":\"Method\",\"values\":[\"\",\"\"]},{\"id\":\"strength\",\"label\":\"Strength\",\"values\":[\"\",\"\"]},{\"id\":\"risk\",\"label\":\"Risk\",\"values\":[\"\",\"\"]},{\"id\":\"best\",\"label\":\"Useful when\",\"values\":[\"\",\"\"]}]},\"tunes\":{}},{\"id\":\"p-jit-1\",\"type\":\"paragraph\",\"data\":{\"text\":\"Anthropic describes a hybrid pattern in which some stable context is preloaded while agents retrieve additional information at runtime. This is a useful architecture pattern because not every important fact deserves permanent residency in the context window.\"},\"tunes\":{}},{\"id\":\"h-budget\",\"type\":\"header\",\"data\":{\"text\":\"Context is a budget, not a storage system\",\"level\":2},\"tunes\":{}},{\"id\":\"p-budget-1\",\"type\":\"paragraph\",\"data\":{\"text\":\"A context window defines capacity. It does not guarantee that every token will be used equally well. The model must distribute attention across instructions, history, evidence, tools and intermediate state.\"},\"tunes\":{}},{\"id\":\"p-budget-2\",\"type\":\"paragraph\",\"data\":{\"text\":\"The practical objective is therefore not “fill the window.” It is to maximize the utility of the limited attention budget.\"},\"tunes\":{}},{\"id\":\"p-budget-3\",\"type\":\"paragraph\",\"data\":{\"text\":\"Anthropic formulates a similar principle as finding the smallest high-signal set of tokens that maximizes the probability of the desired behavior. OpenAI's context-management guidance likewise warns that uncurated history, redundant tool results and noisy retrieval can overwhelm even large windows.\"},\"tunes\":{}},{\"id\":\"h-more\",\"type\":\"header\",\"data\":{\"text\":\"Why more context can be worse\",\"level\":2},\"tunes\":{}},{\"id\":\"p-more-1\",\"type\":\"paragraph\",\"data\":{\"text\":\"Additional context can introduce irrelevant information, stale state, duplicate evidence, contradictory instructions or positional competition. It can also cause compaction systems to discard details that later become important.\"},\"tunes\":{}},{\"id\":\"p-more-2\",\"type\":\"paragraph\",\"data\":{\"text\":\"The classic Lost in the Middle study demonstrated that long-context models can use information differently depending on where relevant content appears, with performance often degrading when decisive information is placed in the middle of long inputs.\"},\"tunes\":{}},{\"id\":\"p-more-3\",\"type\":\"paragraph\",\"data\":{\"text\":\"This does not mean long context is inherently bad. It means availability inside the window is not the same as reliable utilization.\"},\"tunes\":{}},{\"id\":\"h-order\",\"type\":\"header\",\"data\":{\"text\":\"Context ordering should be intentional\",\"level\":2},\"tunes\":{}},{\"id\":\"p-order-1\",\"type\":\"paragraph\",\"data\":{\"text\":\"Context construction is also an ordering problem. Critical instructions, current state, decisive evidence and task-specific constraints should not be concatenated arbitrarily.\"},\"tunes\":{}},{\"id\":\"p-order-2\",\"type\":\"paragraph\",\"data\":{\"text\":\"There is no universal perfect ordering for every model and task. The architecture should therefore test whether reordering evidence changes correctness and whether important information remains robust across realistic context variations.\"},\"tunes\":{}},{\"id\":\"p-order-3\",\"type\":\"paragraph\",\"data\":{\"text\":\"A stable answer that changes dramatically when two equally valid passages swap positions indicates context sensitivity that should be measured rather than ignored.\"},\"tunes\":{}},{\"id\":\"h-conflict\",\"type\":\"header\",\"data\":{\"text\":\"Conflicting context needs explicit precedence\",\"level\":2},\"tunes\":{}},{\"id\":\"p-conflict-1\",\"type\":\"paragraph\",\"data\":{\"text\":\"A model may receive an old policy and a new policy, a remembered preference and a current explicit instruction, or a cached status and a live API result. The system should not expect the model to infer precedence from prose style.\"},\"tunes\":{}},{\"id\":\"p-conflict-2\",\"type\":\"paragraph\",\"data\":{\"text\":\"Context engineering should encode precedence through source selection, metadata, ordering or explicit instructions: current authoritative state overrides stale copies; explicit current user instruction overrides older inferred preference; approved policy supersedes obsolete drafts.\"},\"tunes\":{}},{\"id\":\"conflict-table\",\"type\":\"table\",\"data\":{\"withHeadings\":true,\"stretched\":false,\"content\":[[\"Conflict\",\"Preferred context rule\"],[\"Current state vs remembered state\",\"Refresh and prefer the authoritative current source.\"],[\"Current policy vs superseded policy\",\"Include current version; keep old version only when historical comparison is required.\"],[\"Explicit user instruction vs old inferred preference\",\"Prefer the current explicit instruction.\"],[\"Primary source vs secondary summary\",\"Use primary source for claims that require authority; summary may support explanation.\"],[\"Tool observation vs model prior\",\"Prefer current observed state when the tool is authoritative for that fact.\"],[\"Two unresolved authoritative sources\",\"Expose the conflict rather than fabricating one consistent answer.\"]]},\"tunes\":{}},{\"id\":\"h-compaction\",\"type\":\"header\",\"data\":{\"text\":\"Compaction is context transformation, not lossless storage\",\"level\":2},\"tunes\":{}},{\"id\":\"p-comp-1\",\"type\":\"paragraph\",\"data\":{\"text\":\"Long-running systems eventually need to trim, summarize or compact history. Compaction creates a new representation of prior context so the agent can continue without replaying every token.\"},\"tunes\":{}},{\"id\":\"p-comp-2\",\"type\":\"paragraph\",\"data\":{\"text\":\"OpenAI's context-management examples use trimming and compression for long-running sessions. Anthropic describes compaction as a primary technique for maintaining coherence when an interaction approaches the context limit.\"},\"tunes\":{}},{\"id\":\"p-comp-3\",\"type\":\"paragraph\",\"data\":{\"text\":\"The difficult part is deciding what cannot be safely removed: unresolved tasks, identifiers, user constraints, security boundaries, architecture decisions, exceptions, source provenance and the conditions that make a previous conclusion valid.\"},\"tunes\":{}},{\"id\":\"compaction-rule\",\"type\":\"callout\",\"data\":{\"variant\":\"warning\",\"title\":\"A summary can preserve the conclusion and destroy the reason\",\"body\":\"If compaction keeps “use approach X” but discards why X was chosen, which version was tested or what condition would invalidate it, later responses can remain internally consistent while becoming externally wrong.\"},\"tunes\":{}},{\"id\":\"h-validity\",\"type\":\"header\",\"data\":{\"text\":\"Preserve validity boundaries\",\"level\":2},\"tunes\":{}},{\"id\":\"p-validity-1\",\"type\":\"paragraph\",\"data\":{\"text\":\"Important conclusions should carry the conditions under which they remain supported: version, date, scope, assumptions, source authority and unresolved disagreement.\"},\"tunes\":{}},{\"id\":\"p-validity-2\",\"type\":\"paragraph\",\"data\":{\"text\":\"Context engineering is therefore connected to the Answer Validity Boundary. The context assembler should not strip away the metadata that determines whether evidence still applies.\"},\"tunes\":{}},{\"id\":\"ref-avb\",\"type\":\"referralArticle\",\"data\":{\"url\":\"https:\u002F\u002Fstajic.de\u002Fblog\u002Fthe-answer-validity-boundary-the-missing-layer-between-relevance-and-reliable-ai-answers\",\"title\":\"The Answer Validity Boundary: The Missing Layer Between Relevance and Reliable AI Answers\",\"excerpt\":\"A framework for preserving the scope, assumptions, versions and evidence conditions under which an AI claim remains supported.\",\"ctaLabel\":\"Read the Answer Validity Boundary\"},\"tunes\":{}},{\"id\":\"h-security\",\"type\":\"header\",\"data\":{\"text\":\"Context engineering is also a security boundary\",\"level\":2},\"tunes\":{}},{\"id\":\"p-sec-1\",\"type\":\"paragraph\",\"data\":{\"text\":\"Data that reaches the model has crossed an important system boundary. Context assembly must therefore respect authorization, tenant isolation, confidentiality and data-minimization rules.\"},\"tunes\":{}},{\"id\":\"p-sec-2\",\"type\":\"paragraph\",\"data\":{\"text\":\"A retriever may technically find a passage the current user cannot access. The correct design is to prevent that passage from entering model context rather than rely on the model to ignore it.\"},\"tunes\":{}},{\"id\":\"p-sec-3\",\"type\":\"paragraph\",\"data\":{\"text\":\"Tool outputs can also contain untrusted instructions or adversarial content. Context engineering should preserve the distinction between application instructions and external data so retrieved text cannot silently acquire instruction authority.\"},\"tunes\":{}},{\"id\":\"h-architecture\",\"type\":\"header\",\"data\":{\"text\":\"A practical context-engineering architecture\",\"level\":2},\"tunes\":{}},{\"id\":\"arch-note\",\"type\":\"callout\",\"data\":{\"variant\":\"note\",\"title\":\"Proposed architecture model\",\"body\":\"The following layers are a practical synthesis for production systems, not a formal industry standard. The purpose is to keep information ownership separate from the temporary model-facing context.\"},\"tunes\":{}},{\"id\":\"arch-table\",\"type\":\"table\",\"data\":{\"withHeadings\":true,\"stretched\":false,\"content\":[[\"Layer\",\"Responsibility\"],[\"Authoritative systems\",\"Own current business\u002Fsystem state and official records.\"],[\"Knowledge sources\",\"Own documents, policies, specifications, research or external evidence.\"],[\"Memory store\",\"Preserves selected information across turns or sessions.\"],[\"Retrieval layer\",\"Locates task-relevant candidates from external sources.\"],[\"Tool\u002Fruntime layer\",\"Reads state, performs actions and returns observations.\"],[\"Context assembler\",\"Selects, filters, deduplicates, orders and formats model-visible information.\"],[\"Model\",\"Reasons and generates over the assembled context.\"],[\"Validation\u002Fevaluation\",\"Checks whether selected context and resulting output satisfy task-specific requirements.\"]]},\"tunes\":{}},{\"id\":\"p-arch-1\",\"type\":\"paragraph\",\"data\":{\"text\":\"The context assembler is conceptually important even when no module has that exact name. In a small application it may be ordinary application code. In a large agent platform it may combine session management, retrieval, memory, tool middleware, compaction and policy enforcement.\"},\"tunes\":{}},{\"id\":\"h-policy\",\"type\":\"header\",\"data\":{\"text\":\"A practical context construction policy\",\"level\":2},\"tunes\":{}},{\"id\":\"policy-table\",\"type\":\"table\",\"data\":{\"withHeadings\":true,\"stretched\":false,\"content\":[[\"Rule\",\"Why it matters\"],[\"Start from the current task\",\"Do not carry information merely because it existed earlier.\"],[\"Re-read volatile state\",\"Memory and old context can be stale.\"],[\"Retrieve just enough evidence\",\"Large candidate sets can dilute decisive information.\"],[\"Preserve source metadata\",\"Version, date and authority determine whether evidence still applies.\"],[\"Remove duplicate content\",\"Redundancy consumes tokens without adding information.\"],[\"Prefer structured summaries for large tool output\",\"Expose decisive fields instead of raw noise where fidelity permits.\"],[\"Keep rules with exceptions\",\"Separating a rule from its exception creates false certainty.\"],[\"Make precedence explicit\",\"Do not ask the model to infer which conflicting source wins.\"],[\"Keep durable state outside context\",\"Context is temporary working memory, not the database.\"],[\"Compact with retention tests\",\"Verify that identifiers, constraints, provenance and unresolved state survive.\"],[\"Measure order sensitivity\",\"Correctness should not depend accidentally on arbitrary document ordering.\"],[\"Evaluate context separately from model quality\",\"A stronger model cannot compensate reliably for missing or unauthorized evidence.\"]]},\"tunes\":{}},{\"id\":\"h-eval\",\"type\":\"header\",\"data\":{\"text\":\"How to evaluate context engineering\",\"level\":2},\"tunes\":{}},{\"id\":\"eval-table\",\"type\":\"table\",\"data\":{\"withHeadings\":true,\"stretched\":false,\"content\":[[\"Property\",\"Question\",\"Example test\"],[\"Sufficiency\",\"Does the context contain everything required to solve the task?\",\"Remove one evidence item and observe whether the answer becomes unsupported.\"],[\"Relevance\",\"How much context is unnecessary for the task?\",\"Measure quality as irrelevant passages are added or removed.\"],[\"Authority\",\"Are decisive claims grounded in the correct source class?\",\"Inject a more fluent but non-authoritative conflicting source.\"],[\"Freshness\",\"Does current state override stale copies?\",\"Change authoritative state after a previous turn and rerun.\"],[\"Position robustness\",\"Does answer quality depend strongly on evidence position?\",\"Randomize candidate ordering across repeated trials.\"],[\"Conflict handling\",\"Does the model follow explicit precedence rules?\",\"Present old and new state together.\"],[\"Compaction retention\",\"Does summarization preserve constraints and validity boundaries?\",\"Compare pre\u002Fpost-compaction task performance.\"],[\"Token efficiency\",\"Does extra context improve quality enough to justify latency\u002Fcost?\",\"Run controlled context-size ablations.\"],[\"Security\",\"Can unauthorized or adversarial content enter model context?\",\"Test tenant, permission and prompt-injection boundaries.\"]]},\"tunes\":{}},{\"id\":\"h-rag-diagnostic\",\"type\":\"header\",\"data\":{\"text\":\"Context assembly is a distinct RAG failure layer\",\"level\":2},\"tunes\":{}},{\"id\":\"p-ragdiag-1\",\"type\":\"paragraph\",\"data\":{\"text\":\"A RAG pipeline can succeed at retrieval and still fail downstream. The relevant source may appear at rank 2, yet the context assembler can drop it, truncate it, combine it with stale contradictory material or exceed the token budget.\"},\"tunes\":{}},{\"id\":\"p-ragdiag-2\",\"type\":\"paragraph\",\"data\":{\"text\":\"This is why retrieval traces should be compared with the actual context sent to the model. Without that comparison, context failures are easily misdiagnosed as embedding or model failures.\"},\"tunes\":{}},{\"id\":\"ref-ragfail\",\"type\":\"referralArticle\",\"data\":{\"url\":\"https:\u002F\u002Fstajic.de\u002Fblog\u002Frag-failed-but-which-layer-actually-failed-a-diagnostic-method\",\"title\":\"RAG Failed — But Which Layer Actually Failed? A Diagnostic Method\",\"excerpt\":\"A layer-by-layer approach to separating source coverage, retrieval, ranking, context assembly, generation, evidence attribution and freshness failures.\",\"ctaLabel\":\"Read the RAG diagnostic method\"},\"tunes\":{}},{\"id\":\"h-implementation\",\"type\":\"header\",\"data\":{\"text\":\"Original implementation evidence\",\"level\":2},\"tunes\":{}},{\"id\":\"h-sot-engine\",\"type\":\"header\",\"data\":{\"text\":\"Source of Truth Research Engine: bounded research instead of unlimited context\",\"level\":3},\"tunes\":{}},{\"id\":\"p-sot-1\",\"type\":\"paragraph\",\"data\":{\"text\":\"The Source of Truth Research Engine separates discovery, acquisition, extraction, verification, contradiction analysis and synthesis into bounded research stages instead of sending one huge research task and all accumulated material into a single model call.\"},\"tunes\":{}},{\"id\":\"p-sot-2\",\"type\":\"paragraph\",\"data\":{\"text\":\"Its evidence model stores Sources, Artifacts, Claims, Relations, Contradictions and provenance outside the model context. The model can receive the subset needed for the current research step while durable evidence remains in the external store.\"},\"tunes\":{}},{\"id\":\"p-sot-3\",\"type\":\"paragraph\",\"data\":{\"text\":\"That is a concrete context-engineering pattern: durable research state lives outside the model window; the active model context is reconstructed for the current stage.\"},\"tunes\":{}},{\"id\":\"h-ai-client\",\"type\":\"header\",\"data\":{\"text\":\"Aaasaasa AI Client: runtime, permissions and context are separate concerns\",\"level\":3},\"tunes\":{}},{\"id\":\"p-client-1\",\"type\":\"paragraph\",\"data\":{\"text\":\"Aaasaasa AI Client separates provider\u002Fmodel selection, runtime location, workspace permissions, local resources and tool access. This prevents the model context from becoming the owner of authorization or application state.\"},\"tunes\":{}},{\"id\":\"p-client-2\",\"type\":\"paragraph\",\"data\":{\"text\":\"Direct Chat and agentic runtimes can have different tool capabilities. Workspace permission profiles are enforced by the runtime rather than merely described in natural-language context. This distinction is important: context can tell a model what it should do, while the runtime must still enforce what it is actually allowed to do.\"},\"tunes\":{}},{\"id\":\"p-client-3\",\"type\":\"paragraph\",\"data\":{\"text\":\"The implementation evidence here is architectural separation, not a claim that every advanced context-management technique described in this article is already implemented.\"},\"tunes\":{}},{\"id\":\"impl-table\",\"type\":\"table\",\"data\":{\"withHeadings\":true,\"stretched\":false,\"content\":[[\"Implementation pattern\",\"Context-engineering lesson\"],[\"External evidence store\",\"Durable knowledge does not need to remain in the model window.\"],[\"Bounded research stages\",\"Different steps can receive different context instead of accumulating one giant history.\"],[\"Claims + provenance outside context\",\"Evidence identity survives beyond temporary inference state.\"],[\"Runtime-enforced permissions\",\"Security authority does not depend on the model remembering an instruction.\"],[\"Separate local\u002Fprovider\u002Fmodel\u002Fruntime concepts\",\"Context is only one layer of the wider AI application architecture.\"]]},\"tunes\":{}},{\"id\":\"impl-boundary\",\"type\":\"callout\",\"data\":{\"variant\":\"note\",\"title\":\"Evidence boundary\",\"body\":\"These implementations support the architectural separation between durable state, retrieval, runtime controls and model-facing context. They are not presented as benchmark proof that one context strategy is universally optimal.\"},\"tunes\":{}},{\"id\":\"h-failures\",\"type\":\"header\",\"data\":{\"text\":\"Common context-engineering failure modes\",\"level\":2},\"tunes\":{}},{\"id\":\"failure-table\",\"type\":\"table\",\"data\":{\"withHeadings\":true,\"stretched\":false,\"content\":[[\"Failure mode\",\"What goes wrong\"],[\"Replay the entire conversation forever\",\"Old assumptions, repetition and token growth overwhelm current intent.\"],[\"Put every retrieved result into the prompt\",\"Noise, duplication and conflicting versions dilute decisive evidence.\"],[\"Use memory as current state\",\"Stale information silently replaces authoritative live state.\"],[\"Return raw tool output\",\"Large logs or responses consume attention without adding decision value.\"],[\"Hide tool descriptions behind vague names\",\"The model cannot reliably decide which capability to use.\"],[\"Compact without retention tests\",\"Critical constraints, identifiers or exceptions disappear.\"],[\"Mix instructions and untrusted data\",\"External content can be interpreted as higher-authority instruction.\"],[\"Use one static context template for every task\",\"Different tasks receive irrelevant information and miss task-specific evidence.\"],[\"Ignore source version\u002Fdate\",\"Stale but relevant evidence can dominate current authoritative state.\"],[\"Treat a larger context window as a quality guarantee\",\"Capacity increases while attention and conflict problems remain.\"]]},\"tunes\":{}},{\"id\":\"h-misconceptions\",\"type\":\"header\",\"data\":{\"text\":\"Common misconceptions\",\"level\":2},\"tunes\":{}},{\"id\":\"misconceptions-table\",\"type\":\"table\",\"data\":{\"withHeadings\":true,\"stretched\":false,\"content\":[[\"Misconception\",\"Correction\"],[\"“Context engineering is just prompt engineering with a new name.”\",\"Prompts are one component; context engineering also covers retrieval, memory, state, tool results, history and compaction.\"],[\"“Context means chat history.”\",\"History is only one possible context source.\"],[\"“More context is always better.”\",\"Additional information can reduce signal, introduce conflicts and increase cost.\"],[\"“If retrieval found it, the model saw it.”\",\"Retrieved candidates can be filtered, truncated or omitted before inference.\"],[\"“Long context removes the need for RAG.”\",\"Large windows increase capacity but do not solve freshness, authority, permissions or dynamic retrieval.\"],[\"“Memory should always be loaded.”\",\"Memory should be selected according to the current task.\"],[\"“A summary preserves everything important.”\",\"Compaction is lossy unless explicitly evaluated for retention.\"],[\"“Instructions can enforce permissions.”\",\"Authorization must be enforced by runtime\u002Fapplication controls, not only by context.\"],[\"“One context recipe works for every model.”\",\"Context sensitivity varies by model, task, corpus and runtime.\"],[\"“Context engineering is only for agents.”\",\"Agents amplify the need, but ordinary RAG and conversational applications also require context construction.\"]]},\"tunes\":{}},{\"id\":\"h-sequence\",\"type\":\"header\",\"data\":{\"text\":\"A practical context-engineering sequence\",\"level\":2},\"tunes\":{}},{\"id\":\"design-sequence\",\"type\":\"processFlow\",\"data\":{\"title\":\"Construct context from the current decision backward\",\"orientation\":\"auto\",\"steps\":[{\"label\":\"1. Define the next model decision\",\"description\":\"Specify what the model must answer, classify, plan or choose at this step.\"},{\"label\":\"2. Identify required facts and constraints\",\"description\":\"List the minimum state, rules, evidence and instructions that can materially change the result.\"},{\"label\":\"3. Resolve authority and permissions\",\"description\":\"Determine which sources are current, authoritative and accessible to the current principal.\"},{\"label\":\"4. Retrieve or read on demand\",\"description\":\"Acquire the necessary evidence and volatile state rather than relying on stale context.\"},{\"label\":\"5. Reduce noise\",\"description\":\"Deduplicate, summarize or select passages without discarding decisive exceptions or provenance.\"},{\"label\":\"6. Structure and order\",\"description\":\"Make instructions, current state, evidence and tool observations distinguishable.\"},{\"label\":\"7. Fit the token budget\",\"description\":\"Prefer high-signal context and move durable information outside the window.\"},{\"label\":\"8. Run the model\",\"description\":\"Execute inference over the assembled context.\"},{\"label\":\"9. Observe failures\",\"description\":\"Capture whether the problem came from missing, stale, noisy, conflicting or poorly ordered context.\"},{\"label\":\"10. Re-evaluate after model\u002Fruntime changes\",\"description\":\"A context strategy is only valid for the models, tools and workloads on which it was tested.\"}]},\"tunes\":{}},{\"id\":\"h-checklist\",\"type\":\"header\",\"data\":{\"text\":\"Context-engineering checklist\",\"level\":2},\"tunes\":{}},{\"id\":\"checklist-table\",\"type\":\"table\",\"data\":{\"withHeadings\":true,\"stretched\":false,\"content\":[[\"Question\",\"Expected answer\"],[\"What exact decision will the model make next?\",\"A bounded task, not a vague long-term objective.\"],[\"Which information can materially change that decision?\",\"Explicit minimum evidence\u002Fstate set.\"],[\"Which data is authoritative now?\",\"Current source\u002Fversion and freshness rule.\"],[\"Which data is optional background?\",\"Separated from decisive evidence.\"],[\"What must not enter context?\",\"Unauthorized, unnecessary or overly sensitive data.\"],[\"Which memory items are relevant?\",\"Selected by task, not replayed automatically.\"],[\"Which tool outputs should be reduced?\",\"Large responses are transformed into decision-relevant form.\"],[\"Which constraints must survive compaction?\",\"Identifiers, exceptions, obligations, unresolved state and provenance.\"],[\"How is precedence represented?\",\"Current\u002Fauthoritative information can reliably override stale or weaker sources.\"],[\"How will you know context failed?\",\"Context-specific evals and traces exist.\"],[\"Can the answer be reproduced?\",\"Model input or reconstructable context trace is available where appropriate.\"],[\"Can a stronger or larger model change the strategy?\",\"Context policy is version-aware and reevaluated empirically.\"]]},\"tunes\":{}},{\"id\":\"h-edge\",\"type\":\"header\",\"data\":{\"text\":\"Edge cases and limitations\",\"level\":2},\"tunes\":{}},{\"id\":\"p-edge-1\",\"type\":\"paragraph\",\"data\":{\"text\":\"Some tasks are simple enough that context engineering reduces to a short system prompt and one user message. Adding retrieval, memory and compaction would only introduce unnecessary architecture.\"},\"tunes\":{}},{\"id\":\"p-edge-2\",\"type\":\"paragraph\",\"data\":{\"text\":\"Some tasks require high recall and may intentionally include more context before later synthesis. Research, discovery and legal review can prefer omission avoidance over minimal token count.\"},\"tunes\":{}},{\"id\":\"p-edge-3\",\"type\":\"paragraph\",\"data\":{\"text\":\"Some information should never be summarized before use. Exact contracts, code, cryptographic material, numerical records and regulatory text may require verbatim or structured retrieval where compression could alter meaning.\"},\"tunes\":{}},{\"id\":\"p-edge-4\",\"type\":\"paragraph\",\"data\":{\"text\":\"Long-context behavior varies substantially between models. A strategy validated on one model, context length or tool harness should not automatically be transferred to another.\"},\"tunes\":{}},{\"id\":\"p-edge-5\",\"type\":\"paragraph\",\"data\":{\"text\":\"The model can still ignore or misinterpret excellent context. Context engineering improves the information environment; it does not guarantee reasoning correctness.\"},\"tunes\":{}},{\"id\":\"h-change\",\"type\":\"header\",\"data\":{\"text\":\"What would change this answer?\",\"level\":2},\"tunes\":{}},{\"id\":\"p-change-1\",\"type\":\"paragraph\",\"data\":{\"text\":\"Future models may become more robust to long context, positional effects and conflicting information. That could reduce the amount of manual curation required.\"},\"tunes\":{}},{\"id\":\"p-change-2\",\"type\":\"paragraph\",\"data\":{\"text\":\"The architectural distinction would still remain useful because permissions, freshness, memory persistence, source authority and external application state exist outside the model regardless of context-window size.\"},\"tunes\":{}},{\"id\":\"p-change-3\",\"type\":\"paragraph\",\"data\":{\"text\":\"The recommended balance between preloaded and just-in-time context also changes with latency requirements, tool reliability, corpus size, model cost and how dynamic the underlying information is.\"},\"tunes\":{}},{\"id\":\"h-related\",\"type\":\"header\",\"data\":{\"text\":\"Related canonical knowledge\",\"level\":2},\"tunes\":{}},{\"id\":\"p-related-1\",\"type\":\"paragraph\",\"data\":{\"text\":\"Context engineering sits between retrieval and generation. RAG explains how external knowledge is retrieved; R01 separates embeddings, vector search and reranking; context engineering explains what eventually reaches the model.\"},\"tunes\":{}},{\"id\":\"ref-rag\",\"type\":\"referralArticle\",\"data\":{\"url\":\"https:\u002F\u002Fstajic.de\u002Fblog\u002Fwhat-is-rag-the-simplest-explanation-of-how-it-works\",\"title\":\"What Is RAG? The Simplest Explanation of How It Works\",\"excerpt\":\"The retrieval foundation for understanding how external knowledge can be supplied to a model before generation.\",\"ctaLabel\":\"Read the RAG foundation\"},\"tunes\":{}},{\"id\":\"p-related-2\",\"type\":\"paragraph\",\"data\":{\"text\":\"Source-of-Truth architecture answers a different question: not which information is present in context, but which source is authorized to establish a claim.\"},\"tunes\":{}},{\"id\":\"p-related-3\",\"type\":\"paragraph\",\"data\":{\"text\":\"The existing article Why More Context Can Make AI Answers Worse is the diagnostic companion to this canonical definition. It focuses on context pollution, position effects, top-k growth, compaction loss and answer degradation rather than redefining context engineering itself.\"},\"tunes\":{}},{\"id\":\"h-faq\",\"type\":\"header\",\"data\":{\"text\":\"Frequently asked questions\",\"level\":2},\"tunes\":{}},{\"id\":\"faq\",\"type\":\"faq\",\"data\":{\"title\":\"Context engineering FAQ\",\"items\":[{\"id\":\"faq1\",\"question\":\"What is context engineering?\",\"answer\":\"Context engineering is the design and runtime management of what information a language model receives at inference time, including instructions, history, retrieved evidence, memory, state, tools and tool results.\"},{\"id\":\"faq2\",\"question\":\"How is context engineering different from prompt engineering?\",\"answer\":\"Prompt engineering focuses on how instructions and examples are written. Context engineering includes prompts but also decides which external information, state, history, memory and tool observations are placed around them.\"},{\"id\":\"faq3\",\"question\":\"Is RAG the same as context engineering?\",\"answer\":\"No. RAG retrieves external information. Context engineering decides how retrieved information is filtered, combined with other state and actually delivered to the model.\"},{\"id\":\"faq4\",\"question\":\"Is memory the same as context?\",\"answer\":\"No. Memory persists information outside the current model call. Context is the subset of information loaded into the current inference.\"},{\"id\":\"faq5\",\"question\":\"Why can more context make an answer worse?\",\"answer\":\"Additional context can introduce noise, stale state, conflicting evidence, duplication and positional competition. Large context capacity does not guarantee equally reliable use of every token.\"},{\"id\":\"faq6\",\"question\":\"What is context compaction?\",\"answer\":\"Compaction summarizes or transforms accumulated history into a smaller representation so a long-running system can continue without replaying every prior token.\"},{\"id\":\"faq7\",\"question\":\"Should current application state be stored in context?\",\"answer\":\"It can be represented in context for reasoning, but consequential operations should often re-read the authoritative source because context snapshots can become stale.\"},{\"id\":\"faq8\",\"question\":\"Is context engineering only needed for AI agents?\",\"answer\":\"No. Agents make context management more dynamic, but RAG systems, assistants, copilots and multi-turn applications also need deliberate context construction.\"}]},\"tunes\":{}},{\"id\":\"h-glossary\",\"type\":\"header\",\"data\":{\"text\":\"Glossary\",\"level\":2},\"tunes\":{}},{\"id\":\"glossary\",\"type\":\"glossary\",\"data\":{\"title\":\"Key context-engineering terms\",\"entries\":[{\"term\":\"Context engineering\",\"definition\":\"The design and runtime management of the information supplied to a language model for a particular inference step.\",\"anchor\":\"context-engineering\"},{\"term\":\"Context window\",\"definition\":\"The model's finite token capacity for the input and, depending on the model interface, associated generated tokens or active sequence.\",\"anchor\":\"context-window\"},{\"term\":\"Prompt engineering\",\"definition\":\"The design of instructions, examples and prompt structure intended to elicit useful model behavior.\",\"anchor\":\"prompt-engineering\"},{\"term\":\"Context assembly\",\"definition\":\"The process of selecting, filtering, ordering and formatting model-visible information before inference.\",\"anchor\":\"context-assembly\"},{\"term\":\"Just-in-time retrieval\",\"definition\":\"Loading information dynamically when the current task requires it instead of preloading all potentially relevant data.\",\"anchor\":\"just-in-time-retrieval\"},{\"term\":\"Compaction\",\"definition\":\"Reducing accumulated context into a smaller representation while attempting to preserve information needed for future steps.\",\"anchor\":\"compaction\"},{\"term\":\"Context pollution\",\"definition\":\"Degradation caused by irrelevant, stale, contradictory or redundant information occupying the model's working context.\",\"anchor\":\"context-pollution\"},{\"term\":\"Application state\",\"definition\":\"The current authoritative condition of the external system, workflow or domain that exists independently of the model context.\",\"anchor\":\"application-state\"},{\"term\":\"Memory\",\"definition\":\"Information stored outside the immediate model invocation for possible use in later turns or sessions.\",\"anchor\":\"memory\"},{\"term\":\"Retrieved context\",\"definition\":\"External information selected by a retrieval system and made available, wholly or partly, to the model.\",\"anchor\":\"retrieved-context\"},{\"term\":\"Position robustness\",\"definition\":\"The degree to which model correctness remains stable when the location or order of relevant context changes.\",\"anchor\":\"position-robustness\"},{\"term\":\"Validity boundary\",\"definition\":\"The scope, time, assumptions, versions and evidence conditions within which a conclusion remains supported.\",\"anchor\":\"validity-boundary\"}]},\"tunes\":{}},{\"id\":\"h-conclusion\",\"type\":\"header\",\"data\":{\"text\":\"Conclusion\",\"level\":2},\"tunes\":{}},{\"id\":\"p-conclusion-1\",\"type\":\"paragraph\",\"data\":{\"text\":\"Context engineering is the layer that decides what the model gets to see before it answers. That makes it broader than prompting and downstream of retrieval, while remaining distinct from durable memory and authoritative application state.\"},\"tunes\":{}},{\"id\":\"p-conclusion-2\",\"type\":\"paragraph\",\"data\":{\"text\":\"A strong context architecture does not treat the context window as a database. It keeps durable state and knowledge outside the model, loads what is required for the current decision, preserves authority and provenance, removes unnecessary noise and refreshes volatile information when needed.\"},\"tunes\":{}},{\"id\":\"p-conclusion-3\",\"type\":\"paragraph\",\"data\":{\"text\":\"The practical objective is therefore not maximum context. It is minimum sufficient, high-signal, correctly authorized and validity-preserving context for the next model decision.\"},\"tunes\":{}},{\"id\":\"h-sources\",\"type\":\"header\",\"data\":{\"text\":\"Primary sources and current guidance\",\"level\":2},\"tunes\":{}},{\"id\":\"p-sources-note\",\"type\":\"paragraph\",\"data\":{\"text\":\"The sources below support the current context-engineering terminology, long-context behavior and operational context-management patterns. Project sections are explicitly implementation evidence rather than universal claims.\"},\"tunes\":{}},{\"id\":\"src-anthropic\",\"type\":\"linkTool\",\"data\":{\"link\":\"https:\u002F\u002Fwww.anthropic.com\u002Fengineering\u002Feffective-context-engineering-for-ai-agents\",\"meta\":{\"image\":{\"url\":\"\"},\"title\":\"Anthropic — Effective context engineering for AI agents\",\"description\":\"Official engineering guidance defining context engineering, just-in-time retrieval, compaction, structured memory and context curation for agents.\"}},\"tunes\":{}},{\"id\":\"src-openai-session\",\"type\":\"linkTool\",\"data\":{\"link\":\"https:\u002F\u002Fdevelopers.openai.com\u002Fcookbook\u002Fexamples\u002Fagents_sdk\u002Fsession_memory\",\"meta\":{\"image\":{\"url\":\"\"},\"title\":\"OpenAI — Context Engineering: Short-Term Memory Management with Sessions\",\"description\":\"Official cookbook guidance on context management, trimming and compression for long-running agent sessions.\"}},\"tunes\":{}},{\"id\":\"src-openai-agents\",\"type\":\"linkTool\",\"data\":{\"link\":\"https:\u002F\u002Fdevelopers.openai.com\u002Fapi\u002Fdocs\u002Fguides\u002Fagents\",\"meta\":{\"image\":{\"url\":\"\"},\"title\":\"OpenAI — Agents guide\",\"description\":\"Current OpenAI developer guidance on agent runtimes, context across steps and orchestration ownership.\"}},\"tunes\":{}},{\"id\":\"src-lost-middle\",\"type\":\"linkTool\",\"data\":{\"link\":\"https:\u002F\u002Farxiv.org\u002Fabs\u002F2307.03172\",\"meta\":{\"image\":{\"url\":\"\"},\"title\":\"Lost in the Middle: How Language Models Use Long Contexts\",\"description\":\"Research showing that long-context model performance can depend strongly on the position of relevant information in the input.\"}},\"tunes\":{}}],\"version\":\"2.31.6\"}",{"time":2021,"blocks":2022,"version":3028},1791480654232,[2023,2027,2032,2037,2042,2046,2050,2054,2058,2062,2066,2070,2074,2078,2104,2108,2112,2116,2120,2172,2176,2201,2205,2209,2213,2217,2221,2226,2230,2234,2238,2242,2249,2253,2257,2261,2266,2270,2274,2278,2282,2286,2308,2312,2316,2320,2324,2328,2332,2336,2340,2344,2348,2352,2356,2360,2364,2368,2372,2397,2401,2405,2409,2413,2418,2422,2426,2430,2435,2439,2443,2447,2451,2455,2460,2491,2495,2499,2542,2546,2590,2594,2598,2602,2609,2613,2617,2621,2625,2629,2633,2637,2641,2645,2667,2672,2676,2713,2717,2754,2758,2793,2797,2839,2843,2847,2851,2855,2859,2863,2867,2871,2875,2879,2883,2887,2894,2898,2902,2906,2935,2939,2976,2980,2984,2988,2992,2996,3000,3007,3014,3021],{"id":214,"data":2024,"type":217,"tunes":2026},{"text":2025},"Context engineering is the design of what information a language model receives at inference time, in what form, in what order and for how long. It is broader than prompt engineering because the model context can include system instructions, user messages, retrieved documents, tool results, memory, current application state, examples, structured data and intermediate artifacts. The goal is not to maximize the number of tokens, but to construct the smallest useful context that preserves the information, constraints and evidence needed for the current task.",{},{"id":220,"data":2028,"type":225,"tunes":2031},{"body":2029,"title":2030,"variant":224},"Prompt engineering asks \u003Cstrong>how should we instruct the model?\u003C\u002Fstrong> Context engineering asks \u003Cstrong>what should the model know right now, and how should that information be assembled?\u003C\u002Fstrong>\u003Cbr>\u003Cbr>Retrieval, memory, state management, tool design, history trimming, compaction and ordering are therefore context-engineering mechanisms when they determine the tokens available to the model before it produces the next output.","Direct answer",{},{"id":228,"data":2033,"type":225,"tunes":2036},{"body":2034,"title":2035,"variant":232},"A system can know something without placing it in the current context. It can remember something outside the model window. It can retrieve a document but later exclude it from the final prompt. The model can only directly use the context that reaches the current inference.","Context is not the same as knowledge or memory",{},{"id":235,"data":2038,"type":225,"tunes":2041},{"body":2039,"title":2040,"variant":239},"Context engineering is now established practical terminology in major AI engineering guidance, but it is not a single formal standard with one mandatory architecture. Anthropic describes it as curating and maintaining the optimal set of tokens for inference; OpenAI's current agent guidance treats session context, trimming and compression as explicit engineering concerns for long-running systems.","Current-source note — 8 October 2026",{},{"id":242,"data":2043,"type":247,"tunes":2045},{"title":2044,"maxLevel":245,"minLevel":246},"Contents",{},{"id":250,"data":2047,"type":41,"tunes":2049},{"text":2048,"level":246},"What context engineering really means",{},{"id":255,"data":2051,"type":217,"tunes":2053},{"text":2052},"Every model call is made under a temporary working environment: the current instructions, messages, retrieved evidence, tool outputs and state that fit into the active context window. Context engineering is the discipline of constructing that environment deliberately.",{},{"id":260,"data":2055,"type":217,"tunes":2057},{"text":2056},"The key word is deliberately. A naive system simply concatenates everything it has: full history, all retrieved documents, every tool response and large system prompts. A context-engineered system decides which information is required for the current decision and which information should remain outside the window until needed.",{},{"id":265,"data":2059,"type":217,"tunes":2061},{"text":2060},"This makes context engineering partly an information-architecture problem, partly a runtime problem and partly an evaluation problem. The design must decide what can enter context, where it comes from, which version is current, how conflicts are resolved, how much detail is retained and how the result is tested.",{},{"id":270,"data":2063,"type":41,"tunes":2065},{"text":2064,"level":246},"The simplest example",{},{"id":275,"data":2067,"type":217,"tunes":2069},{"text":2068},"Imagine an internal support assistant. A user asks: “Can this customer cancel without a fee?”",{},{"id":280,"data":2071,"type":217,"tunes":2073},{"text":2072},"The model might need five things: the current cancellation policy, the customer's current contract type, the effective contract date, the relevant exception rules and the user's authorization scope.",{},{"id":285,"data":2075,"type":217,"tunes":2077},{"text":2076},"It does not necessarily need the entire customer database, the full policy archive, every previous conversation or every support ticket. Context engineering is the process that selects and assembles the five useful pieces while excluding unrelated information.",{},{"id":290,"data":2079,"type":316,"tunes":2103},{"steps":2080,"title":2102,"orientation":315},[2081,2084,2087,2090,2093,2096,2099],{"label":2082,"description":2083},"1. Understand the task","Classify what the current question requires and which information types can affect the answer.",{"label":2085,"description":2086},"2. Resolve authoritative state","Read current application or business state that should not be guessed from memory.",{"label":2088,"description":2089},"3. Retrieve supporting knowledge","Find the policy, documents or external evidence relevant to the specific task.",{"label":2091,"description":2092},"4. Apply eligibility and permissions","Exclude data the current user or runtime is not allowed to expose to the model.",{"label":2094,"description":2095},"5. Reduce and structure","Remove duplication, select useful excerpts and preserve critical metadata, conditions and exceptions.",{"label":2097,"description":2098},"6. Order the context","Place instructions, current state and decisive evidence where the model can use them consistently.",{"label":2100,"description":2101},"7. Run inference","The model receives the assembled context and produces the next answer or action proposal.","From application state to model context",{},{"id":319,"data":2105,"type":41,"tunes":2107},{"text":2106,"level":246},"Where the simple example stops",{},{"id":324,"data":2109,"type":217,"tunes":2111},{"text":2110},"Real systems are more difficult because the information needed for one step may not be known before execution begins. An agent can discover new facts through tools, create intermediate files, receive changing external state or span a task longer than one context window.",{},{"id":329,"data":2113,"type":217,"tunes":2115},{"text":2114},"Context engineering therefore becomes dynamic. The context for step 12 should not simply be step 1 context plus eleven layers of accumulated output. It should reflect the current task state, the decisions that still matter and the evidence required for the next action.",{},{"id":334,"data":2117,"type":41,"tunes":2119},{"text":2118,"level":246},"What can enter a model context?",{},{"id":339,"data":2121,"type":390,"tunes":2171},{"content":2122,"stretched":42,"withHeadings":13},[2123,2127,2131,2135,2139,2143,2147,2151,2155,2159,2163,2167],[2124,2125,2126],"Context component","Purpose","Typical risk",[2128,2129,2130],"System \u002F developer instructions","Define role, constraints, policies and behavior","Too vague, contradictory or overloaded with brittle logic",[2132,2133,2134],"Current user request","Defines immediate task and intent","Ambiguity or conflict with prior history",[2136,2137,2138],"Conversation history","Preserves continuity across turns","Stale assumptions, repetition and token growth",[2140,2141,2142],"Retrieved documents","Provide external knowledge\u002Fevidence","Irrelevance, stale versions, weak authority or duplication",[2144,2145,2146],"Current application state","Supplies volatile business\u002Fsystem facts","Using cached or remembered state instead of current authority",[2148,2149,2150],"Tool definitions","Tell the model what capabilities exist and how to call them","Too many overlapping tools or verbose schemas",[2152,2153,2154],"Tool results","Bring observations from the environment into the loop","Large noisy outputs, untrusted content or obsolete observations",[2156,2157,2158],"Memory","Reintroduces selected information from previous interactions","Staleness, incorrect generalization or over-personalization",[2160,2161,2162],"Examples","Demonstrate desired behavior","Too many edge cases can crowd out the current task",[2164,2165,2166],"Intermediate artifacts","Carry plans, summaries, code, calculations or notes","Old intermediate state may be mistaken for final truth",[2168,2169,2170],"Policies \u002F guardrails","Define prohibited or constrained behavior","Conflict with business logic or hidden enforcement gaps",{},{"id":393,"data":2173,"type":41,"tunes":2175},{"text":2174,"level":246},"Context engineering vs prompt engineering",{},{"id":398,"data":2177,"type":430,"tunes":2200},{"rows":2178,"title":2194,"layout":390,"columns":2195},[2179,2182,2185,2188,2191],{"id":402,"label":2180,"values":2181},"Primary focus",[405,405],{"id":407,"label":2183,"values":2184},"Typical scope",[405,405],{"id":411,"label":2186,"values":2187},"When it changes",[405,405],{"id":415,"label":2189,"values":2190},"Typical failure",[405,405],{"id":419,"label":2192,"values":2193},"Relationship",[405,405],"Prompt engineering and context engineering solve different layers",[2196,2198],{"id":425,"label":2197},"Prompt engineering",{"id":428,"label":2199},"Context engineering",{},{"id":433,"data":2202,"type":217,"tunes":2204},{"text":2203},"Anthropic explicitly describes context engineering as the natural progression of prompt engineering for systems in which the model must work with tools, external data, message history and long-running agent state. The practical distinction is useful because a perfectly written prompt cannot compensate for missing authoritative data or a context polluted by contradictory state.",{},{"id":438,"data":2206,"type":41,"tunes":2208},{"text":2207,"level":246},"Context engineering vs retrieval",{},{"id":443,"data":2210,"type":217,"tunes":2212},{"text":2211},"Retrieval selects candidate information from an external corpus or source. Context engineering decides what happens after and around that retrieval.",{},{"id":448,"data":2214,"type":217,"tunes":2216},{"text":2215},"The retriever may return 30 passages. A reranker may reduce them to 10. The context layer may select four passages, remove duplicates, attach source\u002Fversion metadata, combine them with current application state and place them after the system instructions.",{},{"id":453,"data":2218,"type":217,"tunes":2220},{"text":2219},"This is why a RAG system can retrieve the correct passage and still answer badly: the failure may occur during context assembly rather than retrieval.",{},{"id":458,"data":2222,"type":225,"tunes":2225},{"body":2223,"title":2224,"variant":462},"The correct retrieval result is only useful if it survives filtering, ordering, compression and token-budget decisions and actually reaches the model in a usable form.","Retrieval finds candidates; context engineering constructs the model input",{},{"id":465,"data":2227,"type":41,"tunes":2229},{"text":2228,"level":246},"Context engineering vs memory",{},{"id":470,"data":2231,"type":217,"tunes":2233},{"text":2232},"Memory is information preserved outside the immediate model invocation so it can be used again later. Context is the information actually loaded into the current invocation.",{},{"id":475,"data":2235,"type":217,"tunes":2237},{"text":2236},"A memory system may contain thousands of facts, notes or prior decisions. Context engineering selects which of those should be reintroduced for the current task. Loading all memory on every turn defeats the purpose of having an external memory layer.",{},{"id":480,"data":2239,"type":217,"tunes":2241},{"text":2240},"The distinction becomes crucial for volatile state. A remembered project status or user preference can be useful, but current authoritative state may need to be re-read before a consequential decision.",{},{"id":485,"data":2243,"type":491,"tunes":2248},{"url":2244,"title":2245,"excerpt":2246,"ctaLabel":2247},"https:\u002F\u002Fstajic.de\u002Fblog\u002Fai-agent-memory-is-not-rag-how-to-separate-memory-retrieval-state-and-context","AI Agent Memory Is Not RAG: How to Separate Memory, Retrieval, State and Context","A practical architecture separating what persists, what is authoritative now, what is retrieved and what the model actually receives.","Read the memory architecture article",{},{"id":494,"data":2250,"type":41,"tunes":2252},{"text":2251,"level":246},"Context engineering vs application state",{},{"id":499,"data":2254,"type":217,"tunes":2256},{"text":2255},"Application state is the current condition of the outside system: account balance, ticket status, file version, workflow stage, deployment state or task progress.",{},{"id":504,"data":2258,"type":217,"tunes":2260},{"text":2259},"State can be summarized into context, but the summary is not the state itself. For consequential operations, the runtime may need to re-read the authoritative system immediately before the action rather than trust an earlier model-visible snapshot.",{},{"id":509,"data":2262,"type":225,"tunes":2265},{"body":2263,"title":2264,"variant":232},"Once state is copied into a prompt, it can become stale. Context engineering must define when volatile state needs refreshing and which operations require a new authoritative read.","Context is a snapshot",{},{"id":515,"data":2267,"type":41,"tunes":2269},{"text":2268,"level":246},"Tool design is part of context engineering",{},{"id":520,"data":2271,"type":217,"tunes":2273},{"text":2272},"Tools do more than give agents capabilities. Tool names, descriptions, schemas and results become model-visible information that shapes decisions.",{},{"id":525,"data":2275,"type":217,"tunes":2277},{"text":2276},"Anthropic's current context-engineering guidance emphasizes token-efficient tools and warns against bloated tool sets with overlapping functionality. A tool catalog that is difficult for a human to distinguish is also difficult for a model to route reliably.",{},{"id":530,"data":2279,"type":217,"tunes":2281},{"text":2280},"Tool outputs also need context discipline. Returning an entire 20,000-line log when the agent requested one error condition consumes attention and can bury the decisive evidence.",{},{"id":535,"data":2283,"type":41,"tunes":2285},{"text":2284,"level":246},"Just-in-time context vs preloaded context",{},{"id":540,"data":2287,"type":430,"tunes":2307},{"rows":2288,"title":2301,"layout":390,"columns":2302},[2289,2292,2295,2298],{"id":544,"label":2290,"values":2291},"Method",[405,405],{"id":548,"label":2293,"values":2294},"Strength",[405,405],{"id":552,"label":2296,"values":2297},"Risk",[405,405],{"id":556,"label":2299,"values":2300},"Useful when",[405,405],"Two ways to supply information",[2303,2305],{"id":562,"label":2304},"Preloaded context",{"id":565,"label":2306},"Just-in-time context",{},{"id":569,"data":2309,"type":217,"tunes":2311},{"text":2310},"Anthropic describes a hybrid pattern in which some stable context is preloaded while agents retrieve additional information at runtime. This is a useful architecture pattern because not every important fact deserves permanent residency in the context window.",{},{"id":574,"data":2313,"type":41,"tunes":2315},{"text":2314,"level":246},"Context is a budget, not a storage system",{},{"id":579,"data":2317,"type":217,"tunes":2319},{"text":2318},"A context window defines capacity. It does not guarantee that every token will be used equally well. The model must distribute attention across instructions, history, evidence, tools and intermediate state.",{},{"id":584,"data":2321,"type":217,"tunes":2323},{"text":2322},"The practical objective is therefore not “fill the window.” It is to maximize the utility of the limited attention budget.",{},{"id":589,"data":2325,"type":217,"tunes":2327},{"text":2326},"Anthropic formulates a similar principle as finding the smallest high-signal set of tokens that maximizes the probability of the desired behavior. OpenAI's context-management guidance likewise warns that uncurated history, redundant tool results and noisy retrieval can overwhelm even large windows.",{},{"id":594,"data":2329,"type":41,"tunes":2331},{"text":2330,"level":246},"Why more context can be worse",{},{"id":599,"data":2333,"type":217,"tunes":2335},{"text":2334},"Additional context can introduce irrelevant information, stale state, duplicate evidence, contradictory instructions or positional competition. It can also cause compaction systems to discard details that later become important.",{},{"id":604,"data":2337,"type":217,"tunes":2339},{"text":2338},"The classic Lost in the Middle study demonstrated that long-context models can use information differently depending on where relevant content appears, with performance often degrading when decisive information is placed in the middle of long inputs.",{},{"id":609,"data":2341,"type":217,"tunes":2343},{"text":2342},"This does not mean long context is inherently bad. It means availability inside the window is not the same as reliable utilization.",{},{"id":614,"data":2345,"type":41,"tunes":2347},{"text":2346,"level":246},"Context ordering should be intentional",{},{"id":619,"data":2349,"type":217,"tunes":2351},{"text":2350},"Context construction is also an ordering problem. Critical instructions, current state, decisive evidence and task-specific constraints should not be concatenated arbitrarily.",{},{"id":624,"data":2353,"type":217,"tunes":2355},{"text":2354},"There is no universal perfect ordering for every model and task. The architecture should therefore test whether reordering evidence changes correctness and whether important information remains robust across realistic context variations.",{},{"id":629,"data":2357,"type":217,"tunes":2359},{"text":2358},"A stable answer that changes dramatically when two equally valid passages swap positions indicates context sensitivity that should be measured rather than ignored.",{},{"id":634,"data":2361,"type":41,"tunes":2363},{"text":2362,"level":246},"Conflicting context needs explicit precedence",{},{"id":639,"data":2365,"type":217,"tunes":2367},{"text":2366},"A model may receive an old policy and a new policy, a remembered preference and a current explicit instruction, or a cached status and a live API result. The system should not expect the model to infer precedence from prose style.",{},{"id":644,"data":2369,"type":217,"tunes":2371},{"text":2370},"Context engineering should encode precedence through source selection, metadata, ordering or explicit instructions: current authoritative state overrides stale copies; explicit current user instruction overrides older inferred preference; approved policy supersedes obsolete drafts.",{},{"id":649,"data":2373,"type":390,"tunes":2396},{"content":2374,"stretched":42,"withHeadings":13},[2375,2378,2381,2384,2387,2390,2393],[2376,2377],"Conflict","Preferred context rule",[2379,2380],"Current state vs remembered state","Refresh and prefer the authoritative current source.",[2382,2383],"Current policy vs superseded policy","Include current version; keep old version only when historical comparison is required.",[2385,2386],"Explicit user instruction vs old inferred preference","Prefer the current explicit instruction.",[2388,2389],"Primary source vs secondary summary","Use primary source for claims that require authority; summary may support explanation.",[2391,2392],"Tool observation vs model prior","Prefer current observed state when the tool is authoritative for that fact.",[2394,2395],"Two unresolved authoritative sources","Expose the conflict rather than fabricating one consistent answer.",{},{"id":675,"data":2398,"type":41,"tunes":2400},{"text":2399,"level":246},"Compaction is context transformation, not lossless storage",{},{"id":680,"data":2402,"type":217,"tunes":2404},{"text":2403},"Long-running systems eventually need to trim, summarize or compact history. Compaction creates a new representation of prior context so the agent can continue without replaying every token.",{},{"id":685,"data":2406,"type":217,"tunes":2408},{"text":2407},"OpenAI's context-management examples use trimming and compression for long-running sessions. Anthropic describes compaction as a primary technique for maintaining coherence when an interaction approaches the context limit.",{},{"id":690,"data":2410,"type":217,"tunes":2412},{"text":2411},"The difficult part is deciding what cannot be safely removed: unresolved tasks, identifiers, user constraints, security boundaries, architecture decisions, exceptions, source provenance and the conditions that make a previous conclusion valid.",{},{"id":695,"data":2414,"type":225,"tunes":2417},{"body":2415,"title":2416,"variant":232},"If compaction keeps “use approach X” but discards why X was chosen, which version was tested or what condition would invalidate it, later responses can remain internally consistent while becoming externally wrong.","A summary can preserve the conclusion and destroy the reason",{},{"id":701,"data":2419,"type":41,"tunes":2421},{"text":2420,"level":246},"Preserve validity boundaries",{},{"id":706,"data":2423,"type":217,"tunes":2425},{"text":2424},"Important conclusions should carry the conditions under which they remain supported: version, date, scope, assumptions, source authority and unresolved disagreement.",{},{"id":711,"data":2427,"type":217,"tunes":2429},{"text":2428},"Context engineering is therefore connected to the Answer Validity Boundary. The context assembler should not strip away the metadata that determines whether evidence still applies.",{},{"id":716,"data":2431,"type":491,"tunes":2434},{"url":2432,"title":719,"excerpt":2433,"ctaLabel":721},"https:\u002F\u002Fstajic.de\u002Fblog\u002Fthe-answer-validity-boundary-the-missing-layer-between-relevance-and-reliable-ai-answers","A framework for preserving the scope, assumptions, versions and evidence conditions under which an AI claim remains supported.",{},{"id":724,"data":2436,"type":41,"tunes":2438},{"text":2437,"level":246},"Context engineering is also a security boundary",{},{"id":729,"data":2440,"type":217,"tunes":2442},{"text":2441},"Data that reaches the model has crossed an important system boundary. Context assembly must therefore respect authorization, tenant isolation, confidentiality and data-minimization rules.",{},{"id":734,"data":2444,"type":217,"tunes":2446},{"text":2445},"A retriever may technically find a passage the current user cannot access. The correct design is to prevent that passage from entering model context rather than rely on the model to ignore it.",{},{"id":739,"data":2448,"type":217,"tunes":2450},{"text":2449},"Tool outputs can also contain untrusted instructions or adversarial content. Context engineering should preserve the distinction between application instructions and external data so retrieved text cannot silently acquire instruction authority.",{},{"id":744,"data":2452,"type":41,"tunes":2454},{"text":2453,"level":246},"A practical context-engineering architecture",{},{"id":749,"data":2456,"type":225,"tunes":2459},{"body":2457,"title":2458,"variant":239},"The following layers are a practical synthesis for production systems, not a formal industry standard. The purpose is to keep information ownership separate from the temporary model-facing context.","Proposed architecture model",{},{"id":755,"data":2461,"type":390,"tunes":2490},{"content":2462,"stretched":42,"withHeadings":13},[2463,2466,2469,2472,2475,2478,2481,2484,2487],[2464,2465],"Layer","Responsibility",[2467,2468],"Authoritative systems","Own current business\u002Fsystem state and official records.",[2470,2471],"Knowledge sources","Own documents, policies, specifications, research or external evidence.",[2473,2474],"Memory store","Preserves selected information across turns or sessions.",[2476,2477],"Retrieval layer","Locates task-relevant candidates from external sources.",[2479,2480],"Tool\u002Fruntime layer","Reads state, performs actions and returns observations.",[2482,2483],"Context assembler","Selects, filters, deduplicates, orders and formats model-visible information.",[2485,2486],"Model","Reasons and generates over the assembled context.",[2488,2489],"Validation\u002Fevaluation","Checks whether selected context and resulting output satisfy task-specific requirements.",{},{"id":787,"data":2492,"type":217,"tunes":2494},{"text":2493},"The context assembler is conceptually important even when no module has that exact name. In a small application it may be ordinary application code. In a large agent platform it may combine session management, retrieval, memory, tool middleware, compaction and policy enforcement.",{},{"id":792,"data":2496,"type":41,"tunes":2498},{"text":2497,"level":246},"A practical context construction policy",{},{"id":797,"data":2500,"type":390,"tunes":2541},{"content":2501,"stretched":42,"withHeadings":13},[2502,2505,2508,2511,2514,2517,2520,2523,2526,2529,2532,2535,2538],[2503,2504],"Rule","Why it matters",[2506,2507],"Start from the current task","Do not carry information merely because it existed earlier.",[2509,2510],"Re-read volatile state","Memory and old context can be stale.",[2512,2513],"Retrieve just enough evidence","Large candidate sets can dilute decisive information.",[2515,2516],"Preserve source metadata","Version, date and authority determine whether evidence still applies.",[2518,2519],"Remove duplicate content","Redundancy consumes tokens without adding information.",[2521,2522],"Prefer structured summaries for large tool output","Expose decisive fields instead of raw noise where fidelity permits.",[2524,2525],"Keep rules with exceptions","Separating a rule from its exception creates false certainty.",[2527,2528],"Make precedence explicit","Do not ask the model to infer which conflicting source wins.",[2530,2531],"Keep durable state outside context","Context is temporary working memory, not the database.",[2533,2534],"Compact with retention tests","Verify that identifiers, constraints, provenance and unresolved state survive.",[2536,2537],"Measure order sensitivity","Correctness should not depend accidentally on arbitrary document ordering.",[2539,2540],"Evaluate context separately from model quality","A stronger model cannot compensate reliably for missing or unauthorized evidence.",{},{"id":841,"data":2543,"type":41,"tunes":2545},{"text":2544,"level":246},"How to evaluate context engineering",{},{"id":846,"data":2547,"type":390,"tunes":2589},{"content":2548,"stretched":42,"withHeadings":13},[2549,2553,2557,2561,2565,2569,2573,2577,2581,2585],[2550,2551,2552],"Property","Question","Example test",[2554,2555,2556],"Sufficiency","Does the context contain everything required to solve the task?","Remove one evidence item and observe whether the answer becomes unsupported.",[2558,2559,2560],"Relevance","How much context is unnecessary for the task?","Measure quality as irrelevant passages are added or removed.",[2562,2563,2564],"Authority","Are decisive claims grounded in the correct source class?","Inject a more fluent but non-authoritative conflicting source.",[2566,2567,2568],"Freshness","Does current state override stale copies?","Change authoritative state after a previous turn and rerun.",[2570,2571,2572],"Position robustness","Does answer quality depend strongly on evidence position?","Randomize candidate ordering across repeated trials.",[2574,2575,2576],"Conflict handling","Does the model follow explicit precedence rules?","Present old and new state together.",[2578,2579,2580],"Compaction retention","Does summarization preserve constraints and validity boundaries?","Compare pre\u002Fpost-compaction task performance.",[2582,2583,2584],"Token efficiency","Does extra context improve quality enough to justify latency\u002Fcost?","Run controlled context-size ablations.",[2586,2587,2588],"Security","Can unauthorized or adversarial content enter model context?","Test tenant, permission and prompt-injection boundaries.",{},{"id":891,"data":2591,"type":41,"tunes":2593},{"text":2592,"level":246},"Context assembly is a distinct RAG failure layer",{},{"id":896,"data":2595,"type":217,"tunes":2597},{"text":2596},"A RAG pipeline can succeed at retrieval and still fail downstream. The relevant source may appear at rank 2, yet the context assembler can drop it, truncate it, combine it with stale contradictory material or exceed the token budget.",{},{"id":901,"data":2599,"type":217,"tunes":2601},{"text":2600},"This is why retrieval traces should be compared with the actual context sent to the model. Without that comparison, context failures are easily misdiagnosed as embedding or model failures.",{},{"id":906,"data":2603,"type":491,"tunes":2608},{"url":2604,"title":2605,"excerpt":2606,"ctaLabel":2607},"https:\u002F\u002Fstajic.de\u002Fblog\u002Frag-failed-but-which-layer-actually-failed-a-diagnostic-method","RAG Failed — But Which Layer Actually Failed? A Diagnostic Method","A layer-by-layer approach to separating source coverage, retrieval, ranking, context assembly, generation, evidence attribution and freshness failures.","Read the RAG diagnostic method",{},{"id":914,"data":2610,"type":41,"tunes":2612},{"text":2611,"level":246},"Original implementation evidence",{},{"id":919,"data":2614,"type":41,"tunes":2616},{"text":2615,"level":245},"Source of Truth Research Engine: bounded research instead of unlimited context",{},{"id":924,"data":2618,"type":217,"tunes":2620},{"text":2619},"The Source of Truth Research Engine separates discovery, acquisition, extraction, verification, contradiction analysis and synthesis into bounded research stages instead of sending one huge research task and all accumulated material into a single model call.",{},{"id":929,"data":2622,"type":217,"tunes":2624},{"text":2623},"Its evidence model stores Sources, Artifacts, Claims, Relations, Contradictions and provenance outside the model context. The model can receive the subset needed for the current research step while durable evidence remains in the external store.",{},{"id":934,"data":2626,"type":217,"tunes":2628},{"text":2627},"That is a concrete context-engineering pattern: durable research state lives outside the model window; the active model context is reconstructed for the current stage.",{},{"id":939,"data":2630,"type":41,"tunes":2632},{"text":2631,"level":245},"Aaasaasa AI Client: runtime, permissions and context are separate concerns",{},{"id":944,"data":2634,"type":217,"tunes":2636},{"text":2635},"Aaasaasa AI Client separates provider\u002Fmodel selection, runtime location, workspace permissions, local resources and tool access. This prevents the model context from becoming the owner of authorization or application state.",{},{"id":949,"data":2638,"type":217,"tunes":2640},{"text":2639},"Direct Chat and agentic runtimes can have different tool capabilities. Workspace permission profiles are enforced by the runtime rather than merely described in natural-language context. This distinction is important: context can tell a model what it should do, while the runtime must still enforce what it is actually allowed to do.",{},{"id":954,"data":2642,"type":217,"tunes":2644},{"text":2643},"The implementation evidence here is architectural separation, not a claim that every advanced context-management technique described in this article is already implemented.",{},{"id":959,"data":2646,"type":390,"tunes":2666},{"content":2647,"stretched":42,"withHeadings":13},[2648,2651,2654,2657,2660,2663],[2649,2650],"Implementation pattern","Context-engineering lesson",[2652,2653],"External evidence store","Durable knowledge does not need to remain in the model window.",[2655,2656],"Bounded research stages","Different steps can receive different context instead of accumulating one giant history.",[2658,2659],"Claims + provenance outside context","Evidence identity survives beyond temporary inference state.",[2661,2662],"Runtime-enforced permissions","Security authority does not depend on the model remembering an instruction.",[2664,2665],"Separate local\u002Fprovider\u002Fmodel\u002Fruntime concepts","Context is only one layer of the wider AI application architecture.",{},{"id":982,"data":2668,"type":225,"tunes":2671},{"body":2669,"title":2670,"variant":239},"These implementations support the architectural separation between durable state, retrieval, runtime controls and model-facing context. They are not presented as benchmark proof that one context strategy is universally optimal.","Evidence boundary",{},{"id":988,"data":2673,"type":41,"tunes":2675},{"text":2674,"level":246},"Common context-engineering failure modes",{},{"id":993,"data":2677,"type":390,"tunes":2712},{"content":2678,"stretched":42,"withHeadings":13},[2679,2682,2685,2688,2691,2694,2697,2700,2703,2706,2709],[2680,2681],"Failure mode","What goes wrong",[2683,2684],"Replay the entire conversation forever","Old assumptions, repetition and token growth overwhelm current intent.",[2686,2687],"Put every retrieved result into the prompt","Noise, duplication and conflicting versions dilute decisive evidence.",[2689,2690],"Use memory as current state","Stale information silently replaces authoritative live state.",[2692,2693],"Return raw tool output","Large logs or responses consume attention without adding decision value.",[2695,2696],"Hide tool descriptions behind vague names","The model cannot reliably decide which capability to use.",[2698,2699],"Compact without retention tests","Critical constraints, identifiers or exceptions disappear.",[2701,2702],"Mix instructions and untrusted data","External content can be interpreted as higher-authority instruction.",[2704,2705],"Use one static context template for every task","Different tasks receive irrelevant information and miss task-specific evidence.",[2707,2708],"Ignore source version\u002Fdate","Stale but relevant evidence can dominate current authoritative state.",[2710,2711],"Treat a larger context window as a quality guarantee","Capacity increases while attention and conflict problems remain.",{},{"id":1031,"data":2714,"type":41,"tunes":2716},{"text":2715,"level":246},"Common misconceptions",{},{"id":1036,"data":2718,"type":390,"tunes":2753},{"content":2719,"stretched":42,"withHeadings":13},[2720,2723,2726,2729,2732,2735,2738,2741,2744,2747,2750],[2721,2722],"Misconception","Correction",[2724,2725],"“Context engineering is just prompt engineering with a new name.”","Prompts are one component; context engineering also covers retrieval, memory, state, tool results, history and compaction.",[2727,2728],"“Context means chat history.”","History is only one possible context source.",[2730,2731],"“More context is always better.”","Additional information can reduce signal, introduce conflicts and increase cost.",[2733,2734],"“If retrieval found it, the model saw it.”","Retrieved candidates can be filtered, truncated or omitted before inference.",[2736,2737],"“Long context removes the need for RAG.”","Large windows increase capacity but do not solve freshness, authority, permissions or dynamic retrieval.",[2739,2740],"“Memory should always be loaded.”","Memory should be selected according to the current task.",[2742,2743],"“A summary preserves everything important.”","Compaction is lossy unless explicitly evaluated for retention.",[2745,2746],"“Instructions can enforce permissions.”","Authorization must be enforced by runtime\u002Fapplication controls, not only by context.",[2748,2749],"“One context recipe works for every model.”","Context sensitivity varies by model, task, corpus and runtime.",[2751,2752],"“Context engineering is only for agents.”","Agents amplify the need, but ordinary RAG and conversational applications also require context construction.",{},{"id":1074,"data":2755,"type":41,"tunes":2757},{"text":2756,"level":246},"A practical context-engineering sequence",{},{"id":1079,"data":2759,"type":316,"tunes":2792},{"steps":2760,"title":2791,"orientation":315},[2761,2764,2767,2770,2773,2776,2779,2782,2785,2788],{"label":2762,"description":2763},"1. Define the next model decision","Specify what the model must answer, classify, plan or choose at this step.",{"label":2765,"description":2766},"2. Identify required facts and constraints","List the minimum state, rules, evidence and instructions that can materially change the result.",{"label":2768,"description":2769},"3. Resolve authority and permissions","Determine which sources are current, authoritative and accessible to the current principal.",{"label":2771,"description":2772},"4. Retrieve or read on demand","Acquire the necessary evidence and volatile state rather than relying on stale context.",{"label":2774,"description":2775},"5. Reduce noise","Deduplicate, summarize or select passages without discarding decisive exceptions or provenance.",{"label":2777,"description":2778},"6. Structure and order","Make instructions, current state, evidence and tool observations distinguishable.",{"label":2780,"description":2781},"7. Fit the token budget","Prefer high-signal context and move durable information outside the window.",{"label":2783,"description":2784},"8. Run the model","Execute inference over the assembled context.",{"label":2786,"description":2787},"9. Observe failures","Capture whether the problem came from missing, stale, noisy, conflicting or poorly ordered context.",{"label":2789,"description":2790},"10. Re-evaluate after model\u002Fruntime changes","A context strategy is only valid for the models, tools and workloads on which it was tested.","Construct context from the current decision backward",{},{"id":1115,"data":2794,"type":41,"tunes":2796},{"text":2795,"level":246},"Context-engineering checklist",{},{"id":1120,"data":2798,"type":390,"tunes":2838},{"content":2799,"stretched":42,"withHeadings":13},[2800,2802,2805,2808,2811,2814,2817,2820,2823,2826,2829,2832,2835],[2551,2801],"Expected answer",[2803,2804],"What exact decision will the model make next?","A bounded task, not a vague long-term objective.",[2806,2807],"Which information can materially change that decision?","Explicit minimum evidence\u002Fstate set.",[2809,2810],"Which data is authoritative now?","Current source\u002Fversion and freshness rule.",[2812,2813],"Which data is optional background?","Separated from decisive evidence.",[2815,2816],"What must not enter context?","Unauthorized, unnecessary or overly sensitive data.",[2818,2819],"Which memory items are relevant?","Selected by task, not replayed automatically.",[2821,2822],"Which tool outputs should be reduced?","Large responses are transformed into decision-relevant form.",[2824,2825],"Which constraints must survive compaction?","Identifiers, exceptions, obligations, unresolved state and provenance.",[2827,2828],"How is precedence represented?","Current\u002Fauthoritative information can reliably override stale or weaker sources.",[2830,2831],"How will you know context failed?","Context-specific evals and traces exist.",[2833,2834],"Can the answer be reproduced?","Model input or reconstructable context trace is available where appropriate.",[2836,2837],"Can a stronger or larger model change the strategy?","Context policy is version-aware and reevaluated empirically.",{},{"id":1163,"data":2840,"type":41,"tunes":2842},{"text":2841,"level":246},"Edge cases and limitations",{},{"id":1168,"data":2844,"type":217,"tunes":2846},{"text":2845},"Some tasks are simple enough that context engineering reduces to a short system prompt and one user message. Adding retrieval, memory and compaction would only introduce unnecessary architecture.",{},{"id":1173,"data":2848,"type":217,"tunes":2850},{"text":2849},"Some tasks require high recall and may intentionally include more context before later synthesis. Research, discovery and legal review can prefer omission avoidance over minimal token count.",{},{"id":1178,"data":2852,"type":217,"tunes":2854},{"text":2853},"Some information should never be summarized before use. Exact contracts, code, cryptographic material, numerical records and regulatory text may require verbatim or structured retrieval where compression could alter meaning.",{},{"id":1183,"data":2856,"type":217,"tunes":2858},{"text":2857},"Long-context behavior varies substantially between models. A strategy validated on one model, context length or tool harness should not automatically be transferred to another.",{},{"id":1188,"data":2860,"type":217,"tunes":2862},{"text":2861},"The model can still ignore or misinterpret excellent context. Context engineering improves the information environment; it does not guarantee reasoning correctness.",{},{"id":1193,"data":2864,"type":41,"tunes":2866},{"text":2865,"level":246},"What would change this answer?",{},{"id":1198,"data":2868,"type":217,"tunes":2870},{"text":2869},"Future models may become more robust to long context, positional effects and conflicting information. That could reduce the amount of manual curation required.",{},{"id":1203,"data":2872,"type":217,"tunes":2874},{"text":2873},"The architectural distinction would still remain useful because permissions, freshness, memory persistence, source authority and external application state exist outside the model regardless of context-window size.",{},{"id":1208,"data":2876,"type":217,"tunes":2878},{"text":2877},"The recommended balance between preloaded and just-in-time context also changes with latency requirements, tool reliability, corpus size, model cost and how dynamic the underlying information is.",{},{"id":1213,"data":2880,"type":41,"tunes":2882},{"text":2881,"level":246},"Related canonical knowledge",{},{"id":1218,"data":2884,"type":217,"tunes":2886},{"text":2885},"Context engineering sits between retrieval and generation. RAG explains how external knowledge is retrieved; R01 separates embeddings, vector search and reranking; context engineering explains what eventually reaches the model.",{},{"id":1223,"data":2888,"type":491,"tunes":2893},{"url":2889,"title":2890,"excerpt":2891,"ctaLabel":2892},"https:\u002F\u002Fstajic.de\u002Fblog\u002Fwhat-is-rag-the-simplest-explanation-of-how-it-works","What Is RAG? The Simplest Explanation of How It Works","The retrieval foundation for understanding how external knowledge can be supplied to a model before generation.","Read the RAG foundation",{},{"id":1231,"data":2895,"type":217,"tunes":2897},{"text":2896},"Source-of-Truth architecture answers a different question: not which information is present in context, but which source is authorized to establish a claim.",{},{"id":1236,"data":2899,"type":217,"tunes":2901},{"text":2900},"The existing article Why More Context Can Make AI Answers Worse is the diagnostic companion to this canonical definition. It focuses on context pollution, position effects, top-k growth, compaction loss and answer degradation rather than redefining context engineering itself.",{},{"id":1241,"data":2903,"type":41,"tunes":2905},{"text":2904,"level":246},"Frequently asked questions",{},{"id":1246,"data":2907,"type":1246,"tunes":2934},{"items":2908,"title":2933},[2909,2912,2915,2918,2921,2924,2927,2930],{"id":1250,"answer":2910,"question":2911},"Context engineering is the design and runtime management of what information a language model receives at inference time, including instructions, history, retrieved evidence, memory, state, tools and tool results.","What is context engineering?",{"id":1254,"answer":2913,"question":2914},"Prompt engineering focuses on how instructions and examples are written. Context engineering includes prompts but also decides which external information, state, history, memory and tool observations are placed around them.","How is context engineering different from prompt engineering?",{"id":1258,"answer":2916,"question":2917},"No. RAG retrieves external information. Context engineering decides how retrieved information is filtered, combined with other state and actually delivered to the model.","Is RAG the same as context engineering?",{"id":1262,"answer":2919,"question":2920},"No. Memory persists information outside the current model call. Context is the subset of information loaded into the current inference.","Is memory the same as context?",{"id":1266,"answer":2922,"question":2923},"Additional context can introduce noise, stale state, conflicting evidence, duplication and positional competition. Large context capacity does not guarantee equally reliable use of every token.","Why can more context make an answer worse?",{"id":1270,"answer":2925,"question":2926},"Compaction summarizes or transforms accumulated history into a smaller representation so a long-running system can continue without replaying every prior token.","What is context compaction?",{"id":1274,"answer":2928,"question":2929},"It can be represented in context for reasoning, but consequential operations should often re-read the authoritative source because context snapshots can become stale.","Should current application state be stored in context?",{"id":1278,"answer":2931,"question":2932},"No. Agents make context management more dynamic, but RAG systems, assistants, copilots and multi-turn applications also need deliberate context construction.","Is context engineering only needed for AI agents?","Context engineering FAQ",{},{"id":1284,"data":2936,"type":41,"tunes":2938},{"text":2937,"level":246},"Glossary",{},{"id":1289,"data":2940,"type":1289,"tunes":2975},{"title":2941,"entries":2942},"Key context-engineering terms",[2943,2945,2948,2950,2953,2956,2959,2962,2965,2967,2970,2972],{"term":2199,"anchor":1294,"definition":2944},"The design and runtime management of the information supplied to a language model for a particular inference step.",{"term":2946,"anchor":1298,"definition":2947},"Context window","The model's finite token capacity for the input and, depending on the model interface, associated generated tokens or active sequence.",{"term":2197,"anchor":1301,"definition":2949},"The design of instructions, examples and prompt structure intended to elicit useful model behavior.",{"term":2951,"anchor":1305,"definition":2952},"Context assembly","The process of selecting, filtering, ordering and formatting model-visible information before inference.",{"term":2954,"anchor":1309,"definition":2955},"Just-in-time retrieval","Loading information dynamically when the current task requires it instead of preloading all potentially relevant data.",{"term":2957,"anchor":1313,"definition":2958},"Compaction","Reducing accumulated context into a smaller representation while attempting to preserve information needed for future steps.",{"term":2960,"anchor":1317,"definition":2961},"Context pollution","Degradation caused by irrelevant, stale, contradictory or redundant information occupying the model's working context.",{"term":2963,"anchor":1321,"definition":2964},"Application state","The current authoritative condition of the external system, workflow or domain that exists independently of the model context.",{"term":2156,"anchor":1324,"definition":2966},"Information stored outside the immediate model invocation for possible use in later turns or sessions.",{"term":2968,"anchor":1328,"definition":2969},"Retrieved context","External information selected by a retrieval system and made available, wholly or partly, to the model.",{"term":2570,"anchor":1331,"definition":2971},"The degree to which model correctness remains stable when the location or order of relevant context changes.",{"term":2973,"anchor":1335,"definition":2974},"Validity boundary","The scope, time, assumptions, versions and evidence conditions within which a conclusion remains supported.",{},{"id":1339,"data":2977,"type":41,"tunes":2979},{"text":2978,"level":246},"Conclusion",{},{"id":1344,"data":2981,"type":217,"tunes":2983},{"text":2982},"Context engineering is the layer that decides what the model gets to see before it answers. That makes it broader than prompting and downstream of retrieval, while remaining distinct from durable memory and authoritative application state.",{},{"id":1349,"data":2985,"type":217,"tunes":2987},{"text":2986},"A strong context architecture does not treat the context window as a database. It keeps durable state and knowledge outside the model, loads what is required for the current decision, preserves authority and provenance, removes unnecessary noise and refreshes volatile information when needed.",{},{"id":1354,"data":2989,"type":217,"tunes":2991},{"text":2990},"The practical objective is therefore not maximum context. It is minimum sufficient, high-signal, correctly authorized and validity-preserving context for the next model decision.",{},{"id":1359,"data":2993,"type":41,"tunes":2995},{"text":2994,"level":246},"Primary sources and current guidance",{},{"id":1364,"data":2997,"type":217,"tunes":2999},{"text":2998},"The sources below support the current context-engineering terminology, long-context behavior and operational context-management patterns. Project sections are explicitly implementation evidence rather than universal claims.",{},{"id":1369,"data":3001,"type":1376,"tunes":3006},{"link":1371,"meta":3002},{"image":3003,"title":3004,"description":3005},{"url":405},"Anthropic — Effective context engineering for AI agents","Official engineering guidance defining context engineering, just-in-time retrieval, compaction, structured memory and context curation for agents.",{},{"id":1379,"data":3008,"type":1376,"tunes":3013},{"link":1381,"meta":3009},{"image":3010,"title":3011,"description":3012},{"url":405},"OpenAI — Context Engineering: Short-Term Memory Management with Sessions","Official cookbook guidance on context management, trimming and compression for long-running agent sessions.",{},{"id":1388,"data":3015,"type":1376,"tunes":3020},{"link":1390,"meta":3016},{"image":3017,"title":3018,"description":3019},{"url":405},"OpenAI — Agents guide","Current OpenAI developer guidance on agent runtimes, context across steps and orchestration ownership.",{},{"id":1397,"data":3022,"type":1376,"tunes":3027},{"link":1399,"meta":3023},{"image":3024,"title":3025,"description":3026},{"url":405},"Lost in the Middle: How Language Models Use Long Contexts","Research showing that long-context model performance can depend strongly on the position of relevant information in the input.",{},"2.31.6","Context engineering designs what information an AI model receives before inference, including prompts, retrieval, memory, application state, tool results and conversation history.","Post erfolgreich abgerufen",{"items":3032,"source":3115,"manualIds":3116,"manualMatchedIds":3117},[3033,3040,3046,3053,3060,3067,3074,3081,3087,3094,3101,3108],{"id":3034,"slug":3035,"title":3036,"excerpt":3037,"featuredImage":3038,"publishedAt":3039},"487","vector-databases-embeddings-and-reranking-three-different-parts-of-retrieval","Vektordatenbanken, Embeddings und Reranking: Drei verschiedene Teile des Retrievals","Embeddings repräsentieren Bedeutung, Vektordatenbanken rufen Kandidaten ab und Reranker verfeinern Ergebnisse. Erfahren Sie, wie sich diese drei Retrieval-Ebenen unterscheiden und in RAG zusammenwirken.","\u002Fuploads\u002F2026\u002F10\u002Fvector-databases-embeddings-and-reranking-three-different-parts-of-retrieval-1791480129884-9dtasz.webp","2026-10-08T11:21:00.000Z",{"id":3041,"slug":3042,"title":3043,"excerpt":9,"featuredImage":3044,"publishedAt":3045},"369","git-with-automatic-upload-and-synchronization-to-a-production-server","Git with automatic upload and synchronization to a production server","\u002Fuploads\u002F2024\u002F05\u002Fstep-by-step-guide-illustration-showing-the-process-of-setting-up-Git-with-auto-upload-and-synchronization-to-a-production-server-large.webp","2024-05-28T22:48:00.000Z",{"id":3047,"slug":3048,"title":3049,"excerpt":3050,"featuredImage":3051,"publishedAt":3052},"363","front-und-backend-entwicklung","Frontend- und Backend-Entwicklung","Front-End- und Back-End-Entwicklung ist ein wesentlicher Bestandteil der Webentwicklung und umfasst die Erstellung von Webanwendungen und Websites. Die Front-End-Entwicklung konzentriert sich auf die Benutzeroberfläche, während die Back-End-Entwicklung für die Programmierung und Verwaltung der Serverseite verantwortlich ist.","\u002Fuploads\u002F2026\u002F03\u002Ffront-und-backend-entwicklung-1774872219531-wyu4i1.webp","2023-04-12T11:11:00.000Z",{"id":3054,"slug":3055,"title":3056,"excerpt":3057,"featuredImage":3058,"publishedAt":3059},"445","qwen-3-6-in-production-release-runbook-ai-rollback-and-llmops-versioning","Qwen 3.6 in der Produktion: Release-Runbook, KI-Rollback und LLMOps-Versionierung","Qwen 3.6 ist nicht nur ein weiteres Modell-Upgrade. Es ist gleichzeitig ein Release-Ereignis, ein Rollback-Szenario und ein Versionierungsproblem. Dieser Artikel erklärt, wie Qwen 3.6 in der Produktion durch LLMOps-Disziplin, Prompt- und Modell-Rückverfolgbarkeit, kontrollierten Rollout und evidenzbasierte Rollback-Bereitschaft gehandhabt werden sollte.","\u002Fuploads\u002F2026\u002F02\u002Fnew-qwen-3-5-plus-1771515512741-dcbi9p.webp","2026-05-04T02:49:00.000Z",{"id":3061,"slug":3062,"title":3063,"excerpt":3064,"featuredImage":3065,"publishedAt":3066},"467","the-answer-validity-boundary-the-missing-layer-between-relevance-and-reliable-ai-answers","Die Antwortgültigkeitsgrenze: Die fehlende Schicht zwischen Relevanz und zuverlässigen KI-Antworten","Eine Quelle kann relevant und maßgeblich sein und dennoch falsch für die gestellte Frage. Die fehlende Ebene ist die Anwendbarkeit: die Bedingungen, unter denen eine Antwort gilt, und die Veränderungen, die erzwingen, dass sie überdacht werden muss. Dieser Artikel führt die Answer Validity Boundary als ein Quellendesign-Muster für Menschen, KI-Suche und RAG-Systeme ein.","\u002Fuploads\u002F2026\u002F09\u002Fthe-answer-validity-boundary-the-missing-layer-between-relevance-and-reliable-ai-answers-1790272901306-1g5jly.webp","2026-09-24T11:59:00.000Z",{"id":3068,"slug":3069,"title":3070,"excerpt":3071,"featuredImage":3072,"publishedAt":3073},"468","ai-agent-memory-is-not-rag-how-to-separate-memory-retrieval-state-and-context","KI-Agenten-Gedächtnis ist kein RAG: Wie man Gedächtnis, Retrieval, Zustand und Kontext voneinander trennt","Agentengedächtnis, RAG, Zustand und Kontext werden oft so verwendet, als wären sie austauschbar. Das sind sie nicht. Dieses praktische Architekturmodell trennt die vier Schichten, zeigt, wohin jede gehört, und erklärt, was kaputtgeht, wenn Systeme sie zu einer einzigen zusammenfassen.","\u002Fuploads\u002F2026\u002F09\u002Fai-agent-memory-is-not-rag-how-to-separate-memory-retrieval-state-and-context-1790350560308-np0xy6.webp","2026-09-25T11:34:00.000Z",{"id":3075,"slug":3076,"title":3077,"excerpt":3078,"featuredImage":3079,"publishedAt":3080},"493","mlops-vs-llmops-what-changes-when-the-model-is-an-llm","MLOps vs. LLMOps: Was sich ändert, wenn das Modell ein LLM ist","MLOps betreibt Systeme für maschinelles Lernen; LLMOps erweitert diese Praktiken auf Prompts, Kontext, Retrieval, Anbieter, Tools, Evaluierungen und Laufzeitverhalten rund um große Sprachmodelle.","\u002Fuploads\u002F2026\u002F10\u002Fmlops-vs-llmops-what-changes-when-the-model-is-an-llm-1791487319869-2v7hxo.webp","2026-10-08T15:20:00.000Z",{"id":3082,"slug":3083,"title":3084,"excerpt":3085,"featuredImage":3058,"publishedAt":3086},"384","new-qwen-3-5-plus","Neues Qwen 3.5-Plus: Open-Source-KI macht jetzt Ernst","Entdecken Sie die bahnbrechenden Funktionen und Vorteile von Alibabas Qwen 3.5-Plus, einer revolutionären Open-Source-KI für Entwickler.","2026-02-19T10:23:00.000Z",{"id":3088,"slug":3089,"title":3090,"excerpt":3091,"featuredImage":3092,"publishedAt":3093},"490","rbac-vs-tenant-isolation-two-different-security-boundaries","RBAC vs. Mandantenisolierung: Zwei unterschiedliche Sicherheitsgrenzen","RBAC steuert, was ein Benutzer tun darf; Mandantenisolierung steuert, auf welche Ressourcen eines Mandanten diese Aktion zugreifen darf. Erfahren Sie, warum die Sicherheit von Multi-Tenant-SaaS beide Grenzen erfordert.","\u002Fuploads\u002F2026\u002F10\u002Frbac-vs-tenant-isolation-two-different-security-boundaries-1791485111528-qqtzby.webp","2026-10-08T14:43:00.000Z",{"id":3095,"slug":3096,"title":3097,"excerpt":3098,"featuredImage":3099,"publishedAt":3100},"364","tipps-fuer-die-verbesserung-der-seo-suchmaschinenoptimierung","Meistern des SEO-Workflows: Essenzielle Optimierungsstrategien für organisches Wachstum","Ein strukturierter SEO-Workflow ist entscheidend für nachhaltiges organisches Wachstum. Lerne die zehn grundlegenden Strategien, von der Keyword-Recherche und technischen Optimierung bis hin zur Content-Qualität und Performance-Analyse.","\u002Fuploads\u002F2026\u002F03\u002Ftipps-fuer-die-verbesserung-der-seo-suchmaschinenoptimierung-1774866098131-hwkzrg.webp","2024-01-26T06:35:00.000Z",{"id":3102,"slug":3103,"title":3104,"excerpt":3105,"featuredImage":3106,"publishedAt":3107},"466","the-gpu-is-not-the-product-future-proof-private-ai-architecture","Die GPU ist nicht das Produkt: Zukunftssichere private KI-Architektur","Private KI-Infrastruktur sollte nicht um eine einzige GPU oder ein einziges Modell herum konzipiert werden. Ein resilienterer Ansatz kombiniert schnelle Inferenz-GPUs, speicherstarke KI-Systeme, physische KI-Knoten und optionale Frontier-Cloud-Modelle hinter einer fähigkeitsbewussten Routing-Schicht.","\u002Fuploads\u002F2026\u002F09\u002Fthe-gpu-is-not-the-product-future-proof-private-ai-architecture-1790140878812-8hsl39.webp","2026-09-23T01:19:00.000Z",{"id":3109,"slug":3110,"title":3111,"excerpt":3112,"featuredImage":3113,"publishedAt":3114},"472","why-more-context-can-make-ai-answers-worse","Warum mehr Kontext KI-Antworten verschlechtern kann","Ein größeres Kontextfenster garantiert keine bessere Antwort. Dieser Artikel erklärt, wie Signalverwässerung, widersprüchliche Belege, veralteter Zustand, Positionssensitivität und verlustbehaftete Kompression die KI-Zuverlässigkeit verringern können—und stellt einen praktischen Context Pressure Test vor.","\u002Fuploads\u002F2026\u002F09\u002Fwhy-more-context-can-make-ai-answers-worse-1790351615793-2ntv2v.webp","2026-09-25T11:51:00.000Z","fallback",[],[]]