Wie du deinem KI-Agenten den richtigen Kontext gibst, ohne ihn zu überfüttern

Kennst du das? Du gibst deinem KI-Agenten eine Aufgabe, und was zurückkommt, ist fast richtig. Aber eben nur fast. Entweder hat sie den Punkt verfehlt. Oder sie hat drei Dinge mitgemacht, die du nie wolltest.

Der erste Reflex ist dann immer derselbe. Beim nächsten Mal gebe ich ihr mehr Kontext. Mehr Infos, mehr Hintergrund, das ganze Projekt obendrauf. Und genau da liegt der Denkfehler.

Die gute Nachricht zuerst: Du musst deinem KI-Agenten nicht alles geben. Du solltest es sogar gezielt nicht tun. Wie du deinem KI-Agenten Kontext gibst, entscheidet mehr über das Ergebnis als die schiere Menge. Weniger, aber richtig sortiert, schlägt mehr. Und das Sortieren kostet dich kein Tool und kein Budget, nur eine andere Art zu denken.

Viele Texte zu dem Thema erklären dir erst mal, was ein KI-Agent überhaupt ist. Diese Frage überspringe ich. Mich interessiert die andere, die im Alltag wehtut: Mehr Kontext macht KI-Agenten oft schlechter, nicht besser. Der Hebel ist nicht die Menge. Es ist die Dosis.

Warum macht mehr Kontext einen KI-Agenten schlechter?

Weil ein Sprachmodell ein endliches Aufmerksamkeits-Budget hat. Jedes zusätzliche Token zehrt daran, auch wenn es relevant ist. Das ist nicht Bauchgefühl, das ist gemessen.

Anthropic hat dafür 2025 einen treffenden Begriff geprägt: Context Rot. Trotz riesiger Kontextfenster, 200.000 Token und mehr, verlieren die Modelle bei wachsender Länge den Fokus. Aufmerksamkeit ist eine endliche Ressource mit abnehmendem Grenznutzen. Quelle: Anthropic, 2025. Stell dir einen Menschen vor, dem du immer mehr Zettel auf den Tisch legst. Irgendwann findet er den wichtigen nicht mehr.

Eine vielzitierte Studie von Liu und Kollegen aus 2024 zeigt dazu eine U-Kurve: Modelle nutzen Information am Anfang und am Ende des Kontexts am besten. In der Mitte am schlechtesten. Je länger der Kontext, desto tiefer fällt die Mitte. Quelle: Liu et al., TACL, 2024.

Und 2025 kam auf der EMNLP eine Arbeit nach, die den Punkt richtig hart macht. Die Länge allein schadet. Sogar wenn die relevante Information an der besten Stelle steht und alle Ablenkungen entfernt sind, sinkt die Leistung, einfach weil der Input länger ist. Quelle: EMNLP Findings, 2025. Mehr Kontext ist also nicht neutral. Er kostet.

Daraus folgt ein Satz, den du dir merken kannst: Die meisten Fehler von KI-Agenten sind heute keine Modell-Fehler mehr. Es sind Kontext-Fehler.

Wie viel Kontext braucht ein KI-Agent wirklich?

So viel, dass er die Aufgabe im richtigen System versteht. Und keinen Satz mehr. Abgestuft nach Nähe zur Aufgabe.

Kontext ist kein Eimer, den du vollkippst. Kontext ist eine Dosis. Und die gute Dosis ist gestaffelt: nah dran scharf, weiter weg nur grob, ganz weit weg gar nicht.

Denk an eine neue Person an ihrem ersten Tag bei dir. Du gibst ihr die Aufgabe komplett. Du erklärst ihr das Projekt, in dem die Aufgabe steckt. Du sagst ihr in zwei Sätzen, worum es im großen Ganzen geht. Aber du kippst ihr nicht das gesamte Firmenwiki auf den Tisch. Und du sagst ihr einen Satz, der alles entscheidet: Das hier ist, damit du verstehst, wo du bist. Nicht, damit du es nachbaust. Genau das ist die Kunst beim KI-Agenten. Nur dass viele es dort vergessen, obwohl sie es bei Menschen instinktiv richtig machen.

Das Ganze hat einen Namen. Es heißt Context Engineering. Anthropic hat die Disziplin 2025 sauber definiert, Andrej Karpathy hat den Begriff bekannt gemacht, und die Leute hinter dem Coding-Agenten Devin nennen es den wichtigsten Job beim Bauen von KI-Agenten. Quelle: Digital Applied, 2026. Sie ist eine von mehreren Stufen auf derselben Skala: Prompt, Context, Harness, Habitat Engineering. Diese Einordnung beschreibe ich in „Habitat Engineering“. Das konkrete Muster, über das ich hier rede, nenne ich Graduated Context Resolution. Klingt sperrig, heißt einfach: abgestufte Kontext-Auflösung. Die richtige Dosis Kontext, gestaffelt nach Nähe zur Aufgabe.

Eine kleine ehrliche Randnotiz, weil mir Genauigkeit wichtig ist. Es gibt in der Informatik schon einen alten, ähnlich klingenden Begriff: Context Tree Weighting, aus der Informationstheorie, von 1995. Das ist etwas ganz anderes, nämlich Datenkompression. Ich borge mir nur die Intuition aus, nach Baum-Tiefe zu gewichten. Den Namen selbst nehme ich bewusst nicht, weil er besetzt ist. Quelle: Wikipedia, Context Tree Weighting.

Wie strukturierst du den Kontext für einen KI-Agenten?

In vier Stufen, abgestuft nach Nähe: Aufgabe und direktes Umfeld voll, das große Ziel nur als Zusammenfassung, Nachbar-Themen gar nicht. Plus eine klare Grenze obendrauf.

Stufe 1, voll: die Aufgabe selbst. Was genau soll rauskommen, woran misst du, dass es fertig ist. Vollständig, keine Abkürzung.

Stufe 2, voll: das direkte Umfeld. Das Projekt oder der größere Arbeitsschritt, zu dem die Aufgabe gehört. Auch das vollständig, denn hier stehen die Begriffe, die Architektur, die Vorgaben, die die Aufgabe formen.

Stufe 3, nur Zusammenfassung: das große Ziel. Wofür das Ganze am Ende gut ist. Aber nicht ausführlich. Zwei, drei Sätze, die die Richtung festlegen. Mehr lenkt nur ab.

Stufe 4, gar nicht: die Nachbar-Themen. Die anderen Aufgaben, die parallel laufen. Die gehören nicht rein. Das ist eine Reihenfolge-Frage, keine Kontext-Frage.

Und über allem steht eine Regel, die das meiste Verzetteln verhindert.

Das große Bild ist Kontext zum Verstehen. Kein Auftrag zum Mitbauen.

Du zeigst der KI das große Bild, damit sie ins System passt, nicht damit sie das halbe System neu baut. Das ist übrigens nicht zu verwechseln mit der Frage, welche Dokumente die KI überhaupt zu sehen bekommt. Das ist Retrieval, darüber habe ich in „RAG erklärt“ geschrieben. Hier geht es um die andere Achse: nicht welcher Kontext, sondern wie viel davon.

Dass das kein Theoriegebäude ist, sieht man daran, dass die großen Anbieter genau so bauen. Anthropic hat Ende 2025 ein Format namens Agent Skills veröffentlicht, das exakt nach diesem Prinzip funktioniert. Beim Start liest das System nur Name und Beschreibung, ungefähr 80 Wörter. Erst wenn ein Skill wirklich gebraucht wird, lädt der volle Text. Hilfsdateien erst während der Ausführung. Drei Stufen Auflösung, je nach Nähe zum aktuellen Schritt. Quelle: Towards AI, 2026.

Dasselbe beim Erkunden. Anthropic hat auf der re:Invent 2025 erzählt: Ein Agent verbrennt beim ersten Orientieren in einem Projekt schnell 70.000 bis 100.000 Token, bevor er überhaupt mit der Arbeit anfängt. Die Lösung ist ein Helfer-Agent, der erkundet, sein eigenes Fenster vollmacht und nur eine kurze Zusammenfassung zurückmeldet, 1.000 bis 2.000 Token. Der Haupt-Agent arbeitet mit sauberem Kopf weiter. Quelle: Anthropic, AWS re:Invent, 2025. Das ist Stufe 3 in Reinform: das Weit-Weg kommt nur als Zusammenfassung rein.

Was ich aus meiner eigenen Arbeit mitbringe, ist genau dieses Muster. Ich baue gerade einen Agenten, der nachts selbstständig Aufgaben von einem Aufgaben-Board abarbeitet. Das Erste, was er macht, bevor er irgendetwas anfasst: Er löst den Kontextbaum der Aufgabe auf. Die Aufgabe selbst liest er ganz. Die übergeordnete Aufgabe liest er ganz. Das große Projektziel nimmt er nur als grobe Zusammenfassung mit. Die Nachbar-Aufgaben lässt er komplett weg. Und die Regel, die ich ihm fest eingebaut habe, ist genau die von oben: Das Übergeordnete ist Kontext, kein Auftrag. Seit dieser Regel verzettelt er sich nicht mehr.

Was heißt das konkret beim nächsten Prompt?

Du schreibst vier kurze Blöcke, statt alles in einen Absatz zu kippen. Das ist die ganze Übung.

• AUFGABE: was genau rauskommen soll, hier vollständig.
• PROJEKT-KONTEXT (zum Verstehen): das direkte Umfeld, hier vollständig.
• ÜBERGEORDNETES ZIEL: wofür das gut ist, nur zwei Sätze.
• NICHT TUN: die Nachbar-Themen, die draußen bleiben.

Das klingt nach Mehraufwand. Ist es aber nicht. Es ist eigentlich eine Entlastung, weil du einmal sortierst, statt dreimal nachzubessern.

Die bessere Dosis schlägt das größere Modell

Die Kontext-Leiter kostet dich kein Tool und kein Budget. Sie kostet dich eine Minute Sortieren vor dem Prompt. Und sie gibt dir zwei Dinge zurück: weniger Nacharbeit, weil die KI den Punkt trifft. Und Kontrolle, weil du entscheidest, was Kontext ist und was Auftrag.

Und das ist der eigentliche Punkt. Eine KI, die genau das Richtige tut, nimmt dir nicht die Entscheidung ab. Sie nimmt dir das Korrigieren ab. Die Zeit, die du sonst mit Hinterherräumen verbringst, hast du wieder für die Arbeit, bei der dein Urteil wirklich zählt. Du bleibst die Person, die entscheidet, was gebaut wird.

Beim nächsten KI-Auftrag also: vier Blöcke. Aufgabe. Umfeld. Ziel in zwei Sätzen. Und ein klares Nicht tun. Das ist der Anfang. Und je mehr deine KI über viele Schritte hinweg in echten Systemen arbeitet, desto mehr wird genau das den Unterschied machen. Nicht das größere Modell. Die bessere Dosis.

Wenn bei deiner KI mehr Nacharbeit anfällt als echte Arbeit, liegt es selten am Modell. Schreib mir, ich schaue mir deinen konkreten Fall an.