Was macht Context Engineering?
Context Engineering kuratiert den kleinsten, signalstarken Token-Set für LLM-Aufgaben. Das Ziel: Die Reasoning-Qualität maximieren und gleichzeitig die Token-Nutzung minimieren.
Wann aktivieren
- Entwerfen/Debuggen von Agentsystemen
- Kontextlimits schränken die Leistung ein
- Optimierung von Kosten/Latenz
- Aufbau von Multi-Agent-Koordination
- Implementierung von Speichersystemen
- Bewertung der Agentenleistung
- Entwicklung LLM-gestützter Pipelines
Kernprinzipien
- Kontextqualität > Quantität - Signalstarke Tokens schlagen erschöpfende Inhalte
- Aufmerksamkeit ist begrenzt - U-förmige Kurve bevorzugt Anfangs-/Endpositionen
- Progressive Offenlegung - Informationen just-in-time laden
- Isolation verhindert Degradation - Arbeit auf Unter-Agenten aufteilen
- Messen vor Optimieren - Kennen Sie Ihre Basislinie
WICHTIG:
- Opfere Grammatik zugunsten der Prägnanz.
- Stelle Tokeneffizienz bei gleichbleibend hoher Qualität sicher.
- Gib diese Regeln an Unter-Agenten weiter.
Kurzreferenz
| Thema | Wann verwenden | Referenz |
|---|---|---|
| Grundlagen | Kontextanatomie, Aufmerksamkeitsmechanismen verstehen | context-fundamentals.md |
| Degradation | Fehler debuggen, Lost-in-the-Middle, Vergiftung | context-degradation.md |
| Optimierung | Kompaktierung, Maskierung, Caching, Partitionierung | context-optimization.md |
| Komprimierung | Lange Sitzungen, Zusammenfassungsstrategien | context-compression.md |
| Speicher | Sitzungsübergreifende Persistenz, Wissensgraphen | memory-systems.md |
| Multi-Agent | Koordinationsmuster, Kontextisolation | multi-agent-patterns.md |
| Evaluation | Testen von Agenten, LLM-as-Judge, Metriken | evaluation.md |
| Tool-Design | Tool-Konsolidierung, Beschreibungsentwicklung | tool-design.md |
| Pipelines | Projektentwicklung, Batchverarbeitung | project-development.md |
| Laufzeitbewusstsein | Nutzungslimits, Kontextfensterüberwachung | runtime-awareness.md |
Schlüsselmetriken
- Token-Auslastung: Warnung bei 70%, Optimierung bei 80% auslösen
- Token-Varianz: Erklärt 80% der Leistungsvarianz von Agenten
- Multi-Agent-Kosten: ~15x Einzelagent-Baseline
- Kompaktierungsziel: 50-70% Reduktion, <5% Qualitätsverlust
- Cache-Treffer-Ziel: 70%+ für stabile Arbeitslasten
Vier-Eimer-Strategie
- Schreiben: Kontext extern speichern (Notizblöcke, Dateien)
- Auswählen: Nur relevanten Kontext abrufen (Retrieval, Filterung)
- Komprimieren: Token reduzieren bei gleichzeitiger Informationserhaltung (Zusammenfassung)
- Isolieren: Auf Unter-Agenten aufteilen (Partitionierung)
Anti-Patterns
- Erschöpfender Kontext gegenüber kuratiertem Kontext
- Kritische Informationen in mittleren Positionen
- Keine Kompaktierungsauslöser vor Limits
- Einzelner Agent für parallelisierbare Aufgaben
- Werkzeuge ohne klare Beschreibungen
Richtlinien
- Platziere kritische Informationen am Anfang/Ende des Kontexts
- Implementiere Kompaktierung bei 70-80% Auslastung
- Verwende Unter-Agenten zur Kontextisolation, nicht zum Rollenspiel
- Entwerfe Werkzeuge mit dem 4-Fragen-Rahmen (Was, Wann, Eingaben, Rückgaben)
- Optimiere für Token pro Aufgabe, nicht für Token pro Anfrage
- Validiere mit sondenbasierter Evaluation
- Überwache KV-Cache-Trefferraten in der Produktion
- Beginne minimal, füge Komplexität nur hinzu, wenn sie sich als notwendig erweist
Laufzeitbewusstsein
Das System injiziert automatisch Nutzungsbewusstsein über den PostToolUse-Hook:
<usage-awareness>
Claude Usage Limits: 5h=45%, 7d=32%
Context Window Usage: 67%
</usage-awareness>
Schwellenwerte:
- 70%: WARNUNG - Optimierung/Kompaktierung in Betracht ziehen
- 90%: KRITISCH - sofortiges Handeln erforderlich
Datenquellen:
- Nutzungslimits: Anthropic OAuth API (
https://api.anthropic.com/api/oauth/usage) - Kontextfenster: Statusline-Temp-Datei (
/tmp/ck-context-{session_id}.json)
Skripte
- context_analyzer.py - Kontext-Gesundheitsanalyse, Erkennung von Degradation
- compression_evaluator.py - Bewertung der Komprimierungsqualität