Anthropic-Ingenieure führen heute 8-mal mehr Code pro Tag zusammen als noch vor einem Jahr. Das Modell hat sich nicht geändert. Die Hardware hat sich nicht geändert. Die Teamgröße hat sich nicht geändert. Was sich geändert hat, ist das, was Claude sieht, bevor es mit der Arbeit beginnt.
Die meisten Entwickler verbringen ihre Zeit damit, bessere Prompts zu schreiben. Anthropic-Ingenieure verbringen ihre Zeit damit, besseren Kontext aufzubauen. Diese eine Verschiebung ist für den gesamten 8-fachen Produktivitätsunterschied verantwortlich.
Die eigene Forschung von Anthropic bringt es auf den Punkt: Die Qualität eines KI-Agenten wird weniger durch das Modell bestimmt als vielmehr durch den Kontext, den man ihm gibt. Claude sieht nur das, was sich innerhalb des Kontextfensters befindet. Alles außerhalb dieses Fensters existiert nicht. Das bedeutet, dass die gesamte Aufgabe eines ernsthaften KI-Ingenieurs nicht darin besteht, clevere Prompts zu schreiben – sondern sicherzustellen, dass Claude über exakt die richtigen Informationen verfügt, bevor es auch nur eine einzige Aktion ausführt.
Diese Disziplin hat jetzt einen Namen: Context Engineering. Und sie ersetzt Prompt Engineering auf die gleiche Weise, wie Prompt Engineering vor zwei Jahren das manuelle Scripting ersetzt hat.
Speichere diesen Beitrag und folge mir
Ich bin Noisy, ein Entwickler mit 4 Jahren Erfahrung. Ich baue KI-Systeme, Automatisierungspipelines und finde Wege, Technologie in echtes Einkommen zu verwandeln.
Warum dein KI-Agent schlechte Antworten liefert
Die meisten Menschen geben dem Modell die Schuld, wenn ein KI-Agent versagt. Falsche Datei bearbeitet. Falsche Annahme getroffen. Ein offensichtlicher Fehler, den jeder Entwickler bemerkt hätte.
Das Modell ist fast nie das Problem. Das Problem ist fehlender Kontext.
1Was die meisten Leute Claude geben | ein Prompt2Was Claude tatsächlich benötigt | Wissen, Gedächtnis, Dateien,3 | Regeln, Beispiele, Tools,4 | Status, vorherige Aktionen
Ein Prompt ist ein Satz. Kontext ist die gesamte Informationsumgebung, in der Claude operiert. Der Unterschied zwischen einem Agenten, der funktioniert, und einem, der es nicht tut, ist fast immer das, was sich in dieser Umgebung befindet – nicht, welches Modell gerade läuft.
Anthropic beschreibt es so: Ein LLM sieht nur das, was im Kontextfenster ist. Kontext ist das Betriebssystem für KI. Wenn man es falsch aufbaut, funktioniert nichts, egal wie leistungsfähig das Modell ist.
Was Kontext eigentlich ist
Die meisten Leute denken, Kontext bedeutet den Text, den sie vor ihrer Frage einfügen. Das ist nur eine Ebene. Ein richtig entwickelter Kontext besteht aus sieben Komponenten, die zusammenarbeiten.
1Gedächtnis | was der Agent aus vergangenen Sitzungen weiß2Anweisungen | Regeln, Einschränkungen, Coding-Stil3Beispiele | wie ein gutes Ergebnis tatsächlich aussieht4Dateien | relevanter Code, Dokumentation, Architektur5Vorherige Aktionen| was der Agent bereits versucht hat6Tool-Ergebnisse | was Suchen und Funktionen zurückgegeben haben7Status | wo die Aufgabe aktuell steht
Jedes Mal, wenn Claude eine Aktion ausführt, wächst der Kontext. Tool-Ergebnisse kommen zurück. Neue Dateien werden gelesen. Der Status aktualisiert sich. Claude sieht den neuen Kontext und entscheidet über die nächste Aktion. Dieser Zyklus ist der eigentliche Mechanismus eines Agenten – nicht der Prompt, nicht das Modell, sondern der Kontext, der sich mit jedem Schritt weiterentwickelt.
1Benutzeranfrage2↓3Kontext wird aus allen sieben Komponenten aufgebaut4↓5Claude entscheidet über Aktion6↓7Tool führt aus8↓9Ergebnis wird zum Kontext hinzugefügt10↓11Claude sieht neuen Kontext12↓13Nächste Aktion14↓15Wiederholen bis fertig
Ein schlechter Agent unterbricht diesen Zyklus bei Schritt zwei. Der Kontext ist unvollständig, also stellt Claude Vermutungen an. Die Vermutungen sind falsch, also ist das Ergebnis falsch. Die meisten Entwickler beheben dies, indem sie den Prompt umschreiben. Die tatsächliche Lösung ist, den Kontext korrekt aufzubauen.
Der Drei-Ebenen-Kontext-Stack
Anthropic empfiehlt, Kontext in drei Ebenen zu betrachten. Jede Ebene erfüllt einen anderen Zweck und wird zu einem anderen Zeitpunkt in der Arbeit des Agenten geladen.
1Globaler Kontext | immer vorhanden, in jeder Sitzung2Projektkontext | wird beim Projektstart geladen3Aufgabenkontext | wird für die spezifische Aufgabe geladen
Globaler Kontext ist die permanente Ebene. Identität, Kernregeln, Coding-Stil, was der Agent niemals tun sollte. Dies ändert sich nie zwischen den Sitzungen und muss nie neu erklärt werden.
1Globaler Kontext enthält:2- Agenten-Identität und Rolle3- Coding-Standards und Stilregeln4- Sicherheitsbeschränkungen5- Was niemals angefasst oder modifiziert werden darf6- Wie mit Unsicherheit umzugehen ist
Projektkontext ist die Wissensebene. Alles, was Claude benötigt, um diese spezifische Codebasis zu verstehen – die Architektur, die verwendeten Muster, die getroffenen Entscheidungen und warum, die Dinge, die zuvor schiefgelaufen sind.
1Projektkontext enthält:2- README und Architektur-Übersicht3- AGENTS.md mit projektspezifischen Regeln4- Ordnerstruktur und Namenskonventionen5- Testanforderungen und Muster6- Wichtige Abhängigkeiten und warum sie gewählt wurden
Aufgabenkontext ist die Ausführungsebene. Die spezifische Datei, an der gearbeitet wird, das aktuelle Ticket, das unmittelbare Ziel, die Einschränkungen, die für genau diese Aufgabe gelten.
1Aufgabenkontext enthält:2- Aktuelle Datei und zugehörige Dateien3- Das spezifische Ziel für diese Sitzung4- Kürzliche Änderungen und deren Ergebnisse5- Aktuelle Testergebnisse6- Einschränkungen, die spezifisch für diese Aufgabe sind
Die meisten Entwickler geben Claude nur den Aufgabenkontext. Der Agent beginnt jede Sitzung ohne globalen oder Projektkontext und muss alles erraten, was er nicht weiß. Diese Vermutungen sind der Ursprung der Fehler.
AGENTS.md – die Datei, die alles verändert
Die wichtigste einzelne Datei in jedem ernsthaften Claude Code-Setup. Forscher haben AGENTS.md als den neuen Standard für den Kontext von KI-Coding-Agenten identifiziert – sie ist mittlerweile in Tausenden von Produktions-Repositories vorhanden, gerade weil sie funktioniert.
AGENTS.md ist der Ort, an dem der Projektkontext dauerhaft lebt. Claude liest sie automatisch zu Beginn jeder Sitzung. Danach muss ihm nichts davon jemals wieder erklärt werden.
1# AGENTS.md23## Architektur4Monorepo mit Next.js-Frontend und Express-Backend.5Alle API-Routen liegen in /api. Modifiziere niemals /legacy direkt.67## Coding-Regeln8Verwende niemals axios. Verwende immer fetch.9Jede Komponente: TypeScript, Tailwind, Server Actions.10Keine Standard-Exporte außer für Seiten.1112## Testen13Vitest für Unit-Tests. Playwright für E2E.14Führe npm test vor jedem Commit aus.15Deaktiviere niemals einen fehlschlagenden Test – behebe ihn oder eskaliere.1617## Git18Commite niemals direkt in main.19Eröffne immer einen PR mit einer klaren Beschreibung.20Verknüpfe jeden PR mit einem Linear-Ticket.2122## Niemals anfassen23src/payments/ - jede Änderung erfordert menschliche Genehmigung24src/auth/tokens/ - Sicherheitsüberprüfung erforderlich25.env-Dateien - niemals lesen oder modifizieren
Jede Regel in dieser Datei ist ein Fehler, den Claude nie wieder machen wird. Je länger das Projekt läuft, desto spezifischer und wertvoller wird AGENTS.md – es ist das angesammelte Wissen aus jedem Fehler, den der Agent gemacht hat, und jeder Konvention, die das Team etabliert hat.
Der Kontext-Stack, der ernsthafte Agenten antreibt
Die besten KI-Ingenieure beginnen eine Aufgabe nicht damit, einen Prompt zu schreiben. Sie bauen einen Kontext-Stack auf – eine strukturierte Abfolge von Informationen, die geladen wird, bevor Claude eine einzige Aktion ausführt.
1Schritt 1 | Globalen Kontext laden - Identität, Regeln, Stil2Schritt 2 | Projektkontext laden - AGENTS.md, Architektur, Doku3Schritt 3 | Gedächtnis nach relevanter Erfahrung durchsuchen4Schritt 4 | Relevante Dateien für diese spezifische Aufgabe laden5Schritt 5 | Aktuellen Status laden - Testergebnisse, letzte Änderungen6Schritt 6 | Aufgabenziel mit klaren Erfolgskriterien definieren7Schritt 7 | Claude agiert mit vollständigen Informationen
Vergleiche, wie ein gut kontext-entwickelter Agent im Vergleich zum Standard aussieht:
1Schlechter Agent:2Frage → Claude → Antwort3Claude errät alles, was er nicht weiß45Guter Agent:6Frage7↓ Doku durchsuchen8↓ Gedächtnis durchsuchen9↓ AGENTS.md lesen10↓ Relevante Dateien lesen11↓ Aktuellen Status prüfen12↓ Claude13↓ Antwort basierend auf vollständigen Informationen
Der zweite Agent ist nicht intelligenter. Er ist besser informiert. Das Modell ist identisch. Der Kontext nicht.
Gedächtnis – der Kontext, der Sitzungen überdauert
Anthropic unterscheidet klar zwischen den Arten von Gedächtnis, die den Kontext speisen. Die meisten Agenten haben nur eines – das aktuelle Gespräch. Deshalb beginnen sie jede Sitzung bei Null.
1Langzeitgedächtnis | alles, was über alle vergangenen Sitzungen gelernt wurde2Kurzzeitgedächtnis | was früher in diesem Gespräch passiert ist3Arbeitsspeicher | was gerade jetzt im Kontextfenster ist
Das Langzeitgedächtnis ist das, was den Wert eines Agenten im Laufe der Zeit steigert. Jede Sitzung fügt etwas hinzu. Jeder Fehler wird aufgezeichnet. Jedes erfolgreiche Muster wird gespeichert. Der Agent, der seit sechs Monaten auf einer Codebasis läuft, weiß Dinge über dieses Projekt, die kein Prompt replizieren kann.
Die praktische Umsetzung ist eine Gedächtnisdatei – ein Markdown-Dokument außerhalb des Gesprächs, das der Agent zu Beginn jeder Sitzung liest und am Ende aktualisiert.
1# Projektgedächtnis23## Architektur-Entscheidungen4- Supabase statt Firebase gewählt: Echtzeit weniger kritisch, SQL-Abfragen benötigt5- Von REST zu tRPC gewechselt: Typsicherheit über den gesamten Stack, Juni 202667## Was funktioniert hat8- Höhere Testabdeckung vor dem Refactoring verhindert Regressionen9- Aufteilen großer PRs in Feature-Flag-Releases reduziert die Review-Zeit1011## Was nicht funktioniert hat12- Automatisches Generieren von Migrationen: Schema-Drift verursachte Produktionsvorfall13- Parallele Agenten-Schreibvorgänge in dieselbe Datei: immer Worktrees verwenden1415## Wiederkehrende Muster16- Auth-Probleme lassen sich fast immer auf die Middleware-Reihenfolge zurückführen17- Performance-Probleme beginnen meist in der Datenbank-Abfrageebene
Jede Sitzung wird diese Datei gelesen. Jede Sitzung wird sie aktualisiert. Der Agent vergisst nie.
MCP – Kontext von überall
Kontext kommt nicht nur aus Dateien im Repository. Ein Produktions-Agent benötigt Kontext aus jedem System, in dem das Team arbeitet – dem Issue-Tracker, dem Fehler-Monitor, der Dokumentation, der Datenbank, den Kommunikationstools.
Das Model Context Protocol (MCP) ist die Art und Weise, wie Claude Kontext aus externen Systemen zieht, ohne für jedes einzelne eine benutzerdefinierte Integration zu benötigen.
1Dateisystem | lokale Dateien, Konfigurationen, Codebasen2GitHub | Issues, PRs, Commit-Historie, CI-Ergebnisse3Linear / Jira | Tickets, Prioritäten, Projektstatus4Slack | getroffene Entscheidungen, Kontext aus Diskussionen5Postgres | Live-Daten, Schema, Abfrageergebnisse6Google Drive | Dokumente, Spezifikationen, Besprechungsnotizen7Sentry | Live-Fehler, Häufigkeit, betroffene Benutzer
Ein Agent mit konfiguriertem MCP sieht nicht nur den Code. Er sieht das Ticket, das beschreibt, warum dieses Feature benötigt wird, die Slack-Konversation, in der die Architektur entschieden wurde, den Sentry-Fehler, der zeigt, wie Benutzer auf den Bug stoßen, und das Datenbankschema, das der Fix respektieren muss.
Das ist vollständiger Kontext. Alles, was Claude braucht, um die richtige Entscheidung zu treffen, ohne zu raten.
Der Context-Engineering-Workflow
So sieht eine korrekt kontext-entwickelte Aufgabe von Anfang bis Ende aus.
Anstatt:
1Baue das Export-Feature.
Gibst du Claude:
1Ziel2Das Export-Feature blockiert die Konvertierung von Free zu Pro.3Siehe Signal: /signals/export-too-hidden.md45Relevante Dateien6src/features/export/ - aktuelle Implementierung7src/components/ui/Button.md - Button-Muster, denen gefolgt werden soll8tests/features/export.test.ts - bestehende Testabdeckung910Architektur-Einschränkungen11Lies AGENTS.md Abschnitt: Export-Regeln12Modifiziere niemals die Billing-Integration direkt1314Erfolgskriterien15Alle bestehenden Tests bestehen16Neue Tests decken die drei Exportformate ab17PR öffnet sich mit verknüpftem Linear-Ticket EXP-4718Keine Änderungen an src/payments/
Gleiche Aufgabe. Völlig anderer Kontext. Das Ergebnis ist nicht inkrementell besser – es ist kategorisch anders, weil Claude Entscheidungen mit vollständigen Informationen trifft, anstatt intelligente Vermutungen anzustellen.
Das praktische Setup für dieses Wochenende
Tag 1 – Baue den Drei-Ebenen-Kontext-Stack auf. Schreibe eine globale Kontextdatei mit Identität und Kernregeln. Erstelle AGENTS.md mit deiner Projektarchitektur, Coding-Konventionen und der "Niemals-anfassen"-Liste. Richte eine Gedächtnisdatei ein, die zu Sitzungsbeginn geladen und am Sitzungsende aktualisiert wird.
Tag 2 – Verbinde externen Kontext über MCP. Installiere den GitHub-Connector, damit Claude deinen Issue-Tracker und die PR-Historie sieht. Installiere den Dateisystem-Connector, damit er effizient durch die Codebasis navigiert. Füge Slack oder Linear hinzu, falls dein Team diese für Entscheidungen nutzt.
Tag 3 – Teste den Unterschied. Führe dieselbe Aufgabe mit deinem alten "Nur-Prompt"-Ansatz und mit dem vollständigen Kontext-Stack aus. Der Output-Unterschied ist der Bereich, aus dem die 8-fache Produktivität stammt.
Die Verschiebung, die bereits stattgefunden hat
Bei Prompt Engineering ging es darum, die richtigen Worte zu finden. Bei Context Engineering geht es darum, die richtige Informationsumgebung aufzubauen.
Die besten KI-Ingenieure bei Anthropic verbringen keine Zeit damit, clevere Prompts zu formulieren. Sie verbringen Zeit damit, sicherzustellen, dass Claude über genau das richtige Wissen, Gedächtnis, Dateien, Regeln und Status verfügt, bevor es eine einzige Aktion ausführt. Der Prompt ist das letzte 1 % der Arbeit. Der Kontext ist die anderen 99 %.
Ein Agent mit perfekten Prompts und schlechtem Kontext macht intelligente Fehler. Ein Agent mit durchschnittlichen Prompts und vollständigem Kontext trifft korrekte Entscheidungen. Das Modell ist dasselbe. Die Informationsumgebung nicht.
Kontext ist das Betriebssystem für KI. Baue es richtig auf, und der 8-fache Produktivitätsunterschied hört auf, etwas zu sein, das bei Anthropic passiert, und wird zu etwas, das in deiner Codebasis passiert.
Die meisten Entwickler werden weiterhin ihre Prompts umschreiben und sich wundern, warum sich die Ergebnisse nicht verbessern. Einige wenige werden ein Wochenende damit verbringen, einen ordentlichen Kontext-Stack aufzubauen, und nie wieder zurückblicken.
Du gestaltest dein eigenes Leben – also wähle den richtigen Weg.
/ Wenn das nützlich war – folge mir /
