Zusammenfassung: Context Engineering hat Prompt Engineering als Kernkompetenz für produktive KI-Anwendungen abgelöst. Statt einzelner Prompts zu optimieren, gestaltet man die gesamte Informationsumgebung, die ein LLM beim Inferenzvorgang sieht. Dieser Artikel fasst die wichtigsten deutschsprachigen Ressourcen, Frameworks und Best Practices zusammen.


1. Was ist Context Engineering?

Context Engineering ist die systematische Disziplin, die vollständige Informationsumgebung zu entwerfen, aufzubauen und zu optimieren, die ein Large Language Model (LLM) in seinem Kontextfenster erhält.

Es umfasst:[1]

Andrej Karpathy (Juni 2025): „Context Engineering ist die heikle Kunst und Wissenschaft, das Kontextfenster mit genau den richtigen Informationen für den nächsten Schritt zu füllen.“[1]


2. Prompt Engineering vs. Context Engineering

Dimension Prompt Engineering Context Engineering
Fokus Einzelne Anweisung formulieren Gesamtes Informationsökosystem gestalten
Umfang Prompt / Template System-Prompt + RAG + Memory + Tools
Entstehung 2022–2023 (GPT-Ära) 2025 (Agenten-Ära)
Kompetenz Klare Anweisungen schreiben Informationsfluss architektieren
Token-Bewusstsein Gering Kritisch (jedes Token = Budgetentscheidung)
Dynamik Statisch Echtzeit-Abruf, Komprimierung, Isolation
Analogie Prüfungsfrage formulieren Gesamten Lehrplan gestalten

Kernaussage: Prompt Engineering ist eine Komponente von Context Engineering, keine separate Disziplin.[2][1]


3. Die vier Kernstrategien (LangChain-Framework)

LangChain hat das nützlichste Framework für Context Engineering popularisiert – Write, Select, Compress, Isolate:[3][1]

3.1 Write – Statischen Kontext gestalten