Context Engineering für KI-Coding-Agenten: Leitfaden

Context Engineering ist die Arbeit, zu entscheiden, was ein KI-Coding-Agent in jedem Schritt sieht: welche Anweisungen, Regeldateien, Tool-Definitionen, gelesenen Dateien, Tool-Ergebnisse und welcher Verlauf in seinem Kontextfenster stehen und was draußen bleibt. Bei Coding-Agenten zählt das meist mehr als Feinschliff am Prompt, denn der Prompt, den du tippst, ist nur ein kleiner Teil dessen, was das Modell liest. Den größten Teil des Fensters füllen Regeldateien, Tool-Ausgaben und das bisherige Gespräch. Hältst du diesen Kontext klein und relevant, bekommst du bessere Ergebnisse als mit jeder Umformulierung deines Prompts.

Dieser Leitfaden erklärt, was in den Kontext eines Agenten gelangt, warum lange Kontexte schlechter werden, welche Techniken helfen und woran du erkennst, ob sie wirken. Angaben zu Claude Code und Codex beziehen sich auf den Stand von Oktober 2026.

Was Context Engineering bedeutet

Anthropics Engineering-Beitrag Effective context engineering for AI agents (29. September 2025) definiert Kontext als die Menge an Tokens, die beim Sampling aus einem Modell einbezogen wird, und Context Engineering als das Kuratieren und Pflegen der besten Menge dieser Tokens während der Inferenz.

Der Unterschied zum Prompt Engineering liegt in Umfang und Zeitpunkt:

Ein Coding-Agent arbeitet in einer Schleife: lesen, Tool aufrufen, Ergebnis lesen, entscheiden, erneut aufrufen. Jeder Schritt fügt Tokens hinzu, und jeder Schritt liest erneut, was schon da ist. Deshalb nennt der Beitrag Context Engineering iterativ: Die Auswahl findet jedes Mal neu statt, wenn der Agent entscheidet, was er an das Modell weitergibt.

Was in den Kontext eines Coding-Agenten gelangt

Vor deiner ersten Nachricht und wachsend während der Sitzung:

• Systemprompt und eingebaute Tools. Legt die CLI fest. Du steuerst ihn nicht, bezahlst ihn aber in jedem Schritt.
• Regeldateien. CLAUDE.md für Claude Code, AGENTS.md für Codex und viele andere Agenten. Sie laden zu Beginn einer Sitzung.
• Tool-Definitionen und MCP. Jedes Tool, das der Agent aufrufen kann, hat einen Namen und eine Beschreibung. MCP-Server bringen weitere mit. Claude Code lädt die vollständigen MCP-Tool-Definitionen erst, wenn ein Tool benutzt wird; vorab laden nur Namen und Server-Anweisungen.
• Abgerufene Inhalte. Dateien, die der Agent liest, Suchergebnisse, Dokumentation, die er holt.
• Tool-Ergebnisse. Testläufe, Build-Logs, git diff, Datenbankabfragen, Seiten-Snapshots.
• Gesprächsverlauf. Deine Nachrichten, die Antworten des Agenten und jeder gescheiterte Versuch.

Ein Gefühl für den festen Teil: Wir haben die erste Anfrage von Claude Code mit Standard-Setup bei rund 34,4k Tokens gemessen, mit einem schlanken Setup bei rund 13,3k (siehe unseren Beitrag zum Token-Verbrauch). Diese Grundlast wird in jedem Schritt erneut gesendet. Die Claude-Code-Details zu /context, /compact und /clear findest du im Leitfaden zum Kontextfenster von Claude Code.

Warum mehr Kontext nicht besser ist: Context Rot

Ein Kontextfenster ist eine harte Grenze, doch die weiche Grenze kommt früher. Anthropics Beitrag beschreibt ein „Aufmerksamkeitsbudget“: Transformer setzen jedes Token mit jedem anderen in Beziehung, n Tokens ergeben also n² paarweise Beziehungen, und jedes zusätzliche Token verteilt die Aufmerksamkeit dünner. Je größer das Fenster wird, desto schlechter kann sich das Modell an seinen Inhalt erinnern.

Unabhängige Forschung zeigt dasselbe. Chromas Context-Rot-Bericht (14. Juli 2025) testete 18 Modelle und stellte fest, dass die Leistung in allen Experimenten mit der Eingabelänge sinkt, selbst bei einfachen Aufgaben. Einige Ergebnisse, die fürs Programmieren zählen:

• Schon ein einziger Distraktor, also Text, der relevant wirkt, es aber nicht ist, senkte die Genauigkeit, und der Effekt wuchs mit der Eingabelänge.
• In einem Langzeitgedächtnis-Benchmark schnitt jedes Modell mit einem fokussierten Prompt von rund 300 Tokens deutlich besser ab als mit dem vollständigen Prompt von rund 113k Tokens.

Für einen Coding-Agenten sind Distraktoren überall: eine alte Version einer Datei, die vor einer Änderung gelesen wurde, ein Stacktrace eines längst behobenen Fehlers, ein verworfener Ansatz. Ein Fenster mit 1 Mio. Tokens schafft Platz, aber keine Immunität.

Techniken, die funktionieren

Das sind die Techniken aus Anthropics Beitrag, übertragen auf die Arbeit mit einem Coding-Agenten.

1. Regeldateien kurz und gezielt halten

Regeldateien werden in jeder Sitzung bezahlt, also muss jede Zeile ihren Platz verdienen. Die Memory-Dokumentation von Claude Code empfiehlt, jede CLAUDE.md unter 200 Zeilen zu halten, und weist darauf hin, dass längere Dateien die Befolgung der Regeln verschlechtern. Statt einer langen Datei:

• Lege Regeln, die nur für einen Teil des Codes gelten, mit einem paths-Feld in .claude/rules/ ab. Sie laden nur, wenn Claude eine passende Datei liest oder bearbeitet.
• Nutze verschachtelte CLAUDE.md-Dateien in Unterordnern. Claude Code lädt sie bei Bedarf, sobald es in diesem Ordner arbeitet.
• Beachte, dass @path-Importe eine Datei ordnen, aber ihre Kosten nicht senken: Importierte Dateien laden zusammen mit der Datei, die sie importiert.

---
paths:
  - "src/api/**/*.ts"
---

# API-Regeln

- Validiere jeden Request-Body mit dem gemeinsamen Schema.
- Gib Fehler im Standard-Fehlerformat zurück.

Codex arbeitet mit AGENTS.md genauso: Es liest eine globale Datei aus ~/.codex, dann eine Datei pro Verzeichnis vom Projektstamm bis zum Arbeitsverzeichnis, wobei nähere Dateien später kommen und damit Vorrang haben. Ab project_doc_max_bytes, standardmäßig 32 KiB, fügt es keine Dateien mehr hinzu. Was hineingehört, erklärt unser Leitfaden zu CLAUDE.md und AGENTS.md.

Zum Inhalt rät Anthropic, auf der „richtigen Flughöhe“ zu schreiben: konkret genug, um das Verhalten zu lenken, allgemein genug, um keine fragile Wenn-dann-Logik festzuschreiben. Ein paar typische Beispiele wirken besser als eine lange Liste von Sonderfällen.

2. Just in time abrufen

Statt alles vorab zu laden, behalte leichtgewichtige Verweise (Dateipfade, Funktionsnamen, Links) und lass den Agenten den Inhalt laden, wenn er ihn braucht. Anthropic nennt Claude Code als Beispiel: Es findet Dateien mit glob und grep und schaut sich große Datenmengen mit head und tail an, ohne alles zu laden. In der Praxis:

• Zeig dem Agenten eine Datei oder ein Symbol, statt ihn zu bitten, sich „mal umzusehen“.
• Lass dir vor dem vollständigen Lesen einer großen Datei erst eine Gliederung oder einen Zeilenbereich geben.
• Halte in der Regeldatei eine kurze Karte des Repos (wo die API liegt, wo die Tests sind) und lass den Agenten den Rest selbst holen.

3. Arbeit in Subagenten auslagern

Ein Subagent läuft in seinem eigenen, sauberen Kontextfenster. Er kann Zehntausende Tokens fürs Erkunden verbrauchen und nur eine verdichtete Zusammenfassung zurückgeben; Anthropic nennt häufig 1.000 bis 2.000 Tokens. Gute Kandidaten sind das Erkunden der Codebasis, das Lesen langer Logs und ein Review des Diffs in frischem Kontext.

Subagenten sind nicht kostenlos. Anthropics Beitrag zum Multi-Agent-Research-System (13. Juni 2025) berichtet, dass Agenten etwa das 4-Fache der Tokens eines Chats verbrauchen und Multi-Agent-Systeme etwa das 15-Fache. Was du dafür bekommst, ist ein sauberer Hauptstrang, keine kleinere Rechnung.

4. Kompaktieren und alte Tool-Ergebnisse löschen

Kompaktierung fasst ein Gespräch nahe seiner Grenze zusammen und macht mit der Zusammenfassung weiter. Anthropic nennt das Löschen alter Tool-Ergebnisse eine der sichersten Formen der Kompaktierung: Die rohe Ausgabe eines Testlaufs von vor vierzig Schritten braucht der Agent selten. Auf API-Seite meldete Anthropics Ankündigung zum Context Management (29. September 2025), dass Context Editing, das veraltete Tool-Aufrufe und -Ergebnisse entfernt, den Token-Verbrauch in einer Websuche-Evaluation mit 100 Schritten um 84 % senkte.

In einer Coding-CLI steuerst du die Zusammenfassung besser selbst, statt sie an der Grenze passieren zu lassen:

/compact Behalte die Liste der geänderten Dateien, den fehlschlagenden Test und die API-Entscheidung

Und wenn du zu einer anderen Aufgabe wechselst, starte eine neue Sitzung, statt die alte zu kompaktieren.

5. Dem Agenten Notizen außerhalb des Fensters geben

Strukturiertes Notieren heißt: Der Agent schreibt seinen Fortschritt in eine Datei und liest ihn später wieder ein. Anthropics Beispiele sind unter anderem eine NOTES.md-Datei und To-do-Listen. Das Auto-Memory von Claude Code funktioniert genau so: ein MEMORY.md-Index pro Repository, von dem die ersten 200 Zeilen oder 25 KB zu Beginn jeder Sitzung laden. Für mehrere Agenten und Sitzungen geht ein gemeinsames Projektgedächtnis weiter; mehr dazu in Gemeinsames Gedächtnis für KI-Coding-Agenten.

6. Eine Codebase-Map statt blinder Suche

Erkunden per grep und Lesen füllt das Fenster mit ganzen Dateien, von denen sich die meisten als irrelevant erweisen. Eine Codebase-Map ist ein Index aus Dateien, Symbolen, Importen und Tests, den der Agent abfragen kann. So liest er zuerst eine sortierte Liste und eine Gliederung und erst dann die Zeilen, die er braucht.

7. Tool-Ausgaben knapp halten

Tool-Ergebnisse sind oft der größte und lauteste Teil des Fensters. Anthropics Writing effective tools for agents (11. September 2025) empfiehlt Paginierung, Bereichsauswahl, Filterung und Kürzung mit sinnvollen Standardwerten und schreibt, dass Claude Code Tool-Antworten standardmäßig auf 25.000 Tokens begrenzt. Dieselbe Idee kannst du von außen anwenden:

• Führe eine einzelne Testdatei aus, nicht die ganze Suite.
• Filtere Logs mit grep oder tail, bevor der Agent sie liest.
• Nimm lieber einen gezielten CLI-Befehl als ein Tool, das eine ganze Seite oder Tabelle zurückgibt.
• Deaktiviere MCP-Server, die ein Projekt nicht nutzt.

Context Engineering messen

Ohne Messung rätst du wieder. Nützliche Signale:

• Die Aufschlüsselung. /context zeigt in Claude Code nach Kategorien, was das Fenster belegt und welche Regel- und Memory-Dateien geladen wurden. Prüfe es nach jeder Änderung an Regeldateien oder MCP-Setup.
• Tokens pro Aufgabe. Vergleiche ähnliche Aufgaben vor und nach einer Änderung, nicht einzelne Sitzungen.
• Wiederholte Korrekturen. Wenn du eine Regel ständig wiederholst, fehlt sie in der Regeldatei oder geht darin unter.
• Erfolg im ersten Anlauf. Weniger Nachfrage-Prompts bei vergleichbaren Aufgaben ist das Ergebnis, das du eigentlich willst.
• Anzeichen von Context Rot. Dateien werden erneut gelesen, frühere Anweisungen vergessen, ein verworfener Ansatz wiederholt. Dann kompaktieren oder neu starten.

Ändere immer nur eine Variable. Anthropics Multi-Agent-Beitrag fand, dass der Token-Verbrauch allein etwa 80 % der Leistungsunterschiede in seiner BrowseComp-Evaluation erklärte. Das erinnert daran, dass mehr Tokens wie bessere Ergebnisse aussehen können; vergleiche Kosten und Qualität immer zusammen.

Eine Checkliste

Wo AgentVera ins Spiel kommt

AgentVera führt Claude Code, Codex und andere CLI-Agenten nebeneinander in einer Desktop-App aus. Es ersetzt die Gewohnheiten oben nicht, aber mehrere Funktionen wenden sie für jeden Agenten an, den du startest. All das ist auf den Funktionsseiten beschrieben:

• Token-Einsparung: Kontextprofile, die die Grundlast beim Start verkleinern, die aktuelle Kontextgröße in jedem Pane, standardmäßig aktives Auto-Compact bei 150k Tokens mit dem jeweils eigenen Befehl jeder CLI, und RTK, das Test-, Build- und Git-Ausgaben kürzt, bevor sie das Modell erreichen.
• Projektkarte: ein lokaler Index aus Symbolen, Importen, Tests und Dateien, die gemeinsam geändert werden, den Agenten über agentvera-map-MCP-Tools wie map_related und map_outline abfragen. Der Tab AI ROI vergleicht Gespräche mit und ohne Map, auch nach Tokens pro Aufgabe.
• Brain: ein Projektgedächtnis aus Doku, Commits, PRs und Agentengesprächen. Agenten durchsuchen es mit brain_recall und halten Korrekturen mit brain_remember fest; ein optionales Kontextpaket mit bis zu 2.500 Zeichen geht an neue Agenten.
• Smart Tools für Claude Code: lehnen das erneute Lesen einer unveränderten Datei ab, liefern bei einer großen Datei zuerst die Gliederung und verengen komplette Testläufe auf die betroffenen Tests.

Wenn du einen einzelnen Agenten in einem einzelnen Terminal nutzt, funktionieren die Techniken aus diesem Beitrag auch für sich allein bestens, und /context, /compact und eine gepflegte Regeldatei bringen dich schon weit. AgentVera hilft am meisten, wenn du mehrere Agenten betreibst und für alle dieselbe Kontextdisziplin willst. Du kannst es herunterladen und an einem Projekt ausprobieren.

Fazit

Context Engineering heißt kuratieren, was ein Agent in jedem Schritt sieht, und bei Coding-Agenten schlägt es Prompt-Feinschliff, weil der Prompt nur ein kleiner Ausschnitt des Fensters ist. Lange Kontexte werden unzuverlässiger. Halte Regeldateien also kurz und gezielt, rufe just in time ab, lagere Erkundung in Subagenten aus, kompaktiere mit Fokus, führe Notizen außerhalb des Fensters, nutze eine Codebase-Map und halte Tool-Ausgaben knapp. Dann miss: Kontextaufschlüsselung, Tokens pro Aufgabe und Erfolg im ersten Anlauf zeigen dir, ob eine Änderung geholfen hat.