Die Idee

Ein Kontextfenster ist die begrenzte Menge an Material, die ein Sprachmodell beim Erzeugen einer Antwort nutzen kann. Stell es dir als Arbeitspaket für diese Runde vor, nicht als dauerhaftes Gedächtnis und nicht als Trainingsdaten des Modells. Dazu können frühere Nachrichten, ein System-Prompt, Dokumente, Bilder, Tool-Definitionen, Tool-Ergebnisse und die neue Anfrage gehören. Auch die gerade erzeugte Antwort belegt Platz im Fenster. Quelle

Das ist in einer vertrauten Entwickler-Situation wichtig. Du bittest einen Coding-Agenten, einen fehlschlagenden Test zu untersuchen. Über viele Runden liest er Quelldateien, erhält Terminalausgaben, ruft Tools auf und bespricht mehrere mögliche Korrekturen. Später übersieht er das ursprüngliche Abnahmekriterium. Es kann noch irgendwo im Gespräch stehen, konkurriert aber mit viel anderem Material.

Modelle verarbeiten Text als Tokens: Textbestandteile, die nicht mit Wörtern gleichzusetzen sind. Ein Kontextfenster hat ein endliches Kontextlimit. Überschreitet schon die Eingabe dieses Limit, kann eine API einen Fehler für einen zu langen Prompt zurückgeben. Bei manchen neueren Modellen kann die Generierung stattdessen mit einem Kontextlimit-Stopgrund enden. Das genaue Verhalten hängt vom Modell und von der Anwendung ab. Quelle Quelle

Einfach gesagt: Das Modell kann nur mit dem Material arbeiten, das für diese Antwort bereitsteht. Gib ihm ein fokussiertes Arbeitspaket, nicht jedes Artefakt aus dem Projekt.

Mehr Platz ist nützlich, garantiert aber keine bessere Antwort. Anthropic dokumentiert, dass Genauigkeit und Erinnerungsleistung mit wachsendem Kontext abnehmen können, und nennt diesen Effekt „context rot“. Quelle Das praktische Ziel ist deshalb nicht, möglichst viel Kontext zu sammeln. Halte stattdessen die relevantesten Belege, Anweisungen und ausreichend Platz für die Antwort zusammen.

Ein kleines Beispiel

Beispiel: Ein Test für parseInvoice() schlägt nach einer Änderung des Datumsformats fehl. Eine breite Anfrage fügt eine vollständige Repository-Auflistung, mehrere unzusammenhängende Logs und eine lange Diskussion ein und fragt dann: „Behebe das.“ Der Agent muss erst herausfinden, welche Informationen wichtig sind.

Eine fokussierte Übergabe sagt stattdessen:

  • Ziel: parseInvoice() soll ISO-Daten akzeptieren.
  • Relevante Datei: src/billing/parseInvoice.ts.
  • Beleg: der fehlschlagende Test und seine Fehlermeldung.
  • Einschränkung: Das vorhandene länderspezifische Format bleibt erhalten.
  • Prüfung: Führe nach der Änderung den genannten Test aus.

Das macht das Modell nicht automatisch korrekt. Es gibt ihm ein kleineres, überprüfbares Arbeitspaket. Auch das Review wird einfacher: Du kannst prüfen, ob die vorgeschlagene Änderung die genannte Einschränkung erfüllt und den Test besteht.

Erstelle vor einer neuen Phase einer langen Sitzung eine kurze Notiz zum Arbeitsstand. Nenne Ziel, geänderte Dateien, bereits getroffene Entscheidungen, offene Fragen und Teststatus. Wenn dein Tool das Gespräch kompaktiert, behandle diese Notiz als Übergabe, nicht als Beweis dafür, dass jedes frühere Detail erhalten blieb. Kontextkompaktierung kann ältere Gesprächsinhalte ab einem konfigurierten Token-Schwellenwert zusammenfassen und mit dem kompaktierten Kontext fortfahren; Zusammenfassungen können Details verlieren. Quelle

Probier es aus

Nimm dir bei einer echten Aufgabe fünf Minuten. Entferne vor deiner nächsten Agent-Anfrage einen irrelevanten Dateidump oder ein langes Tool-Log. Schreibe dann vier Zeilen: Ziel, relevante Dateien, offene Frage und auszuführender Test. Bitte um einen konkreten nächsten Schritt und eine Begründung, die sich auf diese vier Zeilen bezieht.

Vergleiche die Antwort mit deinem vorherigen breiten Prompt. Hat sie die richtige Datei erkannt? Hat sie die Einschränkung beibehalten? Das ist kein Test der Modellintelligenz. Du prüfst nur kurz, ob das Arbeitspaket die Informationen enthält, die du fürs Review brauchst.

Darauf solltest du achten

Gehe nicht davon aus, dass Text dauerhaft erinnert wird, nur weil er früher in einem Chat stand. Kontext ist das Material für die aktuelle Anfrage; dauerhafte Speicherung über Sitzungen hinweg ist eine eigene Produktfunktion.

Lösche aber auch nicht blind Kontext. Wenn du eine Sicherheitsanforderung, einen Schnittstellenvertrag oder eine fehlschlagende Assertion entfernst, kann die Antwort weniger nützlich werden. Behalte Fakten, die die Änderung begrenzen, und kürze Material, das das nicht tut.

Ein Modell kann Informationen außerdem übersehen, obwohl sie technisch noch ins Fenster passen. Wiederhole nach einer Kompaktierung oder einem langen Umweg kritische Anforderungen und Prüfschritte. Eine kurze, explizite Übergabe ist eine praktische Absicherung – aber kein Ersatz dafür, den Diff zu lesen und Tests auszuführen.