Prompt Engineering vs. Context Engineering: Wo liegt der Unterschied?

Prompt Engineering war 2023 die Antwort auf eine einfache Frage: Wie formuliere ich meine Anfrage so, dass das Modell liefert? Die Regeln kennen Sie vermutlich: klar und direkt schreiben, eine Rolle vergeben, Beispiele zeigen, ein Ausgabeformat verlangen. Das funktioniert bis heute, und zwar gut, solange es um eine einzelne Aufgabe in einem einzelnen Chat geht.

Nur arbeiten Unternehmen 2026 anders mit KI. Ein Projekt läuft über Wochen. Das Modell greift auf Dokumente, Datenbanken und Werkzeuge zu. KI-Agenten arbeiten in Schleifen und erzeugen bei jedem Schritt neue Informationen, die für den nächsten Schritt relevant sein könnten oder auch nicht. Die entscheidende Frage lautet deshalb nicht mehr „Wie formuliere ich das?“, sondern „Welche Zusammenstellung des Kontexts führt am wahrscheinlichsten zum gewünschten Verhalten?“

Anthropic bezeichnet Context Engineering als die natürliche Weiterentwicklung des Prompt Engineering. Der Kern des Unterschieds: Ein Prompt wird einmal geschrieben. Der Kontext wird bei jedem Aufruf des Modells neu kuratiert. Das folgende Raster zeigt die Unterschiede auf einen Blick:

Eigene Darstellung auf Basis von Anthropic, „Effective context engineering for AI agents“ (29. September 2025).

Woher der Begriff kommt

Der Begriff ist jung. Im Juni 2025 schlug Shopify-CEO Tobi Lütke auf X vor, statt von Prompt Engineering von Context Engineering zu sprechen, weil es die eigentliche Fähigkeit besser beschreibe: dem Modell den gesamten Kontext zu liefern, mit dem die Aufgabe plausibel lösbar ist. Andrej Karpathy, Gründungsmitglied von OpenAI, griff das am 25. Juni 2025 auf und beschrieb Context Engineering als die feine Kunst und Wissenschaft, das Kontextfenster mit genau den richtigen Informationen für den nächsten Schritt zu füllen. Am 29. September 2025 veröffentlichte das Applied-AI-Team von Anthropic den Beitrag „Effective context engineering for AI agents“, der bis heute die meistzitierte Referenz zum Thema ist und auf den sich dieser Artikel in weiten Teilen stützt.

Ist Prompt Engineering damit tot?

Nein. Eine vage Anweisung bleibt eine vage Anweisung, egal wie gut der Rest des Kontexts kuratiert ist. Prompt Engineering ist heute eine Schicht innerhalb eines größeren Systems. Was sich geändert hat, ist die Reihenfolge der Fragen: Zuerst klären Sie, was das Modell wissen muss und was nicht. Dann formulieren Sie die Anweisung. Wer nur an der Formulierung feilt, während das Modell mit 300 Seiten veralteter Dokumente kämpft, optimiert an der falschen Stelle.

Warum Kontext-Engineering 2026 wichtiger ist als jedes Prompt-Template

Auf den ersten Blick wirkt es paradox. Die Kontextfenster sind in zwei Jahren enorm gewachsen. Claude Opus 5 und Claude Sonnet 5 verarbeiten im Chat auf allen bezahlten Plänen bis zu 1 Million Tokens. Zum Vergleich: Anthropic gibt für 200.000 Tokens etwa 500 Textseiten an, eine Million Tokens entspricht also grob 2.500 Seiten. Warum sollte man da noch kuratieren, wenn einfach alles hineinpasst?

Die Antwort liefert die Forschung. Chroma Research testete im Juli 2025 unter dem Titel „Context Rot“ 18 aktuelle Sprachmodelle und stellte fest: Mit steigender Zahl an Tokens im Kontextfenster sinkt bei allen Modellen die Fähigkeit, Informationen daraus korrekt abzurufen. Manche Modelle bauen sanfter ab als andere, aber keines ist immun. Ein Detail am Rande, das für Claude-Nutzer interessant ist: Bei Störinformationen im Kontext zeigten die Claude-Modelle in der Chroma-Studie die niedrigsten Halluzinationsraten und gaben im Zweifel lieber keine Antwort, statt eine falsche zu erfinden. Anthropic beschreibt das mit dem Bild eines Aufmerksamkeitsbudgets: Jeder zusätzliche Token verbraucht einen Teil davon. Technisch liegt das an der Transformer-Architektur, in der jeder Token zu jedem anderen Token in Beziehung gesetzt wird, und daran, dass Modelle in der Ausbildung deutlich häufiger kurze als sehr lange Sequenzen gesehen haben.

Die Konsequenz für die Praxis: Kontext ist eine endliche Ressource mit abnehmendem Grenznutzen. Ein Projekt, in das Sie den kompletten SharePoint-Ordner hochladen, ist kein Kontext-Engineering. Die 40 Seiten, die für die Aufgabe wirklich zählen, sind es. Dazu kommt ein wirtschaftlicher Aspekt: Jeder Token kostet Rechenzeit, über die API bares Geld und im Chat einen Teil Ihres Nutzungskontingents. Kuratieren ist damit nicht nur eine Qualitäts-, sondern auch eine Kostenfrage.

Wer das verstanden hat, sieht auch, warum Kontext-Engineering ein Führungsthema ist. Es entscheidet, ob KI im Unternehmen zuverlässig und wiederholbar Ergebnisse liefert oder ob jeder Mitarbeiter täglich neu improvisiert. Genau hier setzt eine gute KI-Strategie für Unternehmen an: Sie legt fest, welches Wissen in welcher Form für KI-Systeme aufbereitet wird.

Die sechs Bausteine eines guten Kontexts (nach Anthropic)

Anthropics Leitprinzip lautet: Finden Sie die kleinstmögliche Menge an Tokens mit hohem Signalwert, die das gewünschte Ergebnis am wahrscheinlichsten macht. Das klingt einfach, ist in der Umsetzung aber Handwerk. Die folgenden sechs Bausteine fassen zusammen, worauf es laut dem Anthropic-Beitrag bei jedem Bestandteil des Kontexts ankommt. Sie gelten für Claude, lassen sich aber genauso auf ChatGPT, Gemini oder Copilot übertragen.

Welche Technik passt, hängt laut Anthropic von der Aufgabe ab: Compaction für Aufgaben mit viel Hin und Her, Notizen für iterative Arbeit mit klaren Meilensteinen, Sub-Agenten für komplexe Recherche und Analyse, bei der sich paralleles Erkunden lohnt.

Context Engineering für Claude: So setzt Anthropic es in der Praxis um

Anthropic hat Kontext-Engineering auf drei Ebenen in seine Produkte eingebaut: in die Claude-App mit Projekten, in Claude Code und in die API für eigene Anwendungen. Für die meisten Unternehmen ist die erste Ebene die wichtigste, deshalb beginne ich dort.

1. Im Claude-Chat und in Claude Projekten

• Kontextfenster: Claude Opus 5 und Claude Sonnet 5 bieten im Chat auf allen bezahlten Plänen 1 Million Tokens. Claude Opus 4.8, 4.7 und 4.6 sowie Sonnet 4.6 bieten 500.000 Tokens, alle übrigen Modelle 200.000 Tokens, was etwa 500 Seiten Text entspricht.
• Automatische Kontextverwaltung: Auf bezahlten Plänen mit aktivierter Code-Ausführung fasst Claude frühere Nachrichten automatisch zusammen, sobald ein Gespräch an das Limit kommt. Das zählt nicht zum Nutzungslimit, und der vollständige Verlauf bleibt erhalten. Wenn Claude in langen Gesprächen „seine Gedanken ordnet“, ist genau das im Gang.
• Projekte: Ein Projekt kombiniert Projektanweisungen (Rolle, Regeln, Ton) mit Projektwissen (Dateien und eingefügter Text). Auf bezahlten Plänen schaltet Claude automatisch in einen RAG-Modus, sobald das Projektwissen an die Kontextgrenze kommt: Statt alles zu laden, durchsucht Claude die Dokumente und holt nur die relevanten Passagen. Die Kapazität steigt damit um bis zu das Zehnfache, ein Indikator im Projekt zeigt den Modus an. Anthropic empfiehlt, Projektanweisungen knapp zu halten und für Rolle, Kernregeln und allgemeinen Kontext zu nutzen.
• Memory: Claude merkt sich auf Wunsch Ihren beruflichen Kontext und Ihre Arbeitsweise. Das Gedächtnis ist nach Projekten getrennt (jedes Projekt hat sein eigenes), einsehbar und editierbar. Incognito-Chats landen weder in der Chronik noch im Gedächtnis.
• Skills: Skills sind wiederverwendbare Ordner mit einer Datei SKILL.md, die Claude Fachwissen und Arbeitsabläufe beibringen. Der Clou für das Kontext-Engineering: Bis ein Skill ausgelöst wird, belegen nur sein Name und seine Beschreibung Platz im Kontext. Sie können also viele Skills installieren, ohne dass der Kontext darunter leidet. Anthropic hat Skills im Oktober 2025 eingeführt und das Format als offenen Standard veröffentlicht. Wie Sie eigene Skills aufbauen, zeigt unser Praxisguide KI Skills erstellen.

2. In Claude Code

Claude Code ist das Anschauungsbeispiel im Anthropic-Beitrag. Die Datei CLAUDE.md wird zu Beginn in den Kontext geladen, alle weiteren Dateien holt sich das Modell mit Such- und Dateibefehlen bei Bedarf. Nähert sich ein Gespräch dem Limit, fasst Claude Code den Verlauf zusammen und arbeitet mit der Zusammenfassung plus den fünf zuletzt genutzten Dateien weiter. Eine To-do-Liste dient als Notizbuch über viele Werkzeugaufrufe hinweg, und Sub-Agenten übernehmen abgegrenzte Teilaufgaben. Wer sehen will, wie Kontext-Engineering in einem echten Agenten aussieht, findet hier das beste Studienobjekt.

3. Über die Claude API für eigene Anwendungen

Für Teams, die eigene KI-Assistenten oder Agenten bauen, hat Anthropic die Techniken aus dem Beitrag als Funktionen der API bereitgestellt: Context Editing entfernt alte Werkzeugergebnisse und Denkschritte automatisch aus dem Verlauf. Die serverseitige Compaction (seit Januar 2026 als Beta verfügbar) fasst den Verlauf zusammen und ersetzt ihn durch die Zusammenfassung, wobei sich mit eigenen Anweisungen steuern lässt, was erhalten bleibt. Das Memory Tool erlaubt es Claude, Wissen in Dateien außerhalb des Kontextfensters zu speichern und später wieder zu lesen. Anthropic empfiehlt, Compaction und Memory Tool zu kombinieren: Compaction hält den aktiven Kontext klein, Memory sichert, was die Zusammenfassung überleben muss. Einen Einstieg in die Plattformen für eigene Agenten gibt unser Guide KI-Agenten selber erstellen. Wie Sie solche Bausteine ohne Entwicklerteam nutzen, zeigen wir im Workshop Eigene KI-Tools bauen.

4. Prompt-Tipps, die bei Claude nachweislich wirken

Prompt Engineering bleibt eine Schicht des Ganzen. Diese Empfehlungen stammen direkt aus Anthropics Dokumentation:

• Lange Dokumente oben, Frage unten. Bei Eingaben ab etwa 20.000 Tokens gehören die Dokumente an den Anfang und die Frage ans Ende. In Anthropics Tests verbesserte das die Antwortqualität um bis zu 30 Prozent, besonders bei mehreren Dokumenten.
• XML-Tags als Struktur. Trennen Sie Anweisungen, Beispiele und Dokumente mit Tags wie <instructions>, <example> oder <document>. Das verhindert, dass Claude Beispiele mit Anweisungen verwechselt.
• Erst zitieren, dann antworten. Bitten Sie Claude bei langen Dokumenten, zuerst die relevanten Passagen zu zitieren. Das schneidet das Rauschen des restlichen Dokuments weg.
• Rolle in die Systemanweisung, Aufgabe in die Nachricht. Die Rolle gehört in den Systemprompt beziehungsweise in die Projektanweisungen, die konkrete Aufgabe in den Chat.
• Die goldene Regel: Zeigen Sie Ihren Prompt einem Kollegen ohne Vorwissen. Versteht er die Aufgabe nicht, versteht Claude sie auch nicht.

Wer diese Grundlagen in einem Tag sauber lernen will, ist im Workshop Claude für Manager richtig, dem ersten Tag der Claude AI Masterclass.

Claude vs. ChatGPT: Kontext-Engineering im direkten Vergleich

Beide Anbieter stellen im Prinzip dieselben Bausteine bereit: ein Kontextfenster, Projekte mit Anweisungen und Dateien, ein Gedächtnis und wiederverwendbare Anleitungen. Die Unterschiede liegen im Detail, und genau die Details entscheiden im Alltag. Die Tabelle fasst den Stand vom 27. August 2026 zusammen, jeweils nach den Angaben der Hersteller:

Quellen: Anthropic Help Center (Kontextfenster, Projekte, Memory), Anthropic Platform Docs (Skills), OpenAI Preisseite chatgpt.com/pricing und OpenAI Help Center (Projekte), alle abgerufen am 27. August 2026. Details und Links in der Quellenliste am Ende.

Meine Einordnung

Drei Punkte fallen im Vergleich auf. Erstens bekommen Sie bei Claude das große Kontextfenster ab dem ersten bezahlten Plan, bei ChatGPT wächst es mit dem Preis. Für Teams, die regelmäßig mit langen Verträgen, Ausschreibungen oder Studien arbeiten, ist das ein handfester Unterschied. Zweitens macht Claude den Übergang in den RAG-Modus sichtbar. Sie sehen, wann Ihr Projekt zu groß wird, und können gegensteuern. Drittens hat ChatGPT Projekte auch im kostenlosen Plan und lässt Chats innerhalb eines Projekts aufeinander aufbauen, während Claude Beständiges konsequent ins Projektwissen und in die projektbezogene Memory verlagert.

Der wichtigste Punkt steht aber nicht in der Tabelle: Beide Werkzeuge belohnen dieselbe Disziplin. Wer seinen Kontext kuratiert, bekommt in beiden Systemen bessere Ergebnisse, wer alles hineinkippt, in beiden schlechtere. Ich bleibe deshalb bewusst werkzeugneutral. Welche Plattform für Ihr Unternehmen passt, klären wir im Workshop Aktuelle KI-Tools im Vergleich, und wer ChatGPT als Standardwerkzeug hat, findet die passende Vertiefung im ChatGPT Praxis-Workshop.

Praxisbeispiel: Kontext-Engineering mit Claude Projekten in fünf Schritten

Theorie ist gut, ein Beispiel ist besser. Ich nehme einen Fall aus unserem eigenen Alltag in der Akademie für KI: Angebote schreiben. Jedes Angebot ist anders, aber Preislogik, Leistungskatalog, Ton und Struktur bleiben gleich. Genau diese Trennung zwischen Konstantem und Variablem ist der Kern von Kontext-Engineering, und Claude Projekte bilden sie sauber ab.

Zwei Feinheiten, die in der Praxis den Unterschied machen. Erstens teilen Chats innerhalb eines Claude Projekts ihren Kontext nicht automatisch. Was für jedes Angebot gelten soll, gehört deshalb in die Anweisungen oder ins Projektwissen, nicht in einen einzelnen Chat. Für wiederkehrende Vorlieben hilft zusätzlich die projektbezogene Memory. Zweitens sagt Ihnen der RAG-Indikator im Projekt, wann Ihr Wissen zu groß geworden ist. Dann heißt es nicht „mehr hochladen“, sondern „aufräumen“ oder das Projekt teilen, etwa in „Angebote Workshops“ und „Angebote Beratung“.

Wenn ein Ablauf über mehrere Projekte hinweg gleich bleibt, etwa die Formatierung als Word-Dokument, lagern Sie ihn in einen Skill aus (Beispiele dafür finden Sie im Beitrag Claude Skills erstellen). Der Skill liegt außerhalb des Projekts, belegt bis zu seiner Aktivierung fast keinen Kontext und steht in jedem Chat zur Verfügung.

Die sieben häufigsten Fehler beim Context Engineering (und was stattdessen hilft)

In unseren Workshops sehen wir immer wieder dieselben Muster. Keines davon ist ein Formulierungsproblem, alle sind Kontextprobleme:

Fazit: Kontext ist die neue Kernkompetenz

Die Modelle sind gut genug. Der Unterschied zwischen Teams, die mit KI zuverlässig liefern, und Teams, die täglich improvisieren, liegt 2026 im Kontext: welches Wissen aufbereitet ist, welche Anweisungen stehen, welche Beispiele zeigen, wie gut aussieht. Prompt Engineering bleibt Teil davon, aber es ist nicht mehr die ganze Geschichte. Wer Kontext-Engineering im Unternehmen verankern will, braucht drei Dinge: Mitarbeiter, die die Bausteine kennen, eine Wissensbasis, die dafür gepflegt wird, und eine KI-Strategie, die beides zusammenhält. Alle drei lassen sich in Wochen aufbauen, nicht in Jahren.

Faktenstand dieses Artikels: 27. August 2026. Kontextfenster, Pläne und Funktionen ändern sich laufend. Wir aktualisieren den Beitrag bei wesentlichen Änderungen.