Ins Kontextfenster
Nur, was die Aufgabe jetzt braucht, zur Laufzeit geladen, scharf und relevant.
Handwerk · Context Engineering
Context Engineering
Die meisten AI-Projekte scheitern am Kontext, nicht am Modell. Diese Säule hält den Kontext strukturiert und hochwertig, während er wächst, sie entscheidet, was hineingehört, und pflegt die Wissensschicht, bevor sie verrottet.
§01 Handwerk
Was in den Kontext gehört, und was nicht
Nicht alles gehört ins Kontextfenster, und fast nichts gehört ins Training. Die erste Engineering-Entscheidung ist die Grenze: Welches Wissen wird zur Laufzeit als Kontext geladen, welches lebt in einer durchsuchbaren Wissensschicht, welches braucht das Modell gar nicht zu sehen? Wer alles hineinkippt, verdünnt das Relevante und macht jede Antwort teurer und unschärfer. Wer zu wenig gibt, erntet selbstbewusste Lücken.
In die Wissensschicht
Durchsuchbar und versioniert, wird bei Bedarf gezielt nachgeladen.
Gar nicht
Was das Modell nie sehen muss, bleibt bewusst draussen.
§02 Handwerk
Context Rot und Poisoning verhindern
Kontext, der wächst, verrottet, wenn ihn niemand pflegt. Veraltete Fakten, widersprüchliche Regeln und ein einziger falscher Eintrag, der sich durch jede Antwort zieht (Context Poisoning), sind keine Ausnahmen, sondern der Normalzustand ungepflegter Systeme. Wir behandeln Kontext wie Code: versioniert, mit klarer Herkunft pro Eintrag und einem Prozess, der Falsches entfernt, bevor es sich vervielfacht. So bleibt die Wissensschicht hochwertig, während sie grösser wird.
- 01 Jeder Eintrag mit Herkunft
- 02 Versioniert wie Code
- 03 Planmässig überprüfen
- 04 Falsches entfernen, bevor es streut
Mensch AI Algorithmus
§03 Handwerk
Scharf bleiben, wenn sich Tools und Modelle ändern
Ein Prompt, der heute zuverlässig läuft, kann beim nächsten Modell-Update kippen. Tools werden ersetzt, Modelle gewechselt, das Geschäft verschiebt sich, eine Wissensschicht, die in einem vergessenen Dokument einfriert, veraltet schneller, als sie hilft. Wir halten Prompts, Regeln und Projektkontext in einer strukturierten, durchsuchbaren Schicht, die mitwächst und regelmässig nachgeschärft wird. Damit derselbe Prompt nächste Woche dieselbe Qualität liefert, und nicht eine andere Antwort.
Derselbe Prompt liefert nächste Woche dieselbe Qualität, nicht eine andere Antwort.
§04 Das Problem
Warum Kontext der Engpass ist.
Die meisten AI-Projekte scheitern am falschen Kontext. AI-Tools sind mächtig, aber sie liefern nur dann gut, wenn sie den richtigen Kontext, Anweisungen, Daten und Verifikation bekommen. Unternehmen, die diesen Schritt überspringen, bekommen nicht schlechte AI, sondern unberechenbare AI: derselbe Prompt liefert nächste Woche eine andere Antwort, sensible Daten landen im falschen Tool, Outputs wirken überzeugend, enthalten aber stille Fehler. Vertrauen erodiert leise.
- 01 Inkonsistente AI-Outputs über Teams hinweg DRIFT
- 02 Unklare oder ungepflegte Prompts FRAGIL
- 03 Fehlender Geschäfts- und Projektkontext HOHL
- 04 Wiederholte Fehler, für die niemand zuständig ist NACHARBEIT
- 05 Unsicherer Dateneinsatz und Schatten-Tools RISIKO
- 06 Kein Verifikations- oder Review-Prozess UNGEPRÜFT
- 07 Geringes Vertrauen bei Mitarbeitenden und Management KULTURELL
Die Lösung ist nicht noch ein Tool. Es ist Struktur.
§05 Weiterlesen
Mehr zu Context Engineering
Wie Kontext strukturiert bleibt und wie er leise scheitert, vertiefen wir im Blog und in unseren Docs. mema ist die offene Forschung dahinter.