Was ist Context Engineering?

Context Engineering heißt, der KI alles mitzugeben, was sie für eine Aufgabe braucht. Dazu gehören Regeln, Beispiele, Werkzeuge und das Wissen, wie euer Betrieb arbeitet.

Der Prompt ist dabei nur ein kleiner Teil. Entscheidend ist, was die KI sonst noch sieht. Weiß sie nicht, wie ihr arbeitet, rät sie. Das Ergebnis sieht fertig aus und passt trotzdem nicht.

Im Unternehmen zählt vor allem das Wissen, das in keiner Software steht. Wie läuft ein Ablauf wirklich? Welcher Kunde hat eine Sonderregel? Wer kümmert sich um welches Tool? Das schreibt ihr in kurze Markdown Dateien, und die wachsen mit jeder Aufgabe.

NCA arbeitet jeden Tag mit Agenten, die ihren Kontext aus Markdown Dateien holen. Unser Content Marketing läuft über Regeln, Skills und einen eigenen MCP Server für Sulu. Im Code arbeiten wir mit OpenCode, Rules Dateien und Quality Gates aus PHPStan, PHPUnit und Cypress. Was in diesen Dateien fehlt, sehen wir sofort am Ergebnis.

Für Unternehmen verbinden wir das mit NCA KI Agenten, der NCA MCP Middleware für Unternehmensdaten, den NCA Agentic AI Coding Guardrails und unserem Vibe Coding Consulting. Wie Regeln im Repository aussehen, zeigt der Beitrag zu rules.md und AGENTS.md. Den Einstieg für das ganze Team bietet der NCA KI Workshop für alle Abteilungen.

Jeder Agent startet wie ein neuer Kollege am ersten Tag. Er kennt die Werkzeuge, aber nicht euren Laden. Er weiß nicht, warum eine Rechnung anders gebucht wird, welcher Kunde eine Sonderregel hat oder wer bei einem Tool den Zugang hat.

Lässt man so einen Agenten lange allein laufen, kommt etwas Typisches heraus. Das Ergebnis ist schnell da und sieht sauber aus. Beim genauen Lesen fehlen genau die Details, auf die es ankommt. Das Prüfen dauert dann so lange wie die Arbeit selbst.

Am Modell liegt das selten. Ein stärkeres Modell macht weniger handwerkliche Fehler, eure Regeln kennt es trotzdem nicht. Warum KI bei ähnlichen Aufgaben mal glänzt und mal danebenliegt, steht bei der Jagged Frontier. Wie der Kontext im Lauf einer Session leidet, zeigt das Context Window Management.

Guter Kontext ist kurz und konkret. Diese sechs Punkte decken fast jeden Ablauf ab:

• Abläufe: die Schritte in der Reihenfolge, in der ihr sie wirklich macht.
• Sonderfälle: Ausnahmen, die jeder im Team kennt und niemand aufgeschrieben hat.
• Gründe: warum ihr etwas so macht. Ohne Grund hält der Agent eine Regel für optional.
• Zuständigkeiten: wer entscheidet, wer prüft und wer welchen Zugang verwaltet.
• Grenzen: was der Agent nie tun darf, etwa Daten löschen oder Mails verschicken.
• Begriffe: eure internen Namen für Kunden, Produkte und Systeme.

Passwörter und Zugangsdaten gehören nie in diese Dateien. Dort steht nur, wo ein Zugang liegt und wer ihn verwaltet. Den Zugriff selbst regelt eine Schnittstelle mit klaren Rechten, etwa über MCP RBAC.

Niemand muss den ganzen Betrieb an einem Wochenende aufschreiben. Große Doku Projekte sind meist veraltet, bevor sie fertig sind. Besser ist ein kleiner, fester Takt:

1. Eine echte Aufgabe mit dem Agenten erledigen.
2. Notieren, was ihr dabei erklären musstet.
3. Diese Erklärung als kurze Datei ablegen.
4. Beim nächsten Mal prüfen, ob der Agent sie nutzt.
5. Lücken ergänzen und Veraltetes löschen.

So wächst der Kontext genau dort, wo er gebraucht wird. Mit jeder Runde müsst ihr weniger erklären, und die Ergebnisse passen besser zu euch.

Ein Trick hilft dabei besonders: Lasst den Agenten eure alten Chats lesen und fragt, wo eure Anweisungen unklar oder widersprüchlich waren. Die Antworten wandern wieder in die Dateien. Wie ein LLM so eine Wissensbasis aus Markdown selbst pflegt, zeigt das Muster aus dem Karpathy LLM Wiki.

Wie viel ein Agent leisten kann, hängt davon ab, wo euer Wissen liegt. Die vier Levels zeigen den Weg von der einzelnen Frage im Chat bis zum Agenten, der einen Ablauf mit Prüfstationen erledigt. Tabelle und Grafik zeigen denselben Inhalt.

Markdown ist die gemeinsame Basis. Je nach Zweck gibt es aber verschiedene Orte und Formate. Die Übersicht hilft bei der Einordnung.

Guter Kontext macht Agenten besser. Sicher macht er sie noch nicht. Dafür braucht es Prüfungen, die unabhängig vom Agenten laufen:

• Automatische Prüfungen: Tests und statische Analyse kontrollieren jede Änderung, siehe Quality Gates für KI Code.
• Menschliche Freigabe: Alles, was nach außen wirkt, braucht ein Okay, wie im Governed Agent Loop beschrieben.
• Klare Rechte: Der Agent darf nur, was seine Aufgabe verlangt. Unsere Liste steht unter Was wir KI Agenten nicht erlauben.

Tempo ist dabei kein Ziel. Ein Agent, der über Nacht durchläuft, spart nur dann Zeit, wenn sein Ergebnis die Prüfung besteht. Tests haben noch einen Vorteil: Ihr könnt das Modell wechseln, ohne alles neu zu prüfen, weil die Tests die Qualität unabhängig vom Modell messen. Wie Tests dabei zur Spezifikation werden, zeigt die lebende Spezifikation.

Auch diese Seite ist so entstanden. Unsere Content Produktion läuft über Regeln, die über Monate gewachsen sind: Schreibstil, Bildregeln, Seitenaufbau und Freigaben. Jede Korrektur landet als Regel in einer Datei. Danach macht der Agent denselben Fehler nicht noch einmal.

Im Code gilt dasselbe. OpenCode liest die Rules Dateien eines Projekts, Skills bündeln wiederkehrende Abläufe, und Daten kommen über eigene MCP Server. Wie das für ein Team aussieht, zeigen die NCA PHP AI Coding Guidelines und die NCA Python AI Coding Guidelines. Wie Dokumente für Coding Agenten ineinandergreifen, beschreibt die Dokumentenkette aus ADR, PRD und BDD.

Wo euer Unternehmen insgesamt steht, klärt die AI Readiness. Den Rahmen für die Führung liefert die KI Strategie, und wie die Menschen im Team mitkommen, zeigt die Human Readiness.

Die wichtigsten Antworten dazu, wie die KI den Kontext bekommt, den sie für eure Arbeit braucht.