Der Tweet, der Prompt Engineering tötete
Am 19. Juni 2025 postete Tobi Lütke, CEO von Shopify, auf X, dass er den Begriff „Context Engineering" dem von „Prompt Engineering" vorziehe. Er beschrieb es als „die Kunst, den gesamten Kontext so bereitzustellen, dass die Aufgabe für das LLM plausibel lösbar wird". Sechs Tage später verstärkte Andrej Karpathy, eine der angesehensten Stimmen in der KI, den Begriff. Seine Definition war schärfer: „Context Engineering ist die feine Kunst und Wissenschaft, das Kontextfenster mit genau den richtigen Informationen für den nächsten Schritt zu füllen." (Karpathy, 2025)
Der Begriff selbst war nicht neu. Walden Yan bei Cognition, dem Team hinter dem autonomen Coding-Agenten Devin, hatte Anfang des Jahres bereits darüber geschrieben. Aber der Juni 2025 war der Moment, in dem die Bezeichnung mainstream wurde. Bis Mitte 2025 hatte Gartner sie in seine Analystenbriefings eingebacken, mit einer einfachen Zeile: „Context Engineering ist drin, Prompt Engineering ist draußen." (Gartner, 2025)
Was geschah, war kein Rebranding. Es war eine Korrektur. Die KI-Community räumte leise ein, dass die Fähigkeit namens „Prompt Engineering" immer eine Teilmenge von etwas Größerem gewesen war, und dass diese Teilmenge nicht mehr der interessante Teil war. Ein Prompt ist eine Komponente. Kontext ist der ganze Raum.
Das zählt, weil Wissensarbeiter zwei Jahre damit verbracht haben, das Falsche zu lernen. Sie memorierten Prompt-Vorlagen. Sie sammelten „ultimative Prompt"-Twitter-Threads. Sie behandelten den Prompt wie einen Zauberspruch. Dieser Aufwand ist nicht nutzlos, aber er reicht nicht mehr aus. Die Frage ist nicht, wie Sie Ihre Anfrage formulieren. Die Frage ist, was Sie neben Ihrer Anfrage platzieren.
Was Context Engineering tatsächlich bedeutet
Die einfachste Definition: Context Engineering ist die Praxis, alles zu entscheiden, zusammenzustellen und zu liefern, was ein KI-Modell braucht, um eine Aufgabe gut zu erledigen, bevor das Modell läuft.
Denken Sie daran wie an das Briefing eines neuen Beraters. Ein schlechtes Briefing ist eine einzeilige E-Mail. Ein gutes Briefing umfasst den Unternehmenshintergrund, die relevante Historie, die benötigten Dateien, die Stakeholder, wie Erfolg aussieht und was außerhalb des Scopes liegt. Wenn Sie einen brillanten Berater engagieren und ihm ein schlechtes Briefing geben, bekommen Sie ein mittelmäßiges Ergebnis. Dasselbe gilt für KI.
Die Berater-Analogie stammt von Addy Osmani, aus seinem Essay „Context Engineering: Bringing Engineering Discipline to Prompts", der eine der saubersten Ausführungen zum Wandel bleibt. Sein Punkt ist, dass Prompt Engineering die einzeilige E-Mail optimierte. Context Engineering optimiert das gesamte Briefing-Paket.
Praktisch deckt das viel Boden ab. Es umfasst den System-Prompt (wer das Modell ist), die Retrieval-Ebene (welche Dokumente es sehen kann), persistentes Gedächtnis (was es sich über Sie merkt), Tool Use (welche Aktionen es ausführen kann), Anhänge (welche Dateien Sie für diese Sitzung geladen haben) und Gesprächsverlauf (was bereits gesagt wurde). Jedes davon ist ein Hebel. Jeder Hebel beeinflusst die Ausgabe.
Der Grund, warum dieses Bündel einen neuen Namen bekam, ist, dass Sie keine großartigen Ergebnisse mehr erzielen können, indem Sie nur einen Hebel optimieren. Sie müssen über den Stack nachdenken.
Prompt Engineering war nicht falsch. Nur unvollständig.
Es ist verlockend, das als einen Generationswechsel zu behandeln, bei dem alles Alte falsch ist. Das ist faule Rahmung. Prompt-Engineering-Techniken funktionieren weiterhin. Chain-of-Thought, Few-Shot-Beispiele, Rollenzuweisung, explizite Ausgabeformate, all das bewegt weiterhin die Nadel.
Was sich änderte, ist die Decke. 2023 konnte ein gut formulierter Prompt die Qualität einer Antwort verdoppeln, weil die zugrundeliegenden Modelle leicht durch Mehrdeutigkeiten verwirrt wurden. Man konnte GPT-3.5 mit der richtigen Satzstruktur von einem stolpernden Praktikanten in einen kohärenten Analysten verwandeln. Dieser Abstand war real, und Prompt Engineering nutzte ihn aus.
Frontier-Modelle in 2026 brauchen dieses Händchenhalten nicht. Claude, GPT-5 und Gemini 2.5 verstehen mehrdeutige Anfragen recht gut. Der marginale Ertrag der Formulierung ist gesunken. Aber der marginale Ertrag aus dem Bereitstellen relevanten Quellenmaterials, auf Scope zugeschnittenem Gedächtnis und kuratierten Beispielen ist stark gestiegen. Die Hebelwirkung wanderte.
Hier der Vergleich im Überblick.
| Dimension | Prompt Engineering | Context Engineering |
|---|---|---|
| Was Sie justieren | Die Formulierung Ihrer Anfrage | Den gesamten Input-Stack, der dem Modell zugeführt wird |
| Primäre Einheit | Ein Satz | Ein Bündel: System-Prompt, Dokumente, Gedächtnis, Tools, Verlauf |
| Für wen | Jeder, der ein Chatfenster nutzt | Jeder, dessen Ausgabequalität von KI abhängt |
| Erforderliche Fähigkeit | Gutes Schreiben, Mustererkennung | Kuratierung, Informationsarchitektur, Urteilsvermögen |
| Wann es scheitert | Das Modell missversteht die Anweisung | Das Modell versteht, aber es fehlen Fakten, Beispiele oder Historie |
| Lösung beim Feststecken | Umformulieren, Beispiele ergänzen, Ausgabeformat angeben | Die richtige Quelle hinzufügen, die falschen entfernen, Gedächtnis anpassen, Retrieval eingrenzen |
| Blütezeit | 2022 bis 2024 | Ab 2025 |
Beachten Sie die letzte Zeile. Prompt Engineering starb nicht, weil es falsch war. Es starb, weil der Engpass woandershin wanderte.
Die 6 Kontext-Ebenen
Um Context Engineering bewusst zu betreiben, müssen Sie wissen, was Sie engineern. Jede moderne KI-Interaktion zieht aus sechs Ebenen, ob Sie darüber nachdenken oder nicht. Die Fähigkeit besteht darin zu wissen, welche Sie anpassen müssen.
| Ebene | Zweck | Beispiel |
|---|---|---|
| System-Prompt | Definiert, wer das Modell ist, welchen Regeln es folgt, welchen Ton es anschlägt | Eine claude.md-Datei in Ihrem Repo, Cursors .cursorrules oder eine Custom-GPT-Anweisung wie „Du bist ein erfahrener Redakteur. Bevorzuge Aktiv. Verwende nie Gedankenstriche." |
| Persistentes Gedächtnis | Dinge, die das Modell über Sie zwischen Gesprächen behält | ChatGPTs Gedächtnisfunktion, die Ihren Beruf, Schreibstil und laufende Projekte speichert |
| Retrieval (RAG) | Zieht bei Bedarf relevante Chunks aus einer größeren Wissensbasis | Sie fragen Ihre KI „Was habe ich letzten Monat zu Netzwerkeffekten markiert?", und sie holt die exakten Passagen |
| Tool Use | Lässt das Modell Aktionen ausführen oder Live-Daten abrufen | Das Modell ruft einen Rechner auf, führt Code aus, durchsucht das Web oder fragt Ihren Kalender ab |
| Anhänge | Dateien, Bilder oder URLs, die in diese spezifische Sitzung geladen wurden | Ein PDF-Vertrag, den Sie zur Überprüfung einwerfen, oder ein Screenshot, den Sie zum Debuggen einfügen |
| Gesprächsverlauf | Was in diesem Thread bereits gesagt wurde | Das Hin und Her über Ihrer aktuellen Nachricht, einschließlich früherer Korrekturen und Präferenzen |
Ein gut engineerter Kontext nutzt alle sechs bewusst. Ein schlecht engineerter Kontext kippt alles in eine Ebene (meist Anhänge, oft der Gesprächsverlauf) und hofft, dass das Modell es sortiert.
Der Fehler, den die meisten Wissensarbeiter machen, ist, KI als Chat-Interface zu behandeln, wenn sie in Wahrheit ein Kontext-Assembler ist. Der Chat ist die Spitze. Der Eisberg ist das, was Sie einspeisen, bevor Sie tippen.
Für einen verwandten Blickwinkel darauf, wie persönliche Informationsarchitektur die KI-Nützlichkeit prägt, siehe Persönliches Kontextmanagement: Die fehlende Ebene zwischen Ihnen und KI.
Warum größere Kontextfenster es schlimmer machten, nicht besser
2023 war ein 100K-Token-Kontextfenster exotisch. Bis 2026 sind 1M-Token-Fenster üblich. Sie können den gesamten Text von Krieg und Frieden in einen einzigen Prompt kippen. Die natürliche Annahme wäre also, dass Context Engineering einfacher wird. Mehr Platz, weniger Triage, richtig?
Falsch. Es wurde schwerer.
Die grundlegende Arbeit hier ist Liu et al. (2024), „Lost in the Middle: How Language Models Use Long Contexts", veröffentlicht in TACL. Die Forscher testeten, ob Modelle bestimmte Informationen je nach Position in einem langen Kontext finden und nutzen konnten. Der Befund war unbequem: Die Leistung ist U-förmig. Modelle schenken den Informationen am Anfang und am Ende des Kontexts die meiste Aufmerksamkeit. Informationen in der Mitte werden systematisch unterbewertet, manchmal völlig ignoriert. (Liu et al., 2024)
Platzieren Sie eine kritische Anweisung in der Mitte eines 50-seitigen Dokuments, und das Modell kann so agieren, als hätte es sie nie gesehen. Das ist kein Fehler, den Sie sich herausprompten können.
Dann veröffentlichte Chroma 2025 „Context Rot: How Increasing Input Tokens Impacts LLM Performance". Sie testeten 18 Frontier-Modelle, darunter GPT-4.1, Claude Opus 4 und Gemini 2.5. Das Ergebnis war über jedes Modell hinweg konsistent: Die Leistung verschlechterte sich mit wachsendem Input, weit bevor das Kontextfenster auch nur annähernd voll war. Ein 200K-Token-Fenster konnte bei 50K Tokens ernsthaftes Rot aufweisen. Das Modell „sah" technisch alles. Es handelte, als hätte es das nicht.
Deshalb ist mehr Kontext nicht besserer Kontext. Deshalb funktioniert es nicht, Ihr gesamtes Google Drive in einen Prompt zu kippen, selbst wenn das Fenster es erlaubt. Die Engineering-Disziplin besteht darin zu wissen, was auszuschließen ist, nicht nur, was einzubeziehen.
Das sind die verborgenen Kosten der 1M-Token-Ära. Das Fenster wuchs schneller als die Fähigkeit der Modelle, es zu nutzen. Und es machte „Was sollte ich weglassen?" zur wertvollsten Frage im Stack.
Die Fähigkeit, die niemand benannte: Kuratierung
Wenn Context Rot das Problem ist, ist Kuratierung die Lösung. Und Kuratierung ist zufällig eine Fähigkeit, die die meisten Wissensarbeiter bereits praktizieren, ohne sie so zu nennen.
Jedes Mal, wenn Sie eine Passage in einem Artikel markieren, kuratieren Sie. Sie sagen: Das zählt. Der Rest ist Hintergrund. Wenn Sie ein PDF annotieren, ein Papier mit Lesezeichen versehen oder ein Zitat speichern, tun Sie dasselbe. Sie bauen einen Signal-zu-Rausch-Filter über eine textgefüllte Welt.
Das Problem bis vor Kurzem war, dass diese Kuratierung gefangen war. Ihre Highlights lebten in einer App. Ihre Kindle-Notizen in einer anderen. Ihre Web-Recherche im Browserverlauf. Wenn Sie sich hinsetzten, um eine KI zu briefen, konnten Sie nichts davon effizient in das Kontextfenster ziehen. Sie endeten damit, alles neu zu lesen oder, schlimmer, rohe Quellen einzufügen und auf das Beste zu hoffen.
Context Engineering als Disziplin hat genau hier eine riesige Lücke. Unternehmen lösten es, indem sie interne Wissensbasen und RAG-Pipelines bauten. Aber einzelne Wissensarbeiter haben kein Engineering-Team. Sie haben dasselbe Problem (zu viel Quellenmaterial, zu wenig Signal) und nichts von der Infrastruktur.
Deshalb sind Lesetools, die Highlights dauerhaft erfassen, still und leise zur KI-Infrastruktur geworden. Glasps Web-Highlighter existiert, um genau das zu lösen: Er verwandelt Ihre Lektüre in strukturierten, abrufbaren Kontext. Wenn Sie einen Absatz in einem Blogbeitrag markieren, wird dieser Highlight zu einem Kontextstück, das Sie später jeder KI übergeben können, gefiltert nach Thema, Quelle oder Datum.
Dasselbe Prinzip gilt für längere Lektüre. Ihre Kindle-Highlights sind wohl das qualitativ hochwertigste Signal, das Sie je darüber erzeugt haben, was Ihnen wichtig ist. Sie haben lange genug Aufmerksamkeit geschenkt, um sie zu markieren. Das ist ein kostspieliger Filter, und er ist verschwendet, wenn die Highlights in einem geschlossenen System liegen.
Für eine breitere Behandlung, warum kuratierte Lektüre abgeworfenen Dokumenten überlegen ist, siehe Die versteckten Kosten der Informationsüberflutung: Warum Ihr Gehirn eine zweite Ebene braucht.
Context Engineering für Einzelpersonen (nicht nur Entwickler)
Die meisten Schriften über Context Engineering zielen auf Entwickler. Es geht darum, produktive KI-Systeme zu bauen: wie man einen System-Prompt für einen Coding-Agenten formt, wie man Dokumente für Retrieval chunkt, wie man Tool-Aufrufe verdrahtet. Das ist nützlich, wenn Sie Software ausliefern. Es ist weniger nützlich, wenn Sie als Berater, Forscher, Autor, Analyst oder Student bessere KI-Ausgaben erzielen wollen.
Aber dieselbe Disziplin gilt. Sie führen sie einfach von Hand aus.
Sie entwerfen System-Prompts, informell. Jedes Custom GPT, jedes Claude-Projekt, jede claude.md-artige Anweisungsdatei, die Sie einrichten, ist ein System-Prompt. Wenn Sie schreiben „Du bist mein Forschungsassistent, ich arbeite an Energiepolitik für erneuerbare Energien, bevorzuge skeptische Zusammenfassungen", machen Sie System-Prompt-Design. Tun Sie es bewusst.
Sie verwalten Gedächtnis. ChatGPTs Gedächtnisfunktion und Claudes Projekte erlauben beide, Fakten zu fixieren, die über Gespräche hinweg bestehen bleiben. Die meisten Menschen ignorieren das entweder (und verlieren Kontinuität) oder werfen alles hinein (und erzeugen Rauschen). Der richtige Zug ist, Gedächtnis wie einen Lebenslauf zu kuratieren: nur die Dinge, die das Modell jedes Mal nutzen soll.
Sie machen Retrieval, manuell. Den richtigen Artikel in einen Chat einzufügen ist manuelles RAG. Die Frage ist, woher „der richtige Artikel" kommt. Wenn er vom hektischen Scrollen durch Ihren Browserverlauf kommt, haben Sie kein Retrieval-System. Wenn er aus einer Bibliothek von Passagen kommt, die Sie bereits als interessant markiert haben, haben Sie eines.
Sie laden Anhänge bewusst. Die Versuchung ist, das ganze Buch hochzuladen. Der bessere Zug ist, die 40 Seiten hochzuladen, die Sie tatsächlich markiert haben. Sie umgehen Context Rot, indem Sie die Filterung stromaufwärts vornehmen.
Sie verwalten den Gesprächsverlauf. Lange Threads werden im Laufe der Zeit schlechter, weil alte Nachrichten den Kontext unproduktiv dominieren. Einen frischen Thread für eine neue Teilaufgabe zu beginnen, mit einem sauberen Briefing, schlägt oft das Fortsetzen des Mega-Threads.
Nichts davon erfordert Engineering-Fähigkeiten. Es erfordert dieselbe Fähigkeit, die gute Forscher und gute Journalisten bereits haben: zu wissen, was einzuschließen, was zu streichen und was wovon zu ziehen ist.
Ihre Highlights sind Ihr Wettbewerbskontext
Hier der unterschätzte Teil.
Die meisten Menschen behandeln ihre Notizen und Highlights als Gedächtnisstützen. Dinge, zu denen man eines Tages zurückkehrt. Diese Rahmung ergab 2010 Sinn, als das Zurückkehren die einzige Möglichkeit war, sie zu nutzen. 2026 ist sie veraltet.
Ihre Highlights sind jetzt ein Feed, der einer KI übergeben werden kann. Jede Passage, die Sie markiert haben, jedes Zitat, das Sie gespeichert haben, jede Anmerkung, die Sie geschrieben haben, ist ein Kontextstück. Und weil Sie es durch Aufmerksamkeit erzeugt haben, hat es höheres Signal als alles, was zufällig aus dem Web gescraped wird.
Denken Sie darüber nach, was das wettbewerbsmäßig bedeutet. Zwei Wissensarbeiter nutzen dasselbe KI-Modell. Einer hat drei Jahre strukturiertes Lesen und Markieren. Der andere hat drei Jahre Browser-Tabs, zu denen er nie zurückkehrte. Wenn sie der KI dieselbe Frage stellen, kann die erste Person ihren eigenen kuratierten Korpus einspeisen. Die zweite Person ist auf die generischen Trainingsdaten des Modells angewiesen und auf das, woran sie sich erinnern kann, um es einzufügen. Die Lücke ist keine Prompting-Lücke. Sie ist eine Kontext-Lücke.
Deshalb hat sich Glasp in seiner Positionierung verschoben. Der ursprüngliche Pitch war ein sozialer Web-Highlighter: Dinge markieren, sehen, was andere markierten, eine Leseridentität aufbauen. Alles noch wahr. Aber der tiefere Wert heute ist, dass jeder Highlight ein Kontext-Token ist, das auf seinen Einsatz wartet. Ihre Lesegeschichte kumuliert sich zu einem persönlichen RAG-Korpus, Absatz für Absatz.
Wenn Sie das mit Glasps KI-Chat koppeln, kommt der Workflow dem nahe, was Ingenieure für ihre Unternehmen bauen. Sie markieren, während Sie lesen. Später stellen Sie Fragen, und die KI zieht aus dem, was Ihnen tatsächlich wichtig war, nicht aus einem generischen Web-Index. Das ist Context Engineering, nur ist der Kontext Ihre eigene Bibliothek.
Mehr dazu, wie dies die Lese-KI-Beziehung umdreht, in Der KI-Leseassistent, der das Lesen nicht für Sie erledigt.
Ein einfaches Framework für Context Engineering bei jeder KI-Aufgabe
Genug Theorie. Hier ein konkreter Workflow, den Sie beim nächsten Öffnen eines Chats ausführen können.
Schritt 1: Definieren Sie die Aufgabe, bevor Sie tippen. Ein Satz. Wie sieht „erledigt" aus? „Entwirf eine 500-Wörter-Notiz, die die drei Hauptargumente gegen eine Vier-Tage-Woche zusammenfasst, geschrieben für einen skeptischen COO." Das ist eine Aufgabe. „Hilf mir mit diesem Artikel" nicht.
Schritt 2: Sammeln Sie Ihre Quellen, dann streichen Sie. Ziehen Sie die Materialien heraus, die tatsächlich zur Aufgabe passen. Wenn Sie Highlights zum Thema haben, beginnen Sie dort, nicht mit den vollständigen Artikeln. Wenn Sie Gedächtnis eingerichtet haben, prüfen Sie, ob es bereits nützliche Hintergründe enthält. Lassen Sie alles weg, was nur tangential verwandt ist. Context Rot ist real.
Schritt 3: Setzen Sie Rolle und Regeln. Bevor der Task beginnt, sagen Sie dem Modell, wer es ist und welche Regeln gelten. „Du redigierst für einen skeptischen COO. Kein Jargon. Kein Hedging. Zahlen vor Adjektiven." Das ist die System-Prompt-Ebene. Es dauert zehn Sekunden und verändert den Ton alles Folgenden.
Schritt 4: Füttern Sie Aufgabe plus Bündel, in Reihenfolge. Platzieren Sie den wichtigsten Kontext zuerst und die Aufgabe zuletzt. Wegen des Lost-in-the-Middle-Effekts möchten Sie die Anweisung und das schärfste Material am Anfang und am Ende. Die Mitte ist ein Sumpf.
Schritt 5: Iterieren Sie auf Kontext, nicht auf Formulierung. Wenn die Ausgabe schlecht ist, widerstehen Sie dem Drang, Ihren Prompt zwölfmal umzuschreiben. Fragen Sie stattdessen: Habe ich ihm das richtige Material gegeben? Gab es eine Passage, die ich vergessen habe? Gab es eine irreführende Quelle? Passen Sie die Eingaben an, lassen Sie es erneut laufen und beobachten Sie, wie die Qualität springt.
Tun Sie das ein paar Dutzend Mal, und es wird reflexiv. Sie werden aufhören zu fragen „Wie prompte ich das?" und beginnen zu fragen „Was muss das Modell sehen, bevor es antwortet?". Dieser Wechsel ist die gesamte Disziplin.
Häufig gestellte Fragen
Ist Prompt Engineering wirklich tot?
Der Begriff zieht sich zurück. Die Techniken dahinter funktionieren weiterhin. Chain-of-Thought, Few-Shot-Beispiele und klare Ausgabeformate sind alle weiterhin nützlich. Tot ist die Vorstellung, dass gute Formulierung allein großartige Ausgabe bringt. 2026 ist Formulierung ein kleiner Hebel. Kontextmontage ist der große. Wenn Menschen sagen „Prompt Engineering ist tot", meinen sie das.
Muss ich technisch sein, um Context Engineering zu betreiben?
Nein. Die Engineering-Metapher wirft manche ab, aber sie bedeutet einfach, die Arbeit bewusst zu tun statt zufällig. Ein Berater, der ein Briefing vorbereitet, ein Journalist, der für einen Artikel recherchiert, ein Student, der Quellenmaterial für einen Essay organisiert, all das ist Context Engineering in Verkleidung. Die Kernfähigkeit ist Kuratierung und Urteilsvermögen. Die technische Version ist einfach dieselbe Fähigkeit, angewendet auf System-Prompts, RAG-Pipelines und Gedächtnisspeicher.
Was ist der Unterschied zwischen Context Engineering und RAG?
RAG (Retrieval-Augmented Generation) ist eine Ebene von Context Engineering, speziell die Retrieval-Ebene. Es ist die Maschinerie, die bei Bedarf relevante Chunks aus einer Wissensbasis zieht. Context Engineering ist die breitere Disziplin, die RAG einschließt, plus System-Prompts, Gedächtnis, Tool Use, Anhänge und Gesprächsverlauf. RAG ist eine Technik. Context Engineering ist die Praxis.
Werden größere Kontextfenster das nicht irgendwann lösen?
Bisher nicht, und die Evidenz legt nahe, dass sie es nicht werden. Liu et al. (2024) zeigten, dass Modelle die Mitte langer Kontexte ignorieren. Chromas Studie 2025 zeigte, dass alle 18 getesteten Frontier-Modelle weit vor dem Vollfüllen des Fensters degradieren. Der Engpass ist nicht die Fenstergröße. Es ist die Aufmerksamkeitsverteilung innerhalb des Fensters. Kuratierung bleibt wertvoll, selbst wenn Fenster um den Faktor 10 wachsen.
Wie hängt das mit KI-„Memory"-Features zusammen?
Memory (wie ChatGPTs persistentes Gedächtnis oder Claudes Projekte) ist eine Ebene von Kontext. Es ist das, was das Modell zwischen Sitzungen über Sie weiß. Context Engineering umfasst Memory, ist aber breiter. Memory ist die Always-on-Ebene. Retrieval, Anhänge und System-Prompts sind die Ebenen pro Aufgabe. Ein guter Context Engineer nutzt sie alle zusammen.
Was sollte ich aufhören zu tun?
Hören Sie auf, Prompt-Vorlagen zu horten. Hören Sie auf, vollständige Dokumente einzufügen, wenn markierte Passagen ausreichen würden. Hören Sie auf, Gespräche ohne System-Prompt zu beginnen und sich zu wundern, warum der Ton nicht stimmt. Hören Sie auf, das Chat-Fenster als einzige Oberfläche zu behandeln. Das Chat-Fenster ist der letzte Zentimeter einer viel längeren Pipeline, und in dieser Pipeline leben die Qualitätsgewinne.
Wo passen Highlights hinein?
Highlights sind die rohste, günstigste Form persönlichen Kontexts. Jedes Mal, wenn Sie etwas markieren, filtern Sie Rauschen aus Ihren eigenen zukünftigen KI-Sitzungen heraus. Werkzeuge, die Highlights dauerhaft erfassen (über Artikel, PDFs, Kindle-Bücher und YouTube-Transkripte hinweg), verwandeln Ihre Lektüre in wiederverwendbaren Kontext. Deshalb konvergieren Leseerfassungs- und KI-Werkzeuge.
Ist das nicht einfach aufgebohrtes Notizenmachen?
Teilweise. Der Unterschied ist, dass traditionelles Notizenmachen darauf optimiert ist, dass Sie Ihre Notizen erneut lesen. Context Engineering ist darauf optimiert, dass ein Modell Ihre Notizen konsumiert. Die Formatanforderungen unterscheiden sich (Struktur, Atomarität, Abrufbarkeit zählen mehr), aber die zugrundeliegende Praxis, das festzuhalten, was zu merken wert ist, ist dieselbe. Gute Notizenmacher haben einen Vorsprung.
Fazit: Die neue Literacy
Jede Computerära hatte eine Literacy, die Amateure von ernsthaften Nutzern trennte. In den 1990er Jahren war es das Beherrschen der Google-Suche. In den 2010er Jahren war es das Strukturieren von Informationen in Apps wie Notion oder Airtable. 2026 ist es das Engineern von Kontext für KI.
Die Menschen, die das herausfinden, werden weit an denen vorbeiziehen, die es nicht tun. Nicht, weil sie besseren Zugang zu Modellen haben (jeder hat dieselben Modelle), sondern weil sie zu jeder Aufgabe mit besserem Material antreten. Sie wissen, was einzuspeisen ist. Sie wissen, was wegzulassen ist. Sie wissen, wo ihre beste Quelle zu einem Thema liegt, weil sie sich die Mühe gemacht haben, sie vor Monaten festzuhalten.
Deshalb wird Kuratierung still zur wertvollsten Metaskill der KI-Ära. Jeder Highlight, den Sie speichern, jede Passage, die Sie annotieren, jedes Stück Lektüre, das Sie tatsächlich verarbeiten, ist eine Einzahlung auf eine persönliche Kontextmaschine. Die Zukunft der KI-Produktivität sind keine Menschen mit geheimen Prompts. Es sind Menschen mit durchdachten Bibliotheken.
Sie lesen ohnehin. Sie haben ohnehin Meinungen darüber, was zählt. Die einzige Frage ist, ob etwas davon lange genug bestehen bleibt, um Ihrem zukünftigen Selbst und der neben Ihnen arbeitenden KI nützlich zu sein. Die Werkzeuge gibt es. Die Gewohnheit ist der harte Teil.
Wählen Sie heute etwas Lesenswertes aus. Markieren Sie die Teile, die zählen. Das ist Context Engineering. Alles andere ist Technik.