AI Solutions

Kontextbasierte Entwicklung von KI-Agenten

vor 23 Tagen · Oktober 26, 2026
Kontextbasierte Entwicklung von KI-Agenten
Zusammenfassung des Artikels
Context Engineering für KI-Agenten: Warum es für Unternehmen wichtig ist Context Language Models (CLMs) ermöglichen es KI-Agenten, ihren Kontext selbstständig zu verwalten, wichtige Informationen zu behalten und irrelevante Daten zu entfernen. Aktuelle Forschungsergebnisse zeigen vielversprechende Verbesserungen bei Genauigkeit und Recheneffizienz, auch wenn die Technologie noch nicht produktionsreif ist. Für Unternehmen kann effektives Context Engineering Kosten senken, die Zuverlässigkeit verbessern und die Datensicherheit erhöhen. Lösungen wie RAG, strukturierte Speicherverwaltung und selbst gehostete LLMs unterstützen den Aufbau effizienter und skalierbarer KI-Agenten.

Context Engineering für KI-Agenten: Was Context Language Models für Unternehmen bedeuten


Ein KI-Agent, der Minuten oder Stunden arbeitet, sammelt viel Material: Dokumente, Tool-Ausgaben, Zwischenergebnisse, gescheiterte Versuche. Alles, was im Kontextfenster bleibt, kostet Rechenleistung, und alles, was wegfällt, fehlt später womöglich. Wie ein Agent diesen Kontext verwaltet, entscheidet zunehmend über Antwortqualität und Betriebskosten. Neue Forschung zu Context Language Models (CLMs) zeigt, dass Modelle lernen können, ihren Kontext selbst zu verwalten – mit deutlichen Verbesserungen bei Genauigkeit und Effizienz.

Warum der Kontext zum Engpass wird

Mit jedem Schritt wächst der Kontext eines Agenten. Lange Kontexte erhöhen die Rechenkosten, verlangsamen Antworten und lassen wichtige Details zwischen irrelevanten untergehen. Die meisten Systeme lösen das heute mit einem von drei festen Ansätzen, jeweils mit bekannten Schwächen:

  • Zusammenfassung. Ältere Inhalte werden verdichtet. Dabei können kritische Details verloren gehen oder Ungenauigkeiten entstehen.
  • Komprimierung. Inhalte werden nach vordefinierten Regeln gekürzt, die sich nicht an die Aufgabe anpassen.
  • Externer Speicher. Informationen liegen außerhalb des Kontextfensters, und der Agent muss entscheiden, was er wann zurückholt.

Alle drei Ansätze beruhen auf Regeln, die Menschen vorab festgelegt haben. Das funktioniert bei planbaren Aufgaben, doch lang laufende Agenten geraten oft in Situationen, die diese Regeln nicht vorhergesehen haben.

Was Context Language Models anders machen

In einer aktuellen Studie beschreiben Forschende von Meta, MIT und der University of Washington Modelle, die ihren eigenen Kontext wie eine bearbeitbare Datei behandeln. Ein CLM kann ältere Nachrichten umschreiben, wichtige Fakten bewahren, irrelevante Zwischenergebnisse löschen, Fortschrittsnotizen führen und festhalten, welche Ansätze bereits gescheitert sind. Nutzer können dieses Verhalten zudem steuern, indem sie die gewünschte Strategie beschreiben.

Untersucht wurden drei Varianten: Zero-Shot ohne spezielles Training; In-Context Learning, bei dem das Modell seine Strategie anhand natürlichsprachlicher Anweisungen verfeinert; und Reinforcement Learning, bei dem das Modell auf Aufgabenerfolg trainiert wird, mit Recheneffizienz als zusätzlichem Ziel.

Was die Forschung zeigt

Die berichteten Ergebnisse laut Studie:

Variante und Benchmark

Berichtetes Ergebnis

Hinweis

Zero-Shot, BrowseComp-Plus

11,4 % höhere Genauigkeit, 21,5 % weniger FLOPs

Im Vergleich zur stärksten Baseline

Zero-Shot, 12-Stunden-EdgeBench

5 % höhere Werte, 59 % weniger FLOPs

Lang laufende Aufgabe

In-Context Learning, ContextBench

Bis zu 35,9 Punkte höhere Genauigkeit

Synthetische Diagnose-Suite

Reinforcement Learning, Qwen3.5-9B

Genauigkeit von 28,8 % auf 42,5 %, 12 % weniger FLOPs

BrowseComp-Plus

Für Entscheider sind zwei Einschränkungen wichtig. Die FLOPs-Angaben sind theoretische Schätzungen des Rechenaufwands, keine gemessenen Laufzeiten, und die Ergebnisse stammen aus bestimmten Benchmark-Aufgaben. Sie zeigen eine vielversprechende Richtung, keine nachgewiesene Leistung im Produktivbetrieb.

Offene Fragen vor dem Produktiveinsatz

Die Forschenden und erste Kommentatoren weisen zudem auf Grenzen hin, die für den Unternehmenseinsatz relevant sind:

  • Informationsverlust. Ein Modell, das Inhalte löscht, entfernt womöglich etwas, das es später braucht und nicht wiederherstellen kann.
  • Sicherheit. Die Autoren weisen darauf hin, dass ein bearbeitbarer Kontext zu einem Kanal werden kann, über den Prompt Injections oder selbst erzeugte Anweisungen über mehrere Schritte bestehen bleiben.
  • Caching-Kosten. Änderungen an früheren Teilen des Kontexts machen zwischengespeicherte Berechnungen ungültig. Die Studie schlägt dafür das Verfahren Suffix Cache Reuse vor, das den geschätzten Rechenaufwand in den Tests der Autoren um rund 35 % senkte. Praktiker, die die Arbeit kommentieren, halten den Ansatz dennoch noch nicht für produktionsreif.

Was Unternehmen heute tun können

CLMs sind noch Forschung. Die zugrunde liegende Erkenntnis gilt aber schon jetzt: Kontext ist eine Designentscheidung, kein Nebenprodukt. Fünf praktische Schritte:

  1. Kontext pro Aufgabe messen. Erfassen Sie, wie viele Tokens jeder Agentenlauf verbraucht, was er kostet und wie oft Antworten scheitern, weil ein Detail fehlte. Ohne diese Basis lässt sich keine Optimierung bewerten.
  2. Nur das Nötige abrufen. Retrieval-Augmented Generation (RAG) und Graph RAG holen relevante Fakten bei Bedarf in den Kontext, statt vorab ganze Dokumente zu laden.
  3. Arbeitskontext und Gedächtnis trennen. Führen Sie strukturierte Fortschrittsnotizen und Langzeitwissen außerhalb des Prompts, mit klaren Regeln, was zurück in den Kontext gelangt.
  4. Integrität des Kontexts schützen. Behandeln Sie abgerufene Dokumente und Tool-Ausgaben als nicht vertrauenswürdige Eingaben, setzen Sie Zugriffsrechte durch und protokollieren Sie, was in den Kontext gelangt.
  5. Modellwahl flexibel halten. Mit selbst gehosteten Open-Source-Modellen können Unternehmen neue Verfahren auf eigener Infrastruktur testen, sobald die Forschung reift, und Modelle an ihre eigenen Aufgaben anpassen.

Ein Praxisbeispiel

Hypothetisches Szenario: Ein mittelständisches Logistikunternehmen setzt einen Agenten zur Bearbeitung von Kundenreklamationen ein. Jeder Fall umfasst lange E-Mail-Verläufe, Sendungsdaten und Vertragsbedingungen. Anfangs lädt der Agent sämtliche Dokumente in seinen Kontext. Die Durchläufe werden langsam und teuer, und wichtige Details wie ein vereinbartes Lieferfenster gehen unter. Das Team baut den Workflow um: Der Agent führt eine kurze Fallnotiz, ruft Vertragsklauseln nur bei Bedarf ab und verwirft geklärte Teilfragen. Der Kontext bleibt klein, und die relevanten Fakten bleiben sichtbar.

Fazit

Bessere Modelle allein machen KI-Agenten nicht zuverlässig und bezahlbar. Wie Kontext ausgewählt, strukturiert, gespeichert und geschützt wird, ist ebenso wichtig. Context Language Models deuten auf eine Zukunft, in der Modelle mehr davon selbst übernehmen. Bis sich der Ansatz im Produktivbetrieb bewährt hat, profitieren Unternehmen am meisten von bewusstem Context Engineering und einem KI-Stack, der offen für neue Verfahren bleibt.

Unitech DACH konzipiert und entwickelt KI-Agenten und agentische Workflows, einschließlich RAG und Graph RAG auf Basis von Unternehmensdaten. Wir liefern selbst gehostete LLMs auf Basis von Open-Source-Modellen wie Qwen, Llama und Mistral, betrieben in einer Infrastruktur unter Kontrolle des Kunden und angepasst per LoRA, QLoRA oder vollständigem Fine-Tuning. Mit n8n automatisieren wir Geschäftsprozesse einschließlich LLM- und Agenten-Schritten. Datensicherheit hat oberste Priorität: DSGVO-konforme Verarbeitung, Datenhaltung in der EU oder am vom Kunden gewählten Ort, rollenbasierte Zugriffskontrolle sowie Verschlüsselung bei Übertragung und Speicherung.

Sprechen Sie mit unseren Experten über Ihren KI-Anwendungsfall.

Quellen

1. InfoQ – Sergio De Simone: „Context Language Models: Self-Managing Context to Improve Performance and Reduce Compute Costs“, 11.10.2026.

2. Shao et al. (University of Washington, MIT, Meta Superintelligence Labs): „Context Language Models“, arXiv:2609.37725, 29.09.2026.

Tag
Agentic AI KI-Agenten Context Engineering Large Language Models Self-Hosted LLM Enterprise AI

Sind Sie bereit, generative KI in Ihrem Unternehmen einzuführen?

Unser Team aus KI-Experten unterstützt Sie bei der Konzeption, Umsetzung und Skalierung von Lösungen für generative KI, die genau auf Ihre geschäftlichen Anforderungen zugeschnitten sind.
Verwandte Artikel