Auf einen Blick

Inhalt des Kurses

1. Lektion 1: Der Paradigmenwechsel: Warum Prompting allein nicht mehr reicht
2. Lektion 2: Prompt Craft: Die Grundlage, die jeder beherrschen muss
3. Lektion 3: Context Engineering: Die Infrastruktur für 10x-Ergebnisse
4. Lektion 4: Intent Engineering: Organisatorische Ziele in KI-Infrastruktur kodieren
5. Lektion 5: Specification Engineering: Dokumente schreiben, die Agenten ausführen können
6. Lektion 6: Agent Engineering Frameworks in der Praxis
7. Lektion 7: Frontier Operations und das Tacit Knowledge Problem
8. Lektion 8: Dein Stufenplan: Vom Prompt Crafter zum Context Engineer
9. Quellen und weiterführende Ressourcen

Kursinhalt

Von Prompting zu Context Engineering: Die neue Disziplin der KI-Steuerung

Lektion 1: Der Paradigmenwechsel: Warum Prompting allein nicht mehr reicht

Lernziel: Du verstehst, warum sich die KI-Kommunikation 2026 von einzelnen Prompts zu systematischer Kontext-Architektur entwickelt hat, und kannst die vier Disziplinen der KI-Steuerung einordnen.

Im Sommer 2025 prägte Andrej Karpathy, ehemals KI-Chef bei Tesla, einen Begriff, der die Branche elektrisierte: „Context Engineering". In einem vielzitierten Post argumentierte er, dass der Fokus nicht mehr auf dem einzelnen Prompt liegen sollte, sondern auf der gesamten Informationsumgebung, in der ein KI-Modell arbeitet. Shopify-CEO Tobi Lütke formulierte es so: „Die grundlegende Fähigkeit ist, ein Problem mit genügend Kontext so zu formulieren, dass ohne zusätzliche Informationen die Aufgabe plausibel lösbar wird."

Simon Willison, einer der einflussreichsten KI-Kommentatoren, lieferte die Erklärung dafür, warum dieser Begriffswechsel nötig war: „Prompt Engineering" als öffentlicher Begriff wurde zu „etwas in einen Chatbot tippen" zusammengestaucht. „Context Engineering" ist das bessere Label für die eigentliche Disziplin, die dahinter steckt. Und diese Disziplin umfasst weit mehr als das Formulieren einer einzelnen Anweisung.

Die Modelle von 2026 haben aufgehört, bloße Chat-Partner zu sein. Claude Opus 4.6 verarbeitet zuverlässig über eine Million Token in einem einzigen Kontextfenster. GPT-5 inferiert Absichten aus minimalem Kontext und liefert strukturierte Ausgaben über das response_format-System. Gemini bietet ein Zwei-Millionen-Token-Fenster, was die Platzierung von Informationen noch wichtiger macht als ihre Formulierung. Diese Modelle arbeiten autonom, stundenlang, gegen Spezifikationen, ohne wirklich nachzufragen. Das verändert fundamental, was „gut im Prompting sein" bedeutet.

Nate B Jones, ein einflussreicher KI-Stratege, hat dafür ein Framework mit vier Disziplinen entwickelt, das die Evolution der KI-Kommunikation beschreibt:

Die 10x-Lücke zwischen diesen Levels ist real und messbar. Zwei Personen mit dem gleichen Modell, dem gleichen Abo und der gleichen Aufgabe erzielen Ergebnisse, die sich um den Faktor zehn unterscheiden. Nicht weil eine Person „bessere Prompts" schreibt, sondern weil sie eine andere Disziplin praktiziert.

Zusammenfassung:

• Der Begriff „Context Engineering" löst „Prompt Engineering" als Bezeichnung für die Kernkompetenz ab.
• Die vier Disziplinen bauen aufeinander auf: Prompt Craft, Context Engineering, Intent Engineering, Specification Engineering.
• Die Leistungsfähigkeit moderner Modelle (1M+ Token, strukturierte Ausgaben, Autonomie) verlangt systematischere Steuerung.

Reflexionsfrage: Wenn du an deine letzte KI-Interaktion denkst: Hast du einen einzelnen Prompt geschrieben oder die gesamte Informationsumgebung bewusst gestaltet?

Lektion 2: Prompt Craft: Die Grundlage, die jeder beherrschen muss

Lernziel: Du beherrschst die Kernelemente eines wirksamen Prompts und kennst die modellspezifischen Unterschiede zwischen Claude, GPT-5 und Gemini.

Prompt Craft ist nicht irrelevant geworden. Es ist zur Grundvoraussetzung geworden, so wie das Zehn-Finger-Tippen einmal ein beruflicher Differenzierungsfaktor war und heute einfach vorausgesetzt wird. Wer 2026 keinen klaren, gut strukturierten Prompt schreiben kann, verschenkt die Basis, auf der alle weiteren Disziplinen aufbauen.

Die Kernelemente guten Prompt Crafts sind: klare Anweisungen mit explizitem Kontext, relevante Beispiele und Gegenbeispiele (Few-Shot Learning), ein definiertes Ausgabeformat, angemessene Leitplanken für Grenzfälle und Anweisungen, wie Mehrdeutigkeiten aufgelöst werden sollen.

Was sich 2026 geändert hat, ist die modellspezifische Optimierung. Die großen Modelle haben inzwischen deutlich unterschiedliche Stärken und Vorlieben:

Claude (Opus 4.6, Sonnet 4.6) bevorzugt XML-Scaffolding. Anthropics eigene System-Prompts verwenden durchgehend strukturierte Abschnitte mit klaren Labels. Claude ist das beste Modell für lange Kontexte (1M+ Token zuverlässig) und profitiert stark von Prefilling, bei dem du den Anfang der Antwort vorgibst. Simon Willison analysierte den Claude-4-Systemprompt (Mai 2025) und fand ihn in klar beschriftete Sektionen für Verhalten, Artefakte, Suche und Wissensgrenzen unterteilt.

GPT-5 ist überraschend gut darin, Absichten aus minimalem Kontext zu inferieren. Es bevorzugt kürzere, direktere Prompts als Claude und glänzt bei Structured Outputs über das response_format-System, das JSON-Schema-konforme Ausgaben garantiert. GPT-5 geht proaktiv zurück und prüft Informationen erneut, statt zu raten, was es zu einem zuverlässigeren Partner für faktenbasierte Aufgaben macht.

Gemini (2.5 Pro) bevorzugt ebenfalls kurze, direkte Prompts. Googles eigene Prompt-Engineering-Dokumentation empfiehlt explizit Few-Shot-Beispiele (Zero-Shot wird nicht bevorzugt) und die Platzierung spezifischer Fragen am Ende, nach dem Datenkontext. Bei Geminis Zwei-Millionen-Token-Fenster werden Platzierungsentscheidungen besonders konsequenzenreich.

Ein gemeinsamer Trend über alle Modelle: Die alten „Tricks" aus 2024 funktionieren nicht mehr. „Think step by step" schadet inzwischen den Ergebnissen bei vielen Modellen. Schmeichelei („Du bist der beste Experte der Welt") hat keinen messbaren Effekt mehr. Was stattdessen zählt: Kontext, Struktur und klare Erwartungen.

Zusammenfassung:

• Prompt Craft bleibt die unverzichtbare Basis, aber die modellspezifische Optimierung ist 2026 entscheidend.
• Claude bevorzugt XML und Prefilling, GPT-5 glänzt bei Structured Outputs, Gemini will kurze Prompts mit Few-Shot.
• Die „Tricks" von 2024 (step by step, Rollenspiel-Schmeichelei) sind überholt.

Praxistipp: Erstelle einen Ordner mit deinen besten Prompts für wiederkehrende Aufgaben, jeweils in einer Claude- und einer GPT-5-Variante. Überarbeite sie alle drei Monate, wenn neue Modellversionen erscheinen.

Lektion 3: Context Engineering: Die Infrastruktur für 10x-Ergebnisse

Lernziel: Du verstehst Context Engineering als systematische Disziplin und kannst die Informationsumgebung für KI-Agenten bewusst gestalten.

Dein Prompt umfasst vielleicht 200 Token. Das Kontextfenster, in dem er landet, hat vielleicht eine Million. Deine 200 Token sind 0,02 Prozent von dem, was das Modell sieht. Die anderen 99,98 Prozent, das ist Context Engineering. Und genau dort liegt der Hebel für die 10x-Lücke.

Context Engineering ist der Wechsel vom Formulieren einzelner Anweisungen zum Kuratieren der gesamten Informationsumgebung, in der ein Agent operiert. Es umfasst:

System-Prompts bilden den Rahmen, in dem das Modell arbeitet. Die besten System-Prompts 2026 sind keine langen Regelwerke, sondern präzise, hochgradig relevante Constraint-Dokumente. Ein Beispiel aus der Praxis: CLAUDE.md-Dateien in Softwareprojekten enthalten Build-Befehle, Code-Konventionen, Testanweisungen und Dateien, die nie geändert werden dürfen. Der Gemeinschaftskonsens der Community lautet: Jede Zeile muss ihren Platz verdienen. Wenn die Antwort auf „Würde das Entfernen dieser Zeile dazu führen, dass die KI Fehler macht?" Nein lautet, dann lösche die Zeile.

Tool-Definitionen und MCP-Verbindungen bestimmen, welche Werkzeuge dem Agenten zur Verfügung stehen. Das Model Context Protocol (MCP) hat sich als „USB-C Standard für KI" etabliert. Es schafft eine einheitliche Schnittstelle für den Zugriff auf externe Tools, Datenbanken und APIs. Statt für jedes Tool eine eigene Integration zu bauen, beschreibt MCP die Fähigkeiten eines Tools in einem standardisierten Format, und der Agent entscheidet selbst, wann er es einsetzt.

Abgerufene Dokumente und RAG-Systeme liefern dem Modell aktuelles, domänenspezifisches Wissen. Die kritische Erkenntnis: Sprachmodelle werden schlechter, je mehr irrelevante Information du ihnen gibst. Es geht nicht darum, möglichst viel Kontext zu laden, sondern nur relevante Token einzubringen. Die Abrufqualität sinkt, wenn der Kontext wächst. Deshalb ist die Vorverarbeitung entscheidend: Indiziere deine Referenzen, liefere relevante Chunks statt ganzer Dokumente, bereite Kontext vor (zusammenfassen, zerteilen, auf das Wesentliche reduzieren).

Nachrichtenverläufe und Speichersysteme geben dem Agenten ein Gedächtnis über einzelne Sitzungen hinaus. Dabei gilt: Gespräche über 20 oder 30 Runden auszudehnen verschlechtert die Ergebnisse, weil jede Runde die gesamte Konversation zurücksendet. Besser ist die Trennung in zwei Modi: Informationssammlung (leichte Konversation) und konzentrierte Arbeit (einmaliger, vollständiger Auftrag).

Prompt Caching spart bis zu 90 Prozent der Kosten für wiederkehrende Kontexte. System-Prompts, Tool-Definitionen und Persona-Anweisungen, die sich zwischen Aufrufen nicht ändern, können gecached werden und verbrauchen dann nur noch einen Bruchteil der Token-Kosten.

Die entscheidende Erkenntnis: Menschen, die 10x effektiver mit KI sind als ihre Kollegen, schreiben nicht 10x bessere Prompts. Sie bauen 10x bessere Kontext-Infrastruktur.

Zusammenfassung:

• Context Engineering umfasst System-Prompts, Tool-Definitionen, RAG, Speichersysteme und Caching.
• Weniger, aber relevanterer Kontext schlägt große Kontextfenster, die mit irrelevanten Daten gefüllt sind.
• MCP ist der neue Standard für die Tool-Integration und vereinfacht die Kontext-Architektur erheblich.

Praxistipp: Schreibe ein „Kontext-Manifest" für dein wichtigstes KI-Projekt: Welche System-Anweisungen, welche Tools, welche Datenquellen und welche Constraints braucht der Agent? Das ist dein erster Schritt zum Context Engineering.

Lektion 4: Intent Engineering: Organisatorische Ziele in KI-Infrastruktur kodieren

Lernziel: Du verstehst Intent Engineering als die Brücke zwischen technischer KI-Konfiguration und geschäftlichen Zielen und kannst Delegations-Frameworks für KI-Agenten entwerfen.

Context Engineering sagt Agenten, was sie wissen sollen. Intent Engineering sagt Agenten, was sie wollen sollen. Es ist die Praxis, organisatorischen Zweck in Infrastruktur zu kodieren: Ziele, Werte, Abwägungs-Hierarchien und Entscheidungsgrenzen, gegen die Agenten eigenständig handeln können.

Das Warnsignal: Die Klarna-Geschichte illustriert, warum Intent Engineering unverzichtbar ist. Klarnas KI-Agent löste 2,3 Millionen Kundengespräche im ersten Monat. Er optimierte die Bearbeitungszeit von 11 auf 2 Minuten. Klingt beeindruckend, war aber ein Desaster: Der Agent optimierte für das Falsche. Er minimierte die Gesprächsdauer, aber nicht die Kundenzufriedenheit. Klarna musste menschliche Agenten wieder einstellen. Die Lektion: Du kannst perfekten Kontext und katastrophale Intent-Ausrichtung haben.

Intent Engineering erfordert drei Bausteine:

Erstens: Maschinenlesbare Zielstrukturen. „Kundenzufriedenheit steigern" ist eine menschlich lesbare Aspiration, mit der ein Agent nichts anfangen kann. Stattdessen braucht er: Welche Signale zeigen Zufriedenheit in unserem Kontext? Welche Datenquellen enthalten diese Signale? Welche Maßnahmen bin ich autorisiert zu ergreifen? Welche Abwägungen darf ich treffen?

Zweitens: Delegations-Frameworks. Amazons Führungsprinzip „Customer Obsession" funktioniert für Menschen, weil sie es durch Kontexturteil interpretieren können. Ein Agent braucht konkretere Anweisungen: Wenn eine Kundenanfrage mit einer Richtlinie kollidiert, folge dieser Lösungshierarchie. Wenn Daten Aktion A nahelegen, aber der Kunde Präferenz B äußert, wende diese Entscheidungslogik an. Das unterscheidet sich grundlegend von Prompt Craft, wo du für jede einzelne Interaktion die Richtung vorgibst.

Drittens: Feedback-Mechanismen. Wenn ein Agent eine Entscheidung trifft, muss überprüfbar sein, ob sie mit dem organisatorischen Intent ausgerichtet war. Das erfordert Logging, Stichprobenprüfungen und klare Eskalationspfade. Ein HR-Agent, der Bewerbungen vorsortiert, muss nicht nur die Sortierung dokumentieren, sondern auch die Gründe, damit Menschen die Entscheidungslogik nachvollziehen können.

Die Einsätze bei Intent Engineering sind deutlich höher als bei Prompt Craft. Wenn du als Einzelperson einen Prompt vermasselst, kostet es deinen Vormittag. Wenn du Intent Engineering vermasselst, vermasselst du es für das gesamte Team, die gesamte Organisation, das gesamte Unternehmen. Deshalb sitzt Intent Engineering über Context Engineering, so wie Strategie über Taktik sitzt.

Zusammenfassung:

• Intent Engineering kodiert organisatorische Ziele, Werte und Entscheidungsgrenzen in KI-Infrastruktur.
• Maschinenlesbare Zielstrukturen, Delegations-Frameworks und Feedback-Mechanismen sind die drei Bausteine.
• Die Klarna-Geschichte zeigt: Perfekter Kontext ohne richtige Intent-Ausrichtung führt zu Fehloptimierung.

Reflexionsfrage: Wenn dein KI-Agent morgen 1.000 Kundenanfragen eigenständig beantworten würde: Wüsste er, welche Werte deines Unternehmens er dabei priorisieren soll?

Lektion 5: Specification Engineering: Dokumente schreiben, die Agenten ausführen können

Lernziel: Du kannst Spezifikationen verfassen, die autonome KI-Agenten über längere Zeiträume zuverlässig ausführen, ohne menschliches Eingreifen.

Specification Engineering ist die höchste Stufe der KI-Kommunikation. Die ersten drei Disziplinen fokussieren darauf, wie du Arbeit für einen Agenten vorbereitest. Specification Engineering denkt den gesamten Informationskorpus einer Organisation als agentenlesbar: Alles, was du schreibst, muss etwas sein, das ein Agent lesen und damit arbeiten kann.

Der Wechsel vom Prompt zur Spezifikation spiegelt eine Entwicklung wider, die in der menschlichen Ingenieurwissenschaft vor Jahrzehnten stattfand. Wenn du etwas Kleines baust, funktionieren mündliche Anweisungen. Wenn du etwas baust, das groß genug für ein Team ist oder mehrere Sitzungen umfasst, brauchst du Baupläne.

Die fünf Grundbausteine guter Spezifikationen:

1. Selbstgenügsame Problemstellungen: Kannst du ein Problem mit genügend Kontext formulieren, dass die Aufgabe plausibel lösbar ist, ohne dass der Agent zusätzliche Informationen einholen muss? Das ist der erste und wichtigste Test.

2. Akzeptanzkriterien: Nicht „Baue eine Login-Seite", sondern: „Baue eine Login-Seite, die E-Mail/Passwort-Anmeldung unterstützt, Social Login via Google und GitHub, progressive Offenlegung von 2FA, Session-Persistenz für 30 Tage und Rate-Limiting nach fünf Fehlversuchen." Wenn du nicht beschreiben kannst, wie „fertig" aussieht, kann ein Agent nicht wissen, wann er aufhören soll.

3. Constraint-Architektur: Vier Kategorien verwandeln eine lockere Spezifikation in eine zuverlässige: Musts (was der Agent tun muss), Must-Nots (was er nicht tun darf), Preferences (was er bevorzugen soll, wenn mehrere gültige Ansätze existieren) und Escalation Triggers (was er eskalieren soll, statt autonom zu entscheiden).

4. Dekomposition: Große Aufgaben müssen in Komponenten zerlegt werden, die unabhängig ausgeführt, unabhängig getestet und vorhersagbar integriert werden können. Der Job des Menschen verschiebt sich zunehmend: Statt die Teilaufgaben selbst zu schreiben, stellst du die Zerlegungsmuster bereit, die ein Planer-Agent nutzen kann.

5. Evaluationsdesign: Woher weißt du, ob das Ergebnis gut ist? Nicht „sieht es vernünftig aus" (so bewerten die meisten Menschen KI-Ausgaben), sondern: Kannst du messbar, konsistent beweisen, dass es gut ist? Evaluationen sind das Rohmaterial, das autonome Agenten selbstkorrigierend macht.

Anthropic hat im Juli 2026 demonstriert, wie ernst sie dieses Prinzip nehmen: Für die Claude-5-Modelle wurden mehr als 80 Prozent des bisherigen Claude-Code-Systemprompts gelöscht. Statt langer Regellisten setzen die neuen Modelle auf präzise Spezifikationen, die der Agent eigenständig interpretiert. Das zeigt die Richtung: Weniger Anweisung, mehr Spezifikation.

Zusammenfassung:

• Specification Engineering macht den gesamten Dokumentenkorpus einer Organisation agentenlesbar.
• Die fünf Bausteine (Problemstellung, Akzeptanzkriterien, Constraints, Dekomposition, Evaluation) bilden das Gerüst.
• Der Trend geht zu kürzeren, präziseren Spezifikationen statt langer Regelwerke.

Praxistipp: Nimm ein reales Projekt und schreibe vor dem KI-Einsatz eine vollständige Spezifikation mit allen fünf Bausteinen. Übergib sie einem Agenten und beobachte, wo er scheitert. Diese Stellen zeigen dir, wo deine Spezifikation Lücken hat.

Lektion 6: Agent Engineering Frameworks in der Praxis

Lernziel: Du kennst die wichtigsten Agent-Engineering-Frameworks (Claude Code, OpenAI Agents SDK, Google ADK) und weißt, wie Context Engineering dort konkret umgesetzt wird.

Die theoretischen Konzepte von Context und Intent Engineering finden 2026 in konkreten Frameworks ihre praktische Umsetzung. Drei Plattformen dominieren die Landschaft für agentische KI-Systeme, und jede verkörpert eine andere Philosophie der KI-Steuerung.

Claude Code und das Anthropic-Ökosystem setzen auf dateibasiertes Context Engineering. Die zentrale Datei ist CLAUDE.md, die im Projektstamm liegt und dem Agenten die gesamte Arbeitsumgebung beschreibt: Build-Befehle, Code-Konventionen, Testanweisungen, Dateien die nie geändert werden dürfen. Dazu kommen Skills (wiederverwendbare Anweisungspakete), das Model Context Protocol für Tool-Zugriff und ein Workflow-System für Multi-Agent-Orchestrierung. Claude Code demonstriert, wie konsequentes Context Engineering in der Praxis aussieht: Der Agent arbeitet stundenlang autonom gegen diese Spezifikation, ohne dass ein Mensch jeden Schritt überwachen muss.

OpenAI Agents SDK verfolgt einen programmatischen Ansatz. Agenten werden in Python-Code definiert, mit expliziten Tool-Definitionen, Guardrails und Übergaberegeln (Handoffs) zwischen spezialisierten Agenten. Das SDK macht Context Engineering zum Code-Artefakt: Die gesamte Kontext-Architektur ist versioniert, testbar und reproduzierbar. OpenAI setzt stark auf Structured Outputs, die über JSON Schema garantierte Ausgabeformate liefern.

Google Agent Development Kit (ADK) integriert Context Engineering in das Google-Cloud-Ökosystem. Mit Vertex AI Agent Builder und dem ADK lassen sich Agenten bauen, die auf Google-Dienste (Search, BigQuery, Cloud Storage) zugreifen. Geminis Zwei-Millionen-Token-Fenster macht Platzierungsentscheidungen besonders wichtig: Google empfiehlt, spezifische Fragen immer am Ende zu platzieren, nach dem Datenkontext.

Gemeinsame Best Practices über alle Frameworks:

Die Community hat 2026 einige robuste Best Practices herausgebildet: Erstens die Trennung von Instruktion und Kontext. System-Prompts sagen dem Modell, wie es sich verhalten soll. Kontext liefert die Informationen, mit denen es arbeitet. Beides zu vermischen verschlechtert die Ergebnisse. Zweitens die Scoped Context-Strategie: Ein Planungsagent braucht nicht die vollständige Codebasis. Ein Editieragent braucht nicht die Projekt-Roadmap. Jeder Agent erhält nur den Kontext, den er für seine spezifische Aufgabe braucht. Drittens die Messung des Token-Verbrauchs: Du kannst nicht verbessern, was du nicht misst. Die besten Teams tracken Token-Kosten pro Agent, pro Aufgabentyp und pro Workflow.

Zusammenfassung:

• Claude Code setzt auf dateibasiertes Context Engineering (CLAUDE.md, Skills, MCP).
• OpenAI Agents SDK macht Context Engineering zum versionierbaren Code-Artefakt.
• Google ADK integriert Agenten in das Cloud-Ökosystem mit Geminis riesigem Kontextfenster.

Praxistipp: Beginne mit dem Framework, das zu deinem bestehenden Ökosystem passt. Für Microsoft-Teams ist OpenAI naheliegend, für Google-Workspace-Nutzer der ADK, und für entwicklergetriebene Teams Claude Code.

Lektion 7: Frontier Operations und das Tacit Knowledge Problem

Lernziel: Du verstehst das Konzept der „expandierenden Blase" und kannst dein implizites Fachwissen für KI-Agenten zugänglich machen.

Nate B Jones verwendet ein kraftvolles Bild für die Mensch-KI-Grenze: Stell dir eine Blase vor. Die Luft innerhalb ist alles, was KI-Agenten zuverlässig können. Die Luft außerhalb ist alles, was noch einen Menschen braucht. Die Oberfläche dieser Blase, diese dünne gekrümmte Membran, dort passiert die interessante Arbeit.

Die Blase dehnt sich mit jedem Modell-Release aus. Aufgaben wandern ins Innere, wo Agenten sie übernehmen. Aber die Oberfläche schrumpft nicht, sie wächst. Es gibt mehr Grenzfläche, mehr Stellen für menschliches Urteil, nicht weniger. Fünf Fähigkeiten sind an dieser Grenzfläche entscheidend: Boundary Sensing (wo verläuft die Mensch-Agent-Grenze gerade?), Seam Design (wie gestalte ich saubere Übergänge?), Failure Model Maintenance (wie versagen Agenten auf dem aktuellen Level?), Capability Forecasting (wohin bewegt sich die Grenze als nächstes?) und Leverage Calibration (wo setze ich menschliche Aufmerksamkeit ein?).

Das Tacit Knowledge Problem ist dabei die größte Herausforderung. Die Menschen mit dem größten Gewinn durch Agent-Delegation sind genau die, deren Arbeit am schwersten zu delegieren ist. Je erfahrener du wirst, desto mehr wandert deine Arbeit von expliziten Prozessen zu implizitem Urteilsvermögen. Als Anfänger folgst du bewusst Checklisten. Mit wachsender Expertise werden die Schritte zu automatischen Mustern, und du hörst auf, über deine Wissensarbeit nachzudenken. Die Fähigkeit, die dich schnell und effektiv macht, ist dieselbe, die dein Wissen für Agenten unzugänglich macht.

Die Lösung: Der erste Agent, den du betreibst, sollte kein Assistent sein. Er sollte ein Interviewer sein, der dir hilft, dein operatives Wissen zu externalisieren. Fünf Schichten musst du freilegen: Deine echten Arbeitsrhythmen (nicht die Kalenderversion), deine tatsächlichen wiederkehrenden Entscheidungen, deine Abhängigkeiten (von wem brauchst du was?), deine Reibungspunkte und dein implizites Qualitätsverständnis.

Contextual Stewardship nennt Nate B Jones die Schlüsselfähigkeit des Menschen im Agentenzeitalter: das mentale Modell deines Systems pflegen, repräsentieren was du weißt in Formen die Maschinen nutzen können, und Urteilsvermögen ausüben darüber, wann technisch korrekte Ausgabe organisatorisch falsch ist.

Zusammenfassung:

• Die Mensch-KI-Grenzfläche wächst mit jeder Modellgeneration, sie schrumpft nicht.
• Implizites Expertenwissen ist der größte Engpass bei der Delegation an KI-Agenten.
• Ein Externalisierungs-Interview ist der beste erste Schritt, bevor du Agenten produktiv einsetzt.

Reflexionsfrage: Welche Entscheidung triffst du täglich „aus dem Bauch heraus", die ein Agent nur treffen könnte, wenn du die dahinterliegenden Kriterien explizit aufschreiben würdest?

Lektion 8: Dein Stufenplan: Vom Prompt Crafter zum Context Engineer

Lernziel: Du hast einen konkreten Entwicklungsplan, um deine KI-Kommunikationsfähigkeiten systematisch auf das nächste Level zu heben.

Die vier Disziplinen der KI-Steuerung bauen aufeinander auf. Du kannst keine gute Spezifikation schreiben, wenn du keinen guten Prompt schreiben kannst. Du kannst keine effektiven Agent-Systeme bauen, wenn du Context Engineering nicht verstehst. Dieser Stufenplan gibt dir einen konkreten Weg.

Stufe 1: Prompt Craft Gap schließen (Woche 1 bis 2). Lies die aktuelle Prompting-Dokumentation von Anthropic, OpenAI und Google. Lege einen Ordner mit wiederkehrenden Aufgaben an. Schreibe für jede den besten Prompt, speichere die Ergebnisse als Baseline und überarbeite regelmäßig. Teste denselben Prompt in Claude, GPT-5 und Gemini und beobachte die Unterschiede. Lerne die modellspezifischen Eigenheiten: XML für Claude, Structured Outputs für GPT-5, Few-Shot für Gemini.

Stufe 2: Persönliche Kontext-Schicht aufbauen (Woche 3 bis 4). Schreibe ein Äquivalent zu einer CLAUDE.md-Datei für deine Arbeit: deine Ziele, Constraints, Kommunikationspräferenzen, Qualitätsstandards und den institutionellen Kontext. Beginne jede KI-Sitzung, indem du diesen Kontext lädst. Der Qualitätsunterschied sollte sofort spürbar sein. Experimentiere mit Prompt Caching, um die Kosten für wiederkehrende Kontexte zu senken.

Stufe 3: Intent-Infrastruktur kodieren (Monat 2). Mache die Entscheidungsrahmen deines Teams, die bisher implizit gelten, explizit. Definiere, was „gut genug" für jede Arbeitskategorie aussieht. Definiere, was KI eskaliert und was KI autonom entscheidet. Schreibe das alles strukturiert auf und mache es für Agenten verfügbar. Teste mit realen Szenarien: Würde dein Agent bei einer Grenzfall-Entscheidung so handeln, wie du es erwarten würdest?

Stufe 4: Specification Engineering praktizieren (Monat 3). Nimm ein reales Projekt (kein Spielzeugproblem) und schreibe eine vollständige Spezifikation mit allen fünf Bausteinen: Problemstellung, Akzeptanzkriterien, Constraint-Architektur, Dekomposition, Evaluationsdesign. Übergib sie an einen Agenten und beobachte, wo er scheitert. Jedes Dokument, das du ab jetzt schreibst, solltest du als Spezifikation denken, die ein Agent lesen und gegen die er arbeiten muss.

Der tiefere Punkt geht über KI hinaus. Shopify-CEO Tobi Lütke beobachtete, dass er durch besseres Prompting ein besserer CEO geworden ist: präzisere E-Mails, bessere Memos, stärkere Entscheidungsrahmen. Die Fähigkeit, hochwertigen Input an intelligente Systeme zu liefern, erweist sich als Fähigkeit, die auch in der menschlichen Kommunikation wirkt. Context Engineering macht dich nicht nur KI-effektiver, sondern insgesamt zu einem klareren Denker und Kommunikator.

Zusammenfassung:

• Die vier Stufen bauen über 3 Monate aufeinander auf: Prompt Craft, Kontext-Schicht, Intent-Infrastruktur, Specification Engineering.
• Jede Stufe hat ein konkretes Artefakt als Ergebnis: Prompt-Bibliothek, Kontext-Manifest, Delegations-Framework, Spezifikationsdokument.
• Die Fähigkeiten der KI-Kommunikation verbessern auch die menschliche Kommunikation.

Reflexionsfrage: Welche der vier Disziplinen würde in deinem aktuellen Arbeitsalltag den größten Hebel entfalten, und warum?

Quellen und weiterführende Ressourcen

Frameworks und Konzepte:

• Nate B Jones (YouTube @NateBJones): „Prompting Just Split Into 4 Skills", „Prompt Engineering Is Dead. Context Engineering Is Dying.", „Why Every AI Skill You Learned 6 Months Ago Is Already Wrong"
• Simon Willison (simonwillison.net): Blog-Serie zu Context Engineering und Claude-Systemprompt-Analysen
• Andrej Karpathy: Prägung des Begriffs „Context Engineering" (2025)
• Tobi Lütke (Shopify): Beiträge zu Context Engineering als Führungskompetenz

Technische Dokumentation:

• Anthropic: Claude Prompt Engineering Guide, Claude Code Documentation
• OpenAI: Agents SDK, Structured Outputs Documentation
• Google: Gemini Prompt Engineering Whitepaper, Agent Development Kit

Akademische Forschung:

• „Context Engineering: A Methodology for Structured Human-AI Collaboration" (arXiv 2604.04258, April 2026)
• „The actual science of prompt engineering for coding agents" (Bence A. Tóth, 2026)

Stand: Oktober 2026