Was ist Context Engineering?
Ein KI-Modell weiß viel über die Welt und nichts über Ihr Unternehmen. Jede nützliche Antwort hängt vom Kontext ab, den es erhält: welche Daten, welche Definitionen, welche Regeln und welche Tools.
Bei Prompt Engineering geht es darum, wie Sie fragen. Bei Context Engineering geht es darum, was das Modell weiß, wenn es antwortet. Für geschäftliche Arbeit ist Letzteres meist wichtiger.
Wie funktioniert Context Engineering?
- Definitionen. Was jede Kennzahl bedeutet und wie sie berechnet wird, damit das Modell die Rechenlogik des Unternehmens nutzt.
- Daten. Die aktuellen, relevanten Datensätze für die Frage, abgerufen aus kontrollierten Quellen.
- Regeln. Richtlinien und Leitplanken, etwa Markenrichtlinien oder was ein Mensch freigeben muss.
- Tools. Die Aktionen, die das Modell ausführen darf, und die Berechtigungen, mit denen sie laufen.
- Grenzen. Nur das, was die Aufgabe braucht, denn zusätzlicher Kontext kann Antworten verschlechtern.
Was ist ein Beispiel für Context Engineering?
Zwei Antworten auf dieselbe ROAS-Frage
Nach dem ROAS pro Kanal gefragt, wählt ein Assistent ohne Geschäftskontext seine eigene Formel und seinen eigenen Zeitraum. Die Antwort klingt überzeugend und passt zu keinem Bericht im Unternehmen.
Mit der ROAS-Definition des Unternehmens, seiner Kanaltaxonomie und seinem Geschäftsjahreskalender liefert derselbe Assistent die Zahl, die auch das Finanzteam berechnen würde. Nur der Kontext hat sich geändert.
Context Engineering vs. Prompt Engineering vs. Fine-Tuning
| Prompt Engineering | Context Engineering | Fine-Tuning | |
|---|---|---|---|
| Was es verändert | Wie die Anfrage formuliert ist | Was das Modell beim Antworten weiß | Die Gewichte des Modells |
| Aktualisiert sich, wenn sich Daten ändern | Nein | Ja, bei jeder Anfrage | Erst nach erneutem Training |
| Am besten für | Tonalität und Format | Genaue, aktuelle Antworten zum Geschäft | Spezieller Stil oder spezielle Aufgaben |
Warum ist Context Engineering wichtig?
Die meisten falschen KI-Antworten im Geschäftsalltag liegen nicht am Modell. Das Modell hatte die falschen Daten, eine veraltete Definition oder gar keine Definition. Den richtigen Kontext herzustellen ist der direkteste Weg zu belastbaren KI-Antworten.
Wie setzt Alli das um?
Alli Semantic Layer, Teil von Alli by PMG, ist der Ort, an dem die Geschäftslogik des Marketings einmal definiert wird: gemeinsame KPI-Definitionen, harmonisierte Benennungen über alle Plattformen und Regionen sowie ein gemeinsames Data Dictionary. Jedes Team, jedes Tool und jeder KI-Agent in Alli arbeitet mit diesen Definitionen, sodass die KI auf der Logik aufbaut, auf die sich die Teams bereits geeinigt haben.
Alli Data liefert die kontrollierten, aktuellen Daten darunter, und Alli4u-Skills bündeln die Anweisungen und Tools, die ein Assistent für eine bestimmte Aufgabe braucht.
Alli Semantic Layer entdeckenFAQ zu Context Engineering
Wie unterscheidet sich Context Engineering von Prompt Engineering?
Prompt Engineering bestimmt, wie eine Anfrage formuliert ist. Context Engineering legt fest, welche Informationen, Definitionen, Regeln und Tools das Modell beim Antworten hat. Für die geschäftliche Genauigkeit ist das meist wichtiger.
Ist RAG eine Form von Context Engineering?
Ja. Retrieval-Augmented Generation ruft relevante Dokumente oder Daten ab und fügt sie dem Kontext des Modells hinzu. Context Engineering umfasst zusätzlich Definitionen, Regeln und Tools.
Kann zu viel Kontext KI-Antworten verschlechtern?
Ja. Zusätzliche, irrelevante Informationen können ein Modell ablenken und Antworten ungenauer machen. Guter Kontext beschränkt sich auf das, was die Aufgabe braucht.
Wie hilft ein Semantic Layer der KI?
Er gibt der KI die unternehmenseigenen Kennzahldefinitionen und Benennungen, sodass das Modell Zahlen so berechnet wie das Unternehmen, statt zu raten.
Zuletzt aktualisiert Zurück zum Glossar