Eine KI-Sitzung braucht die richtigen Informationen zur richtigen Zeit. Projektregeln, Quellen und bisherige Entscheidungen helfen dabei; überholte Annahmen können stören. Kontextverwaltung, gespeicherte Notizen und Skills lösen jeweils einen anderen Teil dieses Problems. Du brauchst dafür nicht sofort eine Vektordatenbank oder ein ganzes Agententeam.
5 Min. Lesezeit
14 Abschnitte
25 Quellen
Stand: 21. Juni 2026
Den Fehler finden, bevor du das System erweiterst
Eine Antwort kann scheitern, weil eine Quelle fehlt, eine Anweisung unklar ist oder das Modell die Aufgabe nicht bewältigt. Diese Ursachen brauchen unterschiedliche Lösungen. Ein größerer Kontext hilft wenig, wenn bereits die falschen Dokumente ausgewählt wurden.
Untersuche einen konkreten Fehlschlag: Welche Information lag vor, was fehlte und an welchem Schritt ging es schief? Erst dann lässt sich entscheiden, ob eine bessere Anleitung, Suche, ein Werkzeug oder ein anderes Modell nötig ist.
Informationen bei Bedarf laden
Für eine Codeänderung muss nicht das gesamte Repository im Prompt stehen. Dateinamen, Suchtreffer und ein kurzer Architekturüberblick können den Einstieg liefern; relevante Inhalte werden anschließend gelesen. Anthropic beschreibt dieses bedarfsgesteuerte Vorgehen als Teil von Context Engineering.
Bei einem kurzen Dokument kann das vollständige Mitgeben einfacher sein. Entscheidend ist, dass der nächste Arbeitsschritt die nötige Information erhält. Ein bloßer Link hilft nicht, wenn das System seinen Inhalt nicht abrufen kann.
Eine Zusammenfassung kann eine lange Sitzung fortsetzbar machen. Darin müssen Auftrag, Entscheidungen, offene Fragen und wichtige Fundstellen erhalten bleiben. Vergleiche kritische Details weiterhin mit den Originaldateien, denn jede Verdichtung kann etwas verlieren.
Eine unabhängige neue Aufgabe kann dagegen von einem frischen Gespräch profitieren. Es gibt keinen allgemein richtigen Füllstand, bei dem ein Kontext geleert werden muss. Entscheidend ist, ob der bisherige Verlauf für die nächste Arbeit noch relevant und korrekt ist.
Kapazität und Nutzung getrennt messen
Ein größeres Kontextfenster schafft Platz. Wie gut ein Modell darin arbeitet, hängt von Aufgabe, Inhalt und Architektur ab. Studien zu langen Kontexten liefern Hinweise auf mögliche Fehler, aber keine feste Qualitätskurve für alle Modelle.
Teste etwa, ob das System über mehrere Kapitel verteilte Bedingungen korrekt zusammenführt. Für eine Zusammenfassung eines kurzen Texts kann mehr Kontext überflüssig sein. Bei einer Analyse vieler Dokumente kann er nötig sein, ohne gezielte Suche vollständig zu ersetzen.
Werkzeugbeschreibungen und Ergebnisse können den Kontext belasten. Ob alle Beschreibungen sofort geladen werden, hängt von der Anwendung ab. Bedarfsgesteuerte Werkzeugauswahl kann den Umfang reduzieren; MCP schreibt kein dauerhaftes Einfügen sämtlicher Schemata vor.
Beobachte zuerst, was in deinem System tatsächlich geladen wird. Kürze übergroße Ergebnisse gezielt oder mache sie nachladbar. Ein kurzer Werkzeugaufruf mit einer riesigen Antwort kann mehr Kontext verbrauchen als eine ausführliche Beschreibung.
Ein externes Gedächtnis besteht etwa aus Dateien oder Datenbankeinträgen, die später wieder abgerufen werden. Das verändert keine Modellgewichte. Eine Notiz hilft erst, wenn sie zur passenden Aufgabe gefunden und in den Kontext aufgenommen wird.
Speichere neben Entscheidungen auch Begründung, Datum und Fundstelle. Trenne bestätigte Fakten von Vermutungen. Eine alte, ungeprüfte Notiz kann sonst in vielen neuen Sitzungen denselben Fehler verbreiten.
Eine brauchbare Projektnotiz könnte lauten: „Beschluss vom 3. September: Export bleibt CSV, weil die Buchhaltung dieses Format importiert. Quelle: freigegebene Anforderung. Offen: Zeichencodierung.“ Damit sind Entscheidung, Grund und Unsicherheit unterscheidbar.
Die Suche nach der Aufgabe auswählen
Für eine einzelne kurze Anleitung kann das direkte Mitgeben reichen. In einem überschaubaren Projekt können Dateisuche und ein gepflegter Index genügen. Ein großer, oft befragter Dokumentenbestand kann eine vorbereitete Suchstruktur rechtfertigen.
Das ist keine feste Leiter, die mit wachsender Seitenzahl zwingend zum Graphen führt. Art der Fragen, Aktualisierung, Zugriffsrechte und gewünschte Antwortzeit entscheiden mit. Vergleiche den einfachsten funktionierenden Aufbau mit der geplanten Erweiterung.
Mit Dateien und gezielter Suche beginnen
Aussagekräftige Dateinamen, ein Inhaltsindex und eine Textsuche helfen einem Agenten, relevante Stellen zu finden. Bei Code sind Symbolnamen und Verweise besonders nützlich. Eine Vektordatenbank ist dafür keine Voraussetzung.
Der Vorteil ist der geringe Aufbauaufwand. Der Nachteil können viele einzelne Such- und Leseaufrufe sein. Miss, ob das System die richtigen Stellen findet, und prüfe bei Änderungen, ob Index und Dateien zusammenpassen.
Wann Beziehungen als Graph nützen
Ein WissensgraphWissen als Graph aus Entitäten (Knoten) und Beziehungen (Kanten). Fürs Retrieval (GraphRAG) erlaubt das „globale“ Schließen über einen Korpus und verbindet verstreute Fakten, die reine Vektorsuche übersieht.Mehr im Wissen → stellt Entitäten und Beziehungen dar: beispielsweise Projekte, beteiligte Organisationen und ihre Verbindungen. Microsofts GraphRAG kombiniert solche Strukturen mit Zusammenfassungen für die Suche und Auswertung.
Das kann bei Fragen helfen, die mehrere Stellen eines Bestands verbinden. Automatisch extrahierte Beziehungen können jedoch falsch sein. Halte deshalb den Bezug zu den Quellpassagen fest und prüfe den Nutzen an eigenen Fragen, bevor du aufwendige Graphen pflegst.
Wenn passende Belege fehlen, untersuche zuerst die Aufbereitung: Sind Abschnitte zu klein, Tabellen zerlegt oder Dokumentversionen vermischt? Hybrid Search und Reranking können die Treffer verbessern. Anthropics Contextual Retrieval ergänzt Textabschnitte um erklärenden Kontext vor der Suche.
Ein Graph ist vor allem dann interessant, wenn Beziehungen und Fragen über den gesamten Bestand wichtig sind. Rechne seinen Aufbau, Aktualisierungen und Fehlerprüfung mit. Eine billigere einzelne Abfrage belegt noch keine niedrigeren Gesamtkosten.
Ein Agent SkillWiederverwendbares Können als Ordner mit einer SKILL.md (Name, Beschreibung, Anleitung, optional Skripte). Die vollen Anweisungen lädt der Agent erst, wenn eine Aufgabe zur Beschreibung passt (Progressive Disclosure) – viele Skills bei wenig Kontextkosten.Mehr im Wissen → bündelt eine Anleitung mit optionalen Skripten, Vorlagen und Referenzen. Beim offenen Agent-Skills-Format steht am Anfang eine SKILL.md mit Name und Beschreibung. Die Beschreibung hilft dem Agenten zu erkennen, wann die Anleitung gebraucht wird.
Formuliere den Auslöser konkret und halte die Anleitung prüfbar. Das folgende Beispiel zeigt die Struktur; Vorlage und Skript müssen im tatsächlichen Skill vorhanden sein. Eine Textanweisung allein installiert keine zusätzliche Fähigkeit und setzt keine Sicherheitsgrenze durch.
Dateien wie AGENTS.md oder CLAUDE.md machen Befehle und Konventionen auffindbar. Wie sie geladen werden und welche Regeln Vorrang haben, hängt vom Agenten ab. Eine vorhandene Datei nützt nur, wenn ihr Inhalt zur aktuellen Arbeitsweise passt.
Die Studie „Evaluating AGENTS.md“ vom Februar 2026 fand bei den untersuchten Agenten auch Nachteile zusätzlicher Kontextdateien. Das ist ein Anlass, unnötige Vorgaben zu entfernen. Dokumentiere vor allem Informationen, die sich nicht leicht aus Code und vorhandener Dokumentation erschließen lassen.
Ein Subagent kann eine abgegrenzte Frage untersuchen und ein kompaktes Ergebnis zurückgeben. Der Hauptagent muss dann nicht jeden Suchtreffer im eigenen Verlauf behalten. Für überprüfbare Übergaben gehören Fundstellen und offene Zweifel ins Ergebnis.
Die zusätzliche Sitzung kostet trotzdem Rechenzeit und Tokens. Nutze sie, wenn die Teilaufgabe unabhängig bearbeitbar ist und der Hauptablauf dadurch entlastet wird. Ob Helfer schreiben oder miteinander kommunizieren dürfen, bestimmt das jeweilige System.
Bewahre einige Aufgaben auf, an denen dein bisheriger Aufbau scheitert. Teste jede Änderung daran und an bereits funktionierenden Fällen. Miss neben Qualität auch Kosten, Antwortzeit und Pflegeaufwand.
So erkennst du, ob eine neue Komponente ein Problem löst oder nur verschiebt. Ein Gedächtnis muss korrekte Information wiederfinden, ein Skill im passenden Fall ausgelöst werden und eine Suche passende Belege liefern.
MerksatzEine Ergänzung ist nützlich, wenn sie einen konkreten Fehler behebt und der zusätzliche Aufwand tragbar bleibt.