E81: Bessere KI-Agenten bauen (Teil 2): Die fünf Bausteine des Context Engineering

Nach der Theorie zu Attention Budget und Context Rot zeigt
Malcolm Werchota, wie du Context Engineering
praktisch umsetzt: Wie du KI-Agenten baust, die länger laufen,
weniger vergessen und in der Produktion stabil funktionieren.


Basierend auf der Forschung von Anthropic stellt
Malcolm die fünf zentralen Bausteine vor, die aus fragilen
„Demo-Agenten“ skalierbare Produktionssysteme machen:


System Prompts – Identität, Zweck, Fähigkeiten
und Qualitätsstandards klar definieren


Minimales Tool-Set – Weniger Werkzeuge, dafür
fokussierte Entscheidungen


Just-in-Time Retrieval – Nur relevante
Informationen abrufen, nicht alles auf einmal


Langzeit-Strategien – Kompression, Notizen und
Delegation für längere Laufzeiten


Beispiele & Muster – Erfolge und Fehler
nutzen, Confidence Scores hinzufügen


Diese Prinzipien haben bei Werchota.ai die Performance von
Claude-Code-Workflows massiv verbessert – von
Rechnungsverarbeitung bis Feedback-Analyse.


Context Engineering ist nicht nur eine Technik,
sondern eine neue Denkschule für intelligente KI-Architekturen.


️ SHOW NOTES
Episode 81, Teil 2 – Die fünf Bausteine des Context
Engineering

Malcolm Werchota erklärt Schritt für Schritt, wie Context
Engineering praktisch funktioniert – mit Beispielen aus
Werchota.ai und Anthropic’s Claude Code.
DAS LERNST DU

Die fünf Bausteine des Context Engineering im Detail

Wie du System Prompts richtig strukturierst

Warum „weniger Tools“ bessere Agenten bedeutet

Wie Just-in-Time Retrieval Tokenkosten senkt

Wie du Langzeit-Strategien einsetzt (Kompression, Notizen,
Delegation)

Wie Beispiele und Anti-Patterns die Qualität verbessern

KEY TAKEAWAYS


System Prompts: Kurz, klar und strukturiert –
Identität und Zweck definieren, Qualitätsstandards setzen.


Tool-Set: Weniger ist mehr – reduziere
Entscheidungskomplexität.


Retrieval: Nur was jetzt relevant ist – ein
Dokument nach dem anderen.


Langzeit-Strategien: Regelmäßige Kompression,
externe Notizen und Delegation an Sub-Agents.


Beispiele & Muster: Lehre deine Agenten
durch Erfolge und Fehler, nicht durch Masse.

PRAKTISCHE BEISPIELE

Rechnungsverarbeitung mit Claude Code (Orchestrator + Helper
Agents)

Kundenfeedback-Analyse (10 000 5 000 Wörter
Zusammenfassung)

Parallele Sub-Agents für mehr Effizienz

Laufzeitverlängerung durch Compaction und Notizführung

TOOLS & PLATTFORMEN

Claude Code (von Anthropic)

Claude Sonnet 4.5 (1 Mio. Token Kontextfenster)

Gemini 2.5 (1 Mio. Token Kontextfenster)

ChatGPT-5 (200 k Token Kontextfenster)

Werchota.ai Cloud-Dashboard (Episoden-Anhang)

RESSOURCEN

Anthropic Research: Effective Context Engineering for AI
Agents

Vorherige Episode: Build Better AI Agents – Teil 1 (Basics
des Context Engineering)

Claude Code Dokumentation

Werchota.ai Blog: „Context Engineering in der Praxis“

MALCOLMS ZITATE„Gib deinem Agenten nicht 20
Tools – er verbringt die Hälfte seiner Zeit damit zu entscheiden,
welches er nehmen soll.“„Die Zukunft der KI liegt nicht in größeren
Modellen, sondern in besserer Architektur und Context
Engineering.“„System Prompts sind keine Nachrichten – sie sind
Denkräume.“„Context Engineering macht aus fragilen Demos produktive
Systeme.“VORSCHAU AUF DIE NÄCHSTE FOLGE

In der nächsten Episode: Beyond Context
Engineering – Malcolm zeigt, wie man KI-Agenten misst,
ihre Leistung bewertet und den Return on Investment von AI
Workflows berechnet.


MALCOLM WERCHOTA ONLINE


LinkedIn linkedin.com/in/malcolmwerchota


Website werchota.ai


YouTube youtube.com/@werchota


X x.com/malcolmwerchota


Facebook AI Cookbook by Malcolm Werchota


Instagram @malcolmwerchotaai


TikTok @malcolmwerchota


Kontakt: malcolm@werchota.ai


Feedback: social@werchota.ai


AI Fit Academy:


Lerne produktive KI-Workflows in nur zwei Wochen – oder 100 %
Geld-zurück.


️ werchota.ai/ai-fit-academy