Vom Prompt Engineering zum Context Engineering
Von der Veröffentlichung von ChatGPT Ende 2022 bis Anfang 2024 drehte sich in der KI-Branche alles um eine Idee: Prompt Engineering. Ganze Kurse, Zertifizierungen und Jobtitel entstanden rund um die Fähigkeit, die perfekte Anweisung für ein großes Sprachmodell zu formulieren. Doch um 2024 verschob sich etwas Grundlegendes. Die Branche ging über Prompts hinaus und wandte sich einer neuen Disziplin zu: Context Engineering.
Diese Verschiebung war nicht willkürlich. Sie wurde durch eine dramatische Erweiterung der Fähigkeiten der zugrunde liegenden Modelle ausgelöst. Als große Sprachmodelle ihre Kontextfenster auf über 200.000 Token ausweiteten, änderte sich das Spiel vollständig. Bei dieser Größenordnung passt ein ganzer Roman, eine komplette Codebasis, eine Reihe wissenschaftlicher Arbeiten oder lang laufende Workflows in ein einziges Kontextfenster. Der Engpass war nicht mehr, was man dem Modell sagt, sondern was man ihm zeigt.
Der Unterschied zwischen einem Prompt und einem Kontext
Prompt Engineering bedeutet, das LLM anzuweisen, sich auf eine bestimmte Weise zu verhalten. Man sagt ihm, es solle wie ein Anwalt agieren, sich kurzfassen, Spekulationen vermeiden. Context Engineering ist grundlegend anders. Es geht darum, dem Modell die richtigen Informationen zu liefern, über die es urteilen kann. Die Anweisung kann perfekt sein, aber wenn der Kontext falsch ist, wird auch das Ergebnis falsch sein.
Stellen Sie es sich so vor: Ein gut geschriebener Prompt mit schlechtem Kontext führt zu einem schlechten Ergebnis. Ein mittelmäßiger Prompt mit ausgezeichnetem Kontext führt oft zu einem guten Ergebnis. Der Kontext ist das Rohmaterial. Der Prompt ist nur das Lenkrad.
In der Legal AI ist diese Unterscheidung entscheidend. Ein Anwalt kann den perfekten Prompt formulieren, aber wenn das System dem Modell veraltete Rechtsprechung, irrelevante Dokumente oder widersprüchliche Anweisungen zuführt, wird das Ergebnis unzuverlässig sein, egal wie elegant der Prompt ist.
Was 200.000 Token tatsächlich bedeuten
Ein Kontextfenster von 200.000 Token ist gewaltig. Zum Vergleich: Ein durchschnittlicher Roman umfasst etwa 80.000 Wörter, was ungefähr 100.000 Token entspricht. Das bedeutet, die neuesten Modelle können den Inhalt von zwei ganzen Romanen in einem einzigen Gespräch aufnehmen. Für die juristische Arbeit bedeutet das, dass Sie vollständige Akten, regulatorische Rahmenwerke, interne Vermerke und den Gesprächsverlauf gleichzeitig laden können.
Doch mit dieser Kapazität kommt ein neues Problem: Context Management. Nur weil Sie alles hineinpacken können, heißt das nicht, dass Sie es tun sollten. Die Qualität des KI-Schlussfolgerns verschlechtert sich, wenn der Kontext schlecht organisiert ist, und dabei haben sich drei konkrete Fehlermuster herauskristallisiert.
Drei Kontextfehler, die jeder Anwalt kennen sollte
Context Poisoning
Context Poisoning tritt auf, wenn veraltete, falsche oder überholte Informationen in das Kontextfenster gelangen. Genau wie schlechte Informationen im eigenen Kopf zu schlechten Entscheidungen führen, sorgt veraltete Rechtsprechung oder eine falsche regulatorische Auslegung im Kontext eines KI-Modells dafür, dass es auf einer fehlerhaften Grundlage schlussfolgert. Das Modell weiß nicht, dass die Information veraltet ist. Es behandelt alles in seinem Kontext als gleichermaßen gültig.
Context Distraction
Context Distraction entsteht, wenn zu viele irrelevante Informationen in das Kontextfenster gemischt werden. Anders als beim Poisoning sind die Informationen nicht zwangsläufig falsch, sie sind schlicht Rauschen. Das Modell muss selbst herausfiltern, was wichtig ist und was nicht, und diese Filterung ist unvollkommen. Das Ergebnis ist eine schwächere Leistung, weniger fokussierte Ausgaben und ein erhöhtes Halluzinationsrisiko, da das Modell Mühe hat, das Signal im Rauschen zu erkennen.
Context Clashing
Context Clashing tritt auf, wenn sich Informationen oder Anweisungen im Kontext widersprechen. Wenn ein Teil des Kontexts sagt „fassen Sie sich kurz" und ein anderer „decken Sie jedes Detail ab", muss das Modell diesen Widerspruch selbst auflösen, und das tut es oft inkonsistent. In der juristischen Arbeit kann sich das als widersprüchliche Beratung, in sich unstimmige Vertragsentwürfe oder als Analyse äußern, die unvorhersehbar in Ton und Tiefe wechselt.
Context-Engineering-Techniken, die funktionieren
Die Disziplin des Context Engineering hat mehrere bewährte Techniken hervorgebracht, um mit diesen Fallstricken umzugehen. Das sind keine theoretischen Konzepte, sondern die Methoden, die die besten Legal-AI-Plattformen einsetzen, um zuverlässige, faktenbasierte Ausgaben sicherzustellen.
HAQQ AI kostenlos testen
Erleben Sie KI-gestützte juristische Recherche und Entwurf
RAG: Retrieval-Augmented Generation
RAG ist die am weitesten verbreitete Context-Engineering-Technik. Statt die gesamte Dokumentenbibliothek in das Kontextfenster zu stopfen, ruft RAG gezielt nur die Dokumente und Passagen ab, die für die aktuelle Anfrage relevant sind. Das ist eine Form von selektivem Kontext: Man zieht heran, was zählt, und lässt weg, was nicht zählt. Das Ergebnis ist ein saubereres Kontextfenster, ein geringeres Ablenkungsrisiko und fokussierteres KI-Schlussfolgern.
Context Compression
Eine weitere leistungsstarke Technik ist die Komprimierung des bestehenden Kontexts durch Zusammenfassen oder Kürzen. Lange Gesprächsverläufe, weitschweifige Dokumente und redundante Informationen lassen sich verdichten, ohne kritische Inhalte zu verlieren. Das ist besonders wichtig für juristische Workflows, in denen sich Gespräche über Dutzende Austausche erstrecken können und Dokumente Hunderte von Seiten umfassen.
Context Layering und Priorisierung
Fortgeschrittene Systeme nutzen Context Layering, also die Organisation des Kontextfensters in priorisierten Ebenen. Systemanweisungen stehen auf der höchsten Prioritätsstufe, gefolgt von den relevantesten Dokumenten, dann unterstützendem Kontext und schließlich dem Gesprächsverlauf. Das stellt sicher, dass das Modell den kritischsten Informationen Aufmerksamkeit schenkt, selbst wenn das Kontextfenster groß ist.
Warum das für Legal AI wichtig ist
Für Anwälte ist Context Engineering kein abstraktes Konzept. Es ist der Unterschied zwischen einem KI-Tool, das halluzinierte Fundstellen produziert, und einem, das zuverlässige, quellenbasierte Analysen liefert. Es ist der Unterschied zwischen einer Vertragsprüfung, die wesentliche Risiken übersieht, weil die KI von irrelevanten Klauseln abgelenkt wurde, und einer, die genau die Punkte aufdeckt, die zählen.
Bei HAQQ ist Context Engineering fest in die Kernarchitektur eingebaut. Die Justinian-Engine nutzt RAG, um relevante Dokumente heranzuziehen, komprimiert und schichtet den Kontext intelligent und hält über mehrstufige juristische Gespräche hinweg saubere, strukturierte Kontextfenster. Deshalb sind die Ausgaben von HAQQ konsequent in den tatsächlichen Dokumenten und den jurisdiktionsspezifischen Regeln verankert, nicht in den allgemeinen Trainingsdaten des Modells.
Die Ära, in der der Prompt alles war, ist vorbei. Die Ära, in der der Kontext die Qualität bestimmt, hat begonnen. Anwälte, die diesen Wandel verstehen, werden KI effektiver einsetzen als jene, die noch immer ihre Prompts optimieren.
- HAQQ Legal AI ausprobieren
- Den Leitfaden zum juristischen Prompting lesen
- HAQQ mit ChatGPT vergleichen
