Context Engineering bezeichnet die gezielte Auswahl, Strukturierung und Aufbereitung der Informationen, die ein KI-Modell für eine Anfrage erhält. Es geht nicht um die Formulierung der Anweisung selbst, sondern um das, was dem Modell an Wissen, Beispielen und Daten mitgegeben wird, bevor es überhaupt antwortet.
Ein Sprachmodell verarbeitet nur, was im Kontextfenster steht. Fehlt der passende Ausschnitt aus der Kundenhistorie oder der Produktdokumentation, kann das Modell noch so gut formuliert gefragt werden, die Antwort bleibt vage oder falsch. Context Engineering umfasst deshalb mehrere Bausteine: Retrieval-Augmented Generation für den Zugriff auf Dokumente, ein Gedächtnis für frühere Interaktionen, Systemanweisungen, die den Rahmen setzen, und die Auswahl, welche Informationen angesichts begrenzter Kontextfenster überhaupt hineinpassen. Diese Auswahl ist kein technisches Detail. Sie entscheidet darüber, ob ein KI-Assistent aus dem Kontext eines Unternehmens heraus antwortet oder aus generischem Trainingswissen.
Bezug zu SAP Business One
Context Engineering trägt in der SAP-Business-One-Welt konkret, sobald ein KI-Assistent Fragen zu Belegen, Stammdaten oder Auswertungen beantworten soll. Ein Modell, das nur allgemein trainiert wurde, kennt weder den Kontenrahmen eines Mandanten noch die Zahlungsziele eines konkreten Geschäftspartners. Erst die Aufbereitung von Stammdaten- und Belegkontext, etwa über einen MCP-Server oder eine Retrieval-Pipeline, versetzt das Modell in die Lage, mit den tatsächlichen Daten des Mandanten zu arbeiten statt mit Vermutungen.
Abgrenzung
Context Engineering ist nicht identisch mit Prompt Engineering. Prompt Engineering optimiert die Formulierung der Anweisung. Context Engineering optimiert das, was dem Modell an Information zur Verfügung steht. Retrieval-Augmented Generation wiederum ist eine einzelne Technik innerhalb von Context Engineering, nicht dessen Synonym. Wer nur RAG einsetzt, aber Gedächtnis, Systemanweisungen und Auswahlkriterien vernachlässigt, betreibt Context Engineering nur zur Hälfte.
SAP B1 10.0 FP2608: Service Layer KI als transaktionalen Schicht
Process Reward Models: Warum ein richtiges Ergebnis noch keinen richtigen Weg beweist
Test-Time Compute Scaling: Warum ein kleineres KI-Modell am Ende gewinnen kann — und was der Lieferantenvergleich in SAP Business One damit zu tun hat
RLHF und Reward-Modelle: Was hinter dem KI-Hype steckt — und was der Genehmigungsprozess in SAP Business One damit zu tun hat
KI – Antworten aus SAP Business One – ohne SQL, ohne IT-Ticket
