Kontext-Engineering: Was KI-Agenten wann wissen müssen

Kontext-Engineering: Was KI-Agenten wann wissen müssen

Systemprompt, Werkzeuge, Gedächtnis, Abruf und Verdichtung: Warum gute Agenten weniger vom Prompt abhängen als von der Auswahl ihrer Informationen

Aktualisiert:

Abstract

Kontext-Engineering erklärt: Wie Sie Systemprompt, Werkzeuge, Gedächtnis und Abruf so steuern, dass KI-Agenten auch bei langen Aufgaben verlässlich arbeiten.
  • #Kontext-Engineering
  • #KI-Agenten
  • #Kontextfenster
  • #Prompt Engineering
  • #Vibe Coding
  • #KI
  • #Programmierung
  • #Softwareentwicklung

Ein Kontextfenster ist ein knappes Gut – wer es planvoll füllt, bekommt zuverlässigere Agenten

Angenommen, ein Coding-Agent soll in einem Webshop die Versandkostenberechnung umbauen. In der ersten halben Stunde läuft alles gut: Er liest die richtigen Dateien, hält sich an die Namenskonventionen und schreibt Tests. Zwei Stunden später, nach Dutzenden Werkzeugaufrufen und seitenlangen Testausgaben, ignoriert er plötzlich eine Regel, die ganz am Anfang stand, und baut eine Funktion ein zweites Mal, die es längst gibt. Am Modell hat sich nichts geändert. Geändert hat sich, was es in diesem Moment vor Augen hat.

Genau darum geht es beim Kontext-Engineering. Gemeint ist die Arbeit, einem Sprachmodell zu jedem Schritt die Informationen bereitzustellen, die es für diesen Schritt braucht – nicht mehr und nicht weniger. Für einfache Chat-Anfragen spielt das kaum eine Rolle. Für Agenten, die über viele Runden selbstständig planen, Werkzeuge aufrufen und Ergebnisse auswerten, entscheidet es oft darüber, ob sie brauchbar sind.

Was Kontext-Engineering bedeutet und woher der Begriff stammt

Ein Sprachmodell (Large Language Model, LLM) hat kein Gedächtnis im menschlichen Sinn. Es sieht bei jeder Antwort nur das, was in seinem Kontextfenster steht: dem Textausschnitt, den die Anwendung bei jedem Aufruf mitschickt. Dazu gehören die Anweisungen der Anwendung, der bisherige Gesprächsverlauf, Beschreibungen der verfügbaren Werkzeuge, deren Ergebnisse und alles, was zusätzlich abgerufen wurde. Was dort nicht steht, existiert für das Modell nicht.

Der Begriff „Context Engineering“ verbreitete sich im Sommer 2025. Shopify-Chef Tobi Lütke und der KI-Forscher Andrej Karpathy warben damals öffentlich dafür, statt von „Prompt Engineering“ lieber von Kontext-Engineering zu sprechen. Karpathy beschrieb es sinngemäß als die Kunst, das Kontextfenster mit genau den richtigen Informationen für den nächsten Schritt zu füllen. Erfunden haben beide die Sache nicht. Wer Chatbots mit Unternehmenswissen gebaut hat, hat schon vorher entschieden, welche Dokumente ins Fenster kommen. Neu war die Einsicht, dass dies bei Agenten zur Hauptaufgabe wird.

Der Unterschied zum Prompt-Engineering

Prompt-Engineering kümmert sich darum, eine einzelne Anfrage gut zu formulieren: klare Aufgabe, passende Beispiele, gewünschtes Ausgabeformat. Kontext-Engineering ist umfassender. Es betrachtet alles, was über die gesamte Laufzeit eines Agenten ins Fenster gelangt, und fragt bei jedem Baustein, ob er dort gerade nützt oder stört. Der gut formulierte Prompt ist dabei nur ein Baustein unter mehreren.

Vom Vibe Coding zur bewussten Steuerung

Karpathy hatte Anfang 2025 auch den Begriff „Vibe Coding“ geprägt: Man beschreibt einer KI locker, was man will, übernimmt das Ergebnis und schaut kaum in den Code. Für Wegwerfprototypen funktioniert das erstaunlich gut. Sobald Software gepflegt, geprüft und von mehreren Menschen verstanden werden muss, reicht das nicht mehr. Kontext-Engineering ist das Gegenstück: Statt zu hoffen, dass das Modell schon das Richtige errät, legt das Team fest, was es wissen muss. Wie sich beides in der Praxis verbinden lässt, beschreibt der Beitrag zu Vibe Coding mit System.

Warum mehr Kontext nicht automatisch besser ist

Aktuelle Modelle verarbeiten laut Herstellern Kontextfenster von mehreren Hunderttausend bis rund einer Million Token. Ein Token entspricht grob einem Wortbestandteil. Da liegt die Idee nahe, einfach alles hineinzuladen: das ganze Repository, alle Handbücher, den kompletten Verlauf. Das ist aus drei Gründen keine gute Strategie.

Erstens lässt die Genauigkeit mit wachsender Länge nach. Eine viel beachtete Untersuchung von Chroma, dem Anbieter einer Open-Source-Suchdatenbank für KI-Anwendungen, zeigte im Juli 2025 unter dem Schlagwort „Context Rot“, dass Modelle bei langen Eingaben nicht gleichmäßig zuverlässig arbeiten. Anthropic spricht in seiner Dokumentation ebenfalls davon, dass Genauigkeit und Erinnerungsleistung mit der Zahl der Token abnehmen. Ein Modell hat gewissermaßen ein Aufmerksamkeitsbudget, und jede überflüssige Zeile verbraucht einen Teil davon.

Zweitens kostet jedes Token Geld und Zeit. Ein Agent, der bei jedem Schritt 200.000 Token mitschleppt, ist teurer und langsamer als einer, der mit einem Zehntel auskommt.

Drittens verschlechtern bestimmte Inhalte das Ergebnis aktiv. Der KI-Fachautor Drew Breunig hat 2025 vier typische Fehlerbilder beschrieben, die sich in der Praxis gut wiedererkennen lassen:

  • Kontextvergiftung: Ein Fehler oder eine Halluzination gerät ins Fenster und wird danach immer wieder als Tatsache aufgegriffen.
  • Ablenkung: Der Verlauf wird so lang, dass das Modell eher frühere Schritte wiederholt, als neue Lösungswege zu suchen.
  • Verwirrung: Überflüssige Informationen, etwa die Beschreibungen von Werkzeugen, die für die Aufgabe keine Rolle spielen, verleiten das Modell zu falschen Entscheidungen.
  • Widersprüche: Im Fenster stehen Angaben, die sich gegenseitig ausschließen, zum Beispiel eine alte und eine neue Fassung derselben Regel.

Das Beispiel aus dem Webshop zeigt mehrere davon zugleich: Die frühe Regel ist im langen Verlauf untergegangen, und die bereits vorhandene Funktion stand zwar irgendwann im Fenster, aber unter vielen anderen Ausgaben.

Woraus der Kontext eines Agenten besteht

Wer Kontext gezielt steuern will, muss zuerst wissen, welche Teile es gibt. Bei einem typischen Agenten sind es sechs.

Systemprompt. Die Grundanweisungen der Anwendung: Rolle, Ziel, Regeln, Ton. Anthropic empfiehlt in seinem Leitfaden zum Kontext-Engineering eine „richtige Flughöhe“: konkret genug, um das Verhalten zu lenken, aber ohne lange Wenn-dann-Listen für jeden Sonderfall, die das Modell eher verunsichern.

Werkzeugbeschreibungen. Jedes Werkzeug, das ein Agent aufrufen kann, steht mit Name, Beschreibung und Parametern im Fenster. Bei zwei oder drei Werkzeugen ist das unproblematisch. Bindet ein Team jedoch viele Server über das Model Context Protocol und verwandte Agentenprotokolle an, belegen allein die Beschreibungen einen spürbaren Teil des Fensters, bevor die eigentliche Arbeit beginnt. Hinzu kommt: Wenn sich zwei Werkzeuge ähneln, wählt das Modell leicht das falsche.

Beispiele. Wenige gut gewählte Beispiele zeigen oft besser als lange Erklärungen, was gemeint ist. Zu viele ähnliche Beispiele führen allerdings dazu, dass das Modell sie zu wörtlich nachahmt.

Abgerufenes Wissen. Inhalte, die zur Laufzeit gesucht und eingefügt werden: Dokumente aus einer Wissensdatenbank, Dateien aus dem Repository, Ergebnisse einer Websuche. Dieses Verfahren heißt Retrieval-Augmented Generation (RAG), also durch Abruf ergänzte Textgenerierung.

Gedächtnis. Informationen, die über eine Sitzung hinaus erhalten bleiben, etwa Vorlieben eines Nutzers oder Erkenntnisse aus früheren Aufgaben.

Verlauf und Werkzeugergebnisse. Alles, was im Lauf der Aufgabe passiert ist. Dieser Teil wächst am schnellsten und ist bei langen Aufgaben meist der größte.

Vier Strategien: schreiben, auswählen, verdichten, isolieren

Für den Umgang mit diesen Bausteinen hat sich eine Einteilung in vier Strategien eingebürgert, die unter anderem das Team hinter dem Agenten-Framework LangGraph 2025 beschrieben hat. Sie ist kein Standard, aber eine brauchbare Landkarte.

Kontext schreiben: Wissen außerhalb des Fensters ablegen

Ein Agent muss nicht alles im Kopf behalten. Er kann Zwischenstände in eine Notizdatei schreiben, eine Aufgabenliste führen oder Erkenntnisse in einem Gedächtnisspeicher ablegen. Ein Agent, der eine lange Migration erledigt, notiert sich zum Beispiel nach jedem Teilschritt, welche Module schon umgestellt sind und welche Tests noch fehlen. Geht später Kontext verloren, liest er die Notiz einfach wieder ein. Fachleute sprechen von einem Scratchpad, einem Notizblock für die laufende Aufgabe, und von einem Langzeitgedächtnis für Wissen, das über Sitzungen hinweg gilt.

Kontext auswählen: nur das Nötige hereinholen

Die zweite Strategie entscheidet, was ins Fenster kommt. Statt alle Dokumente vorab zu laden, sucht der Agent bei Bedarf gezielt danach – mit einer semantischen Suche, einem Dateisuchwerkzeug oder einfach mit grep. Anthropic beschreibt das als Abruf „just in time“: Der Agent behält leichte Verweise wie Dateipfade oder Links und lädt den Inhalt erst, wenn er ihn braucht.

Dasselbe gilt für Werkzeuge. Einige Plattformen bieten inzwischen eine Werkzeugsuche, bei der das Modell zunächst nur eine kurze Liste sieht und die vollständige Beschreibung eines Werkzeugs erst bei Bedarf nachlädt. Auch beim Gedächtnis ist Auswahl entscheidend: Ein Agent, der jede alte Notiz mitliest, hat am Ende wieder ein volles Fenster.

Kontext verdichten: zusammenfassen und ausdünnen

Wird das Fenster voll, hilft Verdichtung. Der Agent oder die Anwendung fasst den bisherigen Verlauf zusammen und arbeitet mit der Zusammenfassung weiter. Coding-Agenten wie Claude Code machen das automatisch, sobald eine Grenze erreicht ist, und lassen es auch per Befehl auslösen. Eine einfachere Form ist das Ausdünnen: Alte Werkzeugergebnisse, etwa die vollständige Ausgabe eines Testlaufs von vor einer Stunde, werden entfernt oder durch eine Zeile ersetzt („Tests liefen grün“).

Das Risiko liegt in der Auswahl: Eine zu knappe Zusammenfassung wirft genau das Detail weg, das drei Schritte später gebraucht wird. Gute Verdichtung behält Entscheidungen, offene Fehler und Festlegungen und verwirft Rohdaten.

Kontext isolieren: Arbeit auf mehrere Fenster verteilen

Die vierte Strategie teilt eine Aufgabe auf. Ein Hauptagent beauftragt Subagenten, also Hilfsagenten mit eigenem, frischem Kontextfenster. Ein Subagent durchsucht zum Beispiel eine große Codebasis nach allen Stellen, an denen Versandkosten berechnet werden, und liefert nur eine kurze Liste zurück. Die Hunderte Zeilen, die er dabei gelesen hat, belasten den Hauptagenten nicht.

Ähnlich wirkt eine Sandbox, eine abgeschottete Ausführungsumgebung: Der Agent lässt dort Code laufen, und nur das Ergebnis kommt zurück ins Fenster. Der Preis der Isolation sind mehr Modellaufrufe und damit höhere Kosten sowie die Gefahr, dass Teilagenten widersprüchlich arbeiten, wenn sie voneinander nichts wissen.

Kontext-Engineering in Coding-Agenten

Am deutlichsten sichtbar ist das alles in Coding-Agenten wie Claude Code, Codex, Cursor oder GitHub Copilot. Dort finden sich die vier Strategien als konkrete Funktionen wieder.

Dauerhafte Projektregeln stehen in Dateien wie CLAUDE.md oder AGENTS.md, die der Agent zu Beginn jeder Sitzung einliest. Weil sie in jedes Fenster wandern, sollten sie kurz bleiben: Befehle, Konventionen, Verbote. Was in eine gute Anleitung gehört und wie Sie Aufgaben für Agenten zerlegen, beschreibt der Beitrag über Spezifikationen für KI-Agenten ausführlicher.

Mehrere Werkzeuge setzen zudem auf schrittweises Laden. Bei sogenannten Skills sieht der Agent zunächst nur Name und Kurzbeschreibung. Die ausführliche Anleitung lädt er erst, wenn eine Aufgabe dazu passt. Hinzu kommen Subagenten für Recherche und Prüfung, automatische Verdichtung langer Sitzungen und Aufgabenlisten, die der Agent selbst führt.

Für Teams ergibt sich daraus eine einfache Faustregel: Alles, was der Agent bei jeder Aufgabe wissen muss, gehört in die Regeldatei. Alles, was er nur manchmal braucht, gehört in Dokumente oder Skills, auf die er bei Bedarf zugreift. Und alles, was er sich selbst erarbeiten kann, etwa die Struktur des Codes, sollte er sich auch selbst erarbeiten.

Kontext ist auch eine Angriffsfläche

Was ins Kontextfenster gelangt, beeinflusst das Verhalten des Modells. Das gilt auch für Inhalte, die ein Angreifer kontrolliert. Bei der Prompt Injection stehen versteckte Anweisungen in einer Webseite, einer E-Mail, einem Ticket oder einer Codedatei. Liest der Agent diesen Text über ein Werkzeug ein, kann er die Anweisungen für echte Aufträge halten, etwa vertrauliche Daten an eine fremde Adresse zu senden.

Kontext-Engineering ist deshalb auch Sicherheitsarbeit. Bewährt haben sich einige Grundsätze:

  • Inhalte aus unsicheren Quellen deutlich als Daten kennzeichnen und nicht mit Anweisungen vermischen.
  • Agenten nur die Werkzeuge und Rechte geben, die sie für die Aufgabe brauchen.
  • Kritische Aktionen wie Löschen, Bezahlen oder Veröffentlichen von einer menschlichen Bestätigung abhängig machen.
  • Zugangsdaten und personenbezogene Daten nicht unnötig ins Fenster laden. Was dort steht, kann in Protokollen, Zusammenfassungen oder Antworten wieder auftauchen.

Ein vollständiger Schutz gegen Prompt Injection existiert bislang nicht. Umso wichtiger ist es, den möglichen Schaden zu begrenzen. Für Unternehmen kommt der Datenschutz hinzu: Wer Kundendaten in den Kontext eines externen Modells gibt, verarbeitet sie im Sinne der DSGVO und braucht dafür eine Rechtsgrundlage und in der Regel einen Auftragsverarbeitungsvertrag mit dem Anbieter.

Wie Sie die Wirkung messen

Ob eine Änderung am Kontext hilft, lässt sich nicht nach Gefühl beurteilen. Ein Agent, der bei einem Testfall besser wird, kann bei drei anderen schlechter werden. Sinnvoll ist eine kleine Sammlung typischer Aufgaben mit bekanntem Ergebnis, eine sogenannte Evaluation. Vor und nach jeder Änderung läuft der Agent diese Aufgaben durch.

Messbar sind dabei vor allem:

  • Erfolgsquote: Wie viele Aufgaben werden korrekt gelöst, etwa mit grünen Tests?
  • Token-Verbrauch und Laufzeit: Was kostet eine Aufgabe im Schnitt?
  • Werkzeugwahl: Ruft der Agent die passenden Werkzeuge auf oder probiert er herum?
  • Regeltreue: Hält er Vorgaben wie Namenskonventionen oder verbotene Verzeichnisse ein?

Hilfreich ist außerdem, die tatsächlichen Kontextfenster einzelner Läufe anzusehen. Viele Frameworks zeichnen sie auf. Oft zeigt schon ein Blick hinein, dass der Agent seitenweise irrelevante Ausgaben mitschleppt oder dass eine wichtige Regel nie im Fenster gelandet ist.

Was das für Teams bedeutet

Kontext-Engineering ist weniger eine neue Technik als eine neue Gewichtung. Lange galt die Frage, welches Modell man einsetzt, als wichtigste Entscheidung. Bei Agenten verschiebt sich das: Zwei Teams mit demselben Modell erzielen sehr unterschiedliche Ergebnisse, je nachdem, wie sorgfältig sie Anweisungen, Werkzeuge und Wissensquellen auswählen.

Überschätzt wird dabei die Wirkung großer Kontextfenster. Sie sind nützlich, ersetzen aber keine Auswahl. Unterschätzt wird der Pflegeaufwand: Regeldateien veralten, Werkzeuglisten wachsen, Gedächtnisspeicher füllen sich mit Widersprüchen. Wer Agenten produktiv einsetzt, sollte diese Bestandteile behandeln wie Code – mit Versionsverwaltung, Review und regelmäßigem Aufräumen.

Unsere Empfehlung: Beginnen Sie klein. Eine kurze Regeldatei, wenige gut beschriebene Werkzeuge, eine Handvoll Testaufgaben. Erweitern Sie den Kontext erst, wenn Sie sehen, dass dem Agenten etwas fehlt. Wie Sprachmodelle als neue Rechenplattform einzuordnen sind, beschreibt Karpathys Vergleich von LLMs mit Betriebssystemen. Wer im Team Grundlagen im Umgang mit KI-Assistenten aufbauen möchte, findet bei unseren ChatGPT-Schulungen und Workshops Formate von der Einführung bis zur Arbeit mit Agenten.

Häufige Fragen zum Kontext-Engineering

Ist Kontext-Engineering nur etwas für Entwickler?

Nein. Wer einen KI-Assistenten im Fachbereich einführt, trifft dieselben Entscheidungen: Welche Dokumente darf er durchsuchen, welche Anweisungen bekommt er, was soll er sich merken? Die technische Umsetzung liegt meist bei der IT, die inhaltliche Auswahl gehört in die Fachabteilung.

Braucht man dafür ein bestimmtes Framework?

Nicht unbedingt. Frameworks wie LangGraph bieten fertige Bausteine für Gedächtnis, Zustandsverwaltung und lang laufende Abläufe. Die Prinzipien lassen sich aber auch mit wenigen Zeilen eigenem Code oder mit den Bordmitteln eines Coding-Agenten umsetzen. Wichtiger als die Wahl des Werkzeugs ist, dass Sie wissen, was in Ihrem Kontextfenster steht.

Macht ein Modell mit größerem Kontextfenster Kontext-Engineering überflüssig?

Eher nicht. Ein größeres Fenster verschiebt die Grenze, hebt aber die Probleme nicht auf: Lange Eingaben sind teurer, langsamer und bei vielen Modellen weniger zuverlässig. Auch mit einer Million Token bleibt die Frage, welche Informationen dem Modell beim nächsten Schritt wirklich helfen.

Was ist der Unterschied zwischen Gedächtnis und RAG?

RAG holt Wissen aus einem bestehenden Bestand, etwa Handbüchern oder Produktdaten, das unabhängig vom Agenten gepflegt wird. Ein Gedächtnis entsteht dagegen durch die Arbeit des Agenten selbst: Er legt ab, was er gelernt oder entschieden hat. Technisch nutzen beide oft dieselbe Suchtechnik, inhaltlich verfolgen sie unterschiedliche Zwecke.

Schlagworte

Mehr aus „KI & Machine Learning“

Jev: Was ein KI-Modell für schnelles Denken anders macht als ChatGPT

Das System-1-KI-Modell Jev schreibt keinen Text, sondern beantwortet Fragen mit kalibrierten Wahrscheinlichkeiten. Wie das funktioniert und wofür es taugt.

mehr erfahren

KI-Agenten verstehen: MCP, A2A, AG-UI und A2UI einfach erklärt

MCP, A2A, AG-UI und A2UI verständlich erklärt: Wie KI-Agenten Werkzeuge nutzen, miteinander arbeiten und Oberflächen erzeugen – und wer die Standards betreut.

mehr erfahren

KI-Agenten in der Schleife: Loops in Claude Code und Codex

Was ein Loop bei KI-Agenten ist, welche Auslöser es gibt und wie Sie geplante Aufgaben in Claude Code und Codex mit Kostenkontrolle einrichten.

mehr erfahren

Agentic Engine Optimization: Websites für KI-Agenten lesbar machen

Agentic Engine Optimization: Wie KI-Assistenten Ihre Website abrufen, welche Rolle robots.txt, llms.txt und strukturierte Daten spielen – und was belegt ist.

mehr erfahren

Claude Skills für Einsteiger: eigene KI-Workflows aufbauen

Claude Skills bündeln wiederkehrende Anweisungen in einer SKILL.md-Datei. So bauen Sie Skills auf und installieren sie in Claude und Claude Code.

mehr erfahren

Claude Code richtig nutzen: 15 Funktionen, die Profis kennen sollten

Claude Code kann mehr als chatten: So setzen Sie CLAUDE.md, Subagenten, Hooks, Skills, MCP und den Headless-Modus gezielt im Entwickleralltag ein.

mehr erfahren

Weitere Blog-Artikel

Software-Neuentwicklung: Warum der komplette Neustart oft scheitert

Ein kompletter Rewrite wirkt verlockend, scheitert aber oft an Wissensverlust und Zeitdruck. Lesen Sie, welche schrittweisen Alternativen es gibt.

mehr erfahren

Vite als Build-Tool: Vom Entwicklungsserver zum Produktions-Build

Vite baut Frontend-Projekte mit Rolldown für den Produktivbetrieb. Wie der Build abläuft, was bei Assets und Umgebungsvariablen gilt und wie Sie migrieren.

mehr erfahren

LLMs als Betriebssysteme: Software 1.0, 2.0 und 3.0 erklärt

Software 1.0, 2.0 und 3.0: Was Andrej Karpathy mit Sprachmodellen als Betriebssystem meint und welche Folgen das für Entwicklung und Unternehmen hat.

mehr erfahren

Jakarta EE 2025: Enterprise Java auf dem Weg in die Cloud

Rückblick auf 2025: wie sich Jakarta EE zur Cloud-nativen Plattform entwickelte, was Version 11 brachte und wie es sich von Spring Boot und Quarkus abgrenzte.

mehr erfahren

Cybersecurity-Prinzipien: Was Unternehmen wirklich schützen müssen

Cybersecurity-Prinzipien für Unternehmen: CIA-Triade, Vorbeugen, Erkennen und Reagieren sowie Menschen, Prozesse und Technik – erklärt mit Beispielen.

mehr erfahren

JavaScript-Neuerungen 2025: Was das TC39-Komitee für Entwickler plant

Rückblick auf 2025: Was das 108. TC39-Treffen zu AsyncContext, dem using-Schlüsselwort und kopierfreien Byte-APIs brachte und welche Rolle Deno dabei spielte.

mehr erfahren

Aktuelle Blog-Artikel

PHP-Migration nach PHP2Shell: Upgrade oder Sprachwechsel?

PHP2Shell und das Support-Ende von PHP 8.2: Was Sie jetzt patchen sollten, wie ein Upgrade auf 8.4 oder 8.5 gelingt und wann ein Sprachwechsel sinnvoll ist.

mehr erfahren

Jev: Was ein KI-Modell für schnelles Denken anders macht als ChatGPT

Das System-1-KI-Modell Jev schreibt keinen Text, sondern beantwortet Fragen mit kalibrierten Wahrscheinlichkeiten. Wie das funktioniert und wofür es taugt.

mehr erfahren

Node.js ohne Ballast: 12 Bordmittel, die npm-Pakete ersetzen

Von fetch() über node:test bis Type Stripping: zwölf Node.js-Funktionen, die axios, dotenv, Jest und Co. ersetzen, mit Status in Node 24 und 26 und Grenzen.

mehr erfahren

KI-Agenten verstehen: MCP, A2A, AG-UI und A2UI einfach erklärt

MCP, A2A, AG-UI und A2UI verständlich erklärt: Wie KI-Agenten Werkzeuge nutzen, miteinander arbeiten und Oberflächen erzeugen – und wer die Standards betreut.

mehr erfahren

Rusts Lieferkette unter Beschuss: Warum ein Angriff nur der Anfang war

Ein Angriff auf Rust-Pakete war im August 2026 schnell gestoppt, das Grundproblem bleibt. Wie crates.io angreifbar ist und was Sie heute dagegen tun können.

mehr erfahren

Webentwicklung ohne SPA: Eine Web-App mit V, Veb, SQLite und htmx

Am Beispiel der Meetup-Plattform Clash zeigt sich, wie eine Web-App mit V, Veb, SQLite und htmx ohne SPA-Framework entsteht und wo der Ansatz an Grenzen stößt.

mehr erfahren

React-Performance: Warum weniger Optimierung mehr Tempo bringt

React-Performance heute: Wie Sie mit State am richtigen Ort, dem React Compiler, Transitions, Virtualisierung und Messung Ihre Anwendung spürbar beschleunigen.

mehr erfahren

React-Komponenten verbinden: Welcher Weg passt wann?

Props, Context, Zustand, TanStack Query, URL-Parameter oder Ereignisse: So wählen Sie den passenden Weg, damit zwei React-Komponenten Daten austauschen.

mehr erfahren

KI-Agenten in der Schleife: Loops in Claude Code und Codex

Was ein Loop bei KI-Agenten ist, welche Auslöser es gibt und wie Sie geplante Aufgaben in Claude Code und Codex mit Kostenkontrolle einrichten.

mehr erfahren

JavaScript 2026: Bun, Deno und TypeScript 7 läuten eine neue Ära ein

Node.js, Bun und Deno im Wettbewerb, TypeScript 7 mit Compiler in Go, Build-Werkzeuge in Rust: Was sich 2026 bei JavaScript ändert und was Sie davon übernehmen.

mehr erfahren

npm-Pakete sicher prüfen: So bewerten Sie ein Paket vor dem Einbau

npm-Pakete sicher prüfen: wie Sie Name, Wartung, Provenance, Install-Skripte, bekannte Lücken und Lizenz bewerten, bevor ein Paket in Ihr Projekt kommt.

mehr erfahren

npm install unter der Lupe: Wie Angreifer die Lieferkette kapern

Was npm install technisch tut, welche Angriffsmuster von Typosquatting bis Dependency Confusion es ausnutzen und wie Sie das Installieren absichern.

mehr erfahren

Programmiersprachen und KI: Warum Rust für Code-Agenten so gut passt

KI-Agenten schreiben in Rust oft verlässlicheren Code, weil der Compiler viele Fehler sofort meldet. Was dahinter steckt und wo das Argument endet.

mehr erfahren

Pi Agent vs. Claude Code: minimaler Open-Source-Agent im Vergleich

Pi Agent und Claude Code im Vergleich: Architektur, Erweiterungen, Modellwahl, Lizenz, Kosten und Sicherheit. Für wen sich der Open-Source-Agent lohnt.

mehr erfahren

Agentic Engine Optimization: Websites für KI-Agenten lesbar machen

Agentic Engine Optimization: Wie KI-Assistenten Ihre Website abrufen, welche Rolle robots.txt, llms.txt und strukturierte Daten spielen – und was belegt ist.

mehr erfahren

Claude Skills für Einsteiger: eigene KI-Workflows aufbauen

Claude Skills bündeln wiederkehrende Anweisungen in einer SKILL.md-Datei. So bauen Sie Skills auf und installieren sie in Claude und Claude Code.

mehr erfahren

Claude Code richtig nutzen: 15 Funktionen, die Profis kennen sollten

Claude Code kann mehr als chatten: So setzen Sie CLAUDE.md, Subagenten, Hooks, Skills, MCP und den Headless-Modus gezielt im Entwickleralltag ein.

mehr erfahren

Claude Code für Einsteiger: vom Terminal zur fertigen Anwendung

Claude Code arbeitet im Terminal direkt mit Ihren Dateien. So gelingen Installation, erste Aufträge, Planmodus, Skills und MCP auch ohne Programmiererfahrung.

mehr erfahren

OpenClaw im Praxistest: vom Chatbot zum digitalen Assistenten

OpenClaw macht ein Sprachmodell zum selbst gehosteten Agenten mit Zugriff auf Rechner und Messenger. Aufbau, Einrichtung, Skills und Sicherheitsregeln.

mehr erfahren

Das Ende der Menüs: Wie KI die digitale Arbeitsumgebung verändert

Seit Jahrzehnten bedienen wir Computer über Fenster, Menüs und Ordner. KI-Agenten verschieben das zu Aufträgen in Alltagssprache. Was sich ändert und was nicht.

mehr erfahren

Microsoft und Rust: Was hinter dem Ziel „C und C++ bis 2030“ steckt

Microsoft nutzt Rust im Windows-Kernel, der Ersatz von C und C++ bis 2030 ist aber ein Forschungsziel. Was belegt ist und was es für Entwickler bedeutet.

mehr erfahren

TanStack Start: Das React-Framework als Alternative zu Next.js

TanStack Start ist ein Fullstack-Framework für React auf Basis von TanStack Router und Vite. Was es kann und wann es eine Alternative zu Next.js ist.

mehr erfahren

Die Ralph-Wiggum-Technik: KI-Coding-Agenten, die nicht aufgeben

Die Ralph-Wiggum-Technik lässt einen Coding-Agenten denselben Auftrag wiederholen, bis die Tests bestehen. Wie sie funktioniert und worauf Sie achten sollten.

mehr erfahren

Warum KI Entwickler nicht ersetzt, aber ihre Rolle verändert

KI-Assistenten schreiben heute viel Code. Warum Fachwissen trotzdem wichtiger wird und welche Fähigkeiten Entwickler:innen jetzt gezielt ausbauen sollten.

mehr erfahren

Von Node.js zu Bun: Next.js-Projekte schrittweise umstellen

Wie Sie Bun in Next.js einsetzen: von bun install über bun --bun next dev bis zum Deployment. Was dabei schneller wird, was nicht und was Sie vorher prüfen.

mehr erfahren

Bun erklärt: JavaScript-Laufzeit, Paketmanager und Bundler in einem

Bun ist Laufzeitumgebung, Paketmanager, Bundler und Testrunner in einem. Wie es funktioniert, wie kompatibel es zu Node.js ist und für wen es sich lohnt.

mehr erfahren

KI-Agenten richtig anleiten: Spezifikationen, die funktionieren

Spezifikationen für KI-Coding-Agenten wie Claude Code oder GitHub Copilot: welche Angaben hineingehören, wie Sie Aufgaben aufteilen und Grenzen setzen.

mehr erfahren

Was ist .NET? Die Microsoft-Plattform einfach erklärt

.NET ist Microsofts quelloffene Entwicklungsplattform für Web, Cloud, Desktop und Apps. Sie erfahren, wie Laufzeit, SDK und Versionen zusammenhängen.

mehr erfahren

Künstliche Intelligenz 2026: Vom Chatbot zum digitalen Kollegen

Rückblick auf den KI-Ausblick vom Januar 2026: acht erwartete Trends von Multi-Agenten-Systemen über physische KI und EU AI Act bis zu Quanten-Utility.

mehr erfahren

KI-Jahr 2025: Vier Erkenntnisse und ein Ausblick auf 2026

Rückblick vom Januar 2026 auf das KI-Jahr 2025: vier Entwicklungen von unauffälligen Agenten bis zum Chipmangel und was sie damals für 2026 erwarten ließen.

mehr erfahren

REST und Event-Streams: Wann sich ereignisbasierte Backends lohnen

REST oder Event-Streams? Wie sich Request/Response und Publish/Subscribe unterscheiden, wann Kafka, SSE oder WebSockets passen und wo REST richtig bleibt.

mehr erfahren

Shai-Hulud 2.0: Wie sich ein Wurm im November 2025 durch npm fraß

Shai-Hulud 2.0 einfach erklärt: Rückblick auf den npm-Wurm vom November 2025, wie er Zugangsdaten stahl, sich selbst verbreitete und wie Sie sich schützten.

mehr erfahren

HTMX: Moderne Webanwendungen ohne JavaScript-Framework bauen

HTMX lädt Inhalte nach, sendet Formulare und tauscht Seitenteile per HTML-Attribut aus. Die Anleitung zeigt Browser- und Serverseite und den Stand von HTMX 4.

mehr erfahren

Electron vs. Tauri: Desktop-Apps mit Webtechnik im Vergleich

Electron bringt Chromium und Node.js mit, Tauri nutzt den Webview des Systems und einen Kern in Rust. Der Vergleich zeigt, wann sich welches Framework eignet.

mehr erfahren

Architekturkompetenz im KI-Zeitalter: Was Full-Stack heute heißt

Wenn KI-Werkzeuge Code schreiben, verschiebt sich die Arbeit zu Architekturentscheidungen. Welche Fähigkeiten zählen und wie Sie sie gezielt aufbauen.

mehr erfahren

Omarchy im Test: So macht Linux endlich wieder Spaß

Unser Test von Omarchy aus dem November 2025: Das Linux auf Basis von Arch und Hyprland setzt auf Tastatur, Kachelfenster und abgestimmte Themes.

mehr erfahren

JWT-Probleme: Warum Entwickler vor JSON Web Tokens warnen

JWT-Probleme im Überblick: Warum sich Tokens schwer widerrufen lassen, welche Prüffehler gefährlich sind und wann klassische Sessions die bessere Wahl sind.

mehr erfahren

7 KI-Begriffe erklärt: Von KI-Agenten bis Superintelligenz

Sieben KI-Begriffe von KI-Agenten über RAG und MCP bis Superintelligenz: was sie bedeuten, wie sie zusammenhängen und was davon für Unternehmen zählt.

mehr erfahren

Machine Learning verstehen: von den Grundlagen bis zu moderner KI

Machine Learning verständlich erklärt: welche Lernverfahren es gibt, wie Training mit Daten abläuft und wie Sie prüfen, ob ein Modell wirklich etwas taugt.

mehr erfahren

Scrum-Master-Rolle auf dem Prüfstand: ein Blick aus Architektursicht

Lohnt sich ein Scrum Master noch? Wir betrachten die Rolle aus Sicht der Softwarearchitektur, gleichen sie mit dem Scrum Guide 2020 ab und zeigen Alternativen.

mehr erfahren

Was dürfen wir für Sie tun?

So sind wir zu erreichen: