Kontext-Engineering: Was erreicht das Modell?

Context Engineering wählt aus, was das Modell sieht. Das Ziel ist Relevanz, nicht das Ausfüllen des Kontextfensters.

Sie können diesen Kurs ohne Konto oder Programmierung absolvieren. Beispiele verwenden synthetische Daten und KI-Ergebnisse müssen überprüft werden.

Wie es funktioniert, Schritt für Schritt

Der Kontext ist die Werkbank

Der Kontext umfasst Anweisungen, die aktuelle Anfrage, den relevanten Verlauf, abgerufene Dokumente und Toolergebnisse. Das Kontextfenster hat eine begrenzte Kapazität. Reservieren Sie auch Platz für die Antwort. Mehr Text verbessert nicht automatisch die Genauigkeit. Irrelevante Informationen und Widersprüche können wichtige Beweise verbergen. Fassen Sie den Gesprächsverlauf sorgfältig zusammen und bewahren Sie den Ursprung der Fakten. Der Status beschreibt den aktuellen Lauf, ein Prüfpunkt speichert einen fortsetzbaren Punkt und der persistente Speicher behält Informationen über alle Läufe hinweg. Hierbei handelt es sich um verschiedene Mechanismen, die von der Anwendung verwaltet werden.

RAG greift auf Beweise zu, es führt keine Umschulung durch

RAG bedeutet Retrieval-Augmented Generation: Retrieval liefert relevante Passagen, bevor das Modell antwortet. Die Aufnahme bereitet Dokumente vor, während die Abfrageausführung den Index durchsucht und den Kontext erstellt. Ein Einbettungsmodell stellt Text numerisch dar; Das Antwortmodell schreibt die Antwort. Reranker-, Vision-, Graph- und Router-Modelle übernehmen bei Bedarf unterschiedliche Rollen. RAG hilft bei privaten oder sich ändernden Informationen, übernimmt jedoch keine Gewähr für die Richtigkeit. Verwenden Sie eine autorisierte API für Salden, genaue Bestände oder Berechtigungen; Ein altes Dokument ist keine verlässliche Quelle für den aktuellen Stand.

Überprüfen Sie den Zugang vor der Nutzung

Berechtigungen müssen von Servern und der Datenschicht durchgesetzt werden. Lassen Sie nicht das Modell entscheiden, ob ein Benutzer ein Dokument sehen darf. Filtern Sie Quellen, bevor sie in den Kontext gelangen, nicht nachdem die Antwort generiert wurde. Verwenden Sie Anmeldeinformationen mit minimalem Zugriff, halten Sie sie von Eingabeaufforderungen, Screenshots und Browsercode fern und rotieren Sie offengelegte Schlüssel. Eine Widget-Domain-Zulassungsliste ersetzt nicht die API-Authentifizierung. Durch die Authentifizierung werden Sie identifiziert; Die Autorisierung bestimmt die Vorgänge und Daten, die Sie verwenden können. Test verweigerte auch den Zugriff.

Das erklärende Schaubild

Folgen Sie den durchgezogenen Pfeilen für den Hauptfluss. Gestrichelte blaue Pfeile liefern Daten oder Kontext; Gestrichelte rosa Pfeile zeigen Feedback oder zurückgegebene Ergebnisse an. Farben und Formen unterscheiden Modelle, Geschäfte, Entscheidungen und Ergebnisse. Scrollen Sie auf kleinen Bildschirmen horizontal, um das gesamte Schaubild zu verfolgen.

Ein vollständiges Beispiel

Behalten Sie bei einer Rückfrage die aktuellen Richtlinien und das aktuelle Produkt bei und nicht zehn Seiten farbiger Diskussion. Wenn zwei Richtlinien in Konflikt stehen, markieren Sie Versionen, anstatt sie zu vermischen.

Probieren Sie es selbst aus

1. Reduzieren Sie zehn Absätze des Kontexts auf das, was die Frage erfordert.
2. Notieren Sie die Eingabe, die Quelle und das erwartete Ergebnis, bevor Sie das Experiment durchführen. Verwenden Sie im Beispiel nur die fiktiven Daten.
3. Folgen Sie den Diagrammschritten. Notieren Sie bei jedem Schritt, welche Informationen empfangen und produziert werden. Verwechseln Sie Zwischenergebnisse nicht mit Endergebnissen.
4. Wiederholen Sie den Vorgang, nachdem Sie erforderliche Informationen entfernt oder die Eingabe mehrdeutig gemacht haben. Prüfen Sie, ob das System eine Antwort klärt, stoppt oder erfindet.
5. Vergleichen Sie mit der erklärten Lösung. Bewahren Sie die Konfiguration, das Datum, das Ergebnis und eine Erklärung für Unterschiede auf. Ändern Sie eine Sache und testen Sie es erneut.

Eine erklärte Lösung

Das Modell erhält Anweisungen, Fragen und relevante Beweise, wobei Quelle und Version beibehalten werden. Mit einer erfolgreichen Übung können Sie den Zusammenhang zwischen Input, Phasen und Ergebnis aufzeigen. Bei fehlenden Informationen ist eine vorsichtige Antwort sinnvoller als erfundene Details. Vergleichen Sie mehr als nur Stil: Überprüfen Sie auch Bedingungen, Quellen und Vorgänge.

Wann dieser Ansatz hilft und wo seine Grenzen liegen

Durch die Zusammenfassung können Bedingungen verloren gehen; Überprüfen Sie, was entfernt wurde. Wählen Sie diesen Ansatz, wenn er einen gemessenen Bedarf verbessert. Behalten Sie eine einfache Ausgangsbasis bei und vergleichen Sie die Ergebnisse mit identischen Eingaben. Ein erfolgreiches Beispiel stellt nicht in jeder Situation Verlässlichkeit dar.

Überprüfen Sie Ihr Wissen

Ist ein Checkpoint ein permanenter Benutzerspeicher?

Nein. Das Speichern eines Laufs bedeutet nicht, dass die Präferenzen in allen Gesprächen beibehalten werden.

Verändert RAG die LLM-Parameter?

Nein. Es stellt den Kontext zur Anforderungszeit bereit. Parameteränderungen gehören zum Training.

Zu welchem ​​Ergebnis soll diese Übung führen?

Das Modell erhält Anweisungen, Fragen und relevante Beweise, wobei Quelle und Version beibehalten werden.

Wichtige Begriffe

• Kontrollpunkt: Gespeicherter Zustand, der zum Fortsetzen einer Ausführung verwendet wird.
• Abruf: Relevante Informationen in zugänglichen Quellen finden.
• Autorisierung / Autorisierung: Überprüfung des Zugriffsrechts auf einen Vorgang oder eine Ressource.

Quellen und Ihr nächster Schritt

• LangGraph — Workflows und Agenten
• Lewis et al. — Retrieval-Augmented Generation
• OWASP — Prompt-Injection

Zur Vorbereitung: P01 – Schnelles Engineering ohne Zauberformeln