# Context Engineering in Claude Code: Kontext statt nur Prompts > Was Context Engineering ist und wie es sich von Prompt Engineering unterscheidet. Der Kanon von Anthropic, 7 Fehler und ein minimales Setup für Claude Code. Source: https://ailoot.ai/blog/de/context-engineering/ Canonical: https://ailoot.ai/blog/de/context-engineering/ Language: de Publisher: Ailoot (https://ailoot.ai/) Translation: guide-037 Revision: sha256-ee854698a6c9a7faf61bfac6bd6fbd640c845c2663c3fb0b06fa9dcce727ee74
Das Wichtigste Context Engineering ist die Disziplin, alles zu konfigurieren, was vor deiner Nachricht in das Kontextfenster von Claude gelangt: den System-Prompt, die Tools, den Verlauf, Speicherdateien und Tool-Daten. 2026 hat es Prompt Engineering als zentrale Kompetenz abgelöst – das sagt Anthropic. Dieser Leitfaden behandelt den Kanon aus Primärquellen, 7 häufige Fehler, die Tokens verbrauchen, und ein praktisches 7-Schritte-Setup für Claude Code.
Informationen zur Arbeit mit Ailoot findest du in der [Dokumentation](https://ailoot.ai/docs/). ## Was ist Context Engineering – in einem Satz?
Das Wichtigste Context Engineering ist die Disziplin, bei jedem Schritt alles zu kuratieren, was in das Kontextfenster eines KI-Agenten gelangt: den System-Prompt, Tools, Verlauf, Speicherdateien und Daten aus externen Quellen. Prompt Engineering beantwortete die Frage „Wie schreibt man einen Prompt?“ Context Engineering beantwortet die Frage „Was weiß die KI, wenn du einen Prompt schreibst?“
Anthropic etablierte den Begriff am 29. September 2025 in einem Engineering-Blogbeitrag:
Context Engineering ist die Gesamtheit der Strategien zur Auswahl und Pflege der optimalen Menge an Tokens (Informationen) während der LLM-Inferenz, einschließlich allem, was neben den Prompts selbst hineinfließt.
— Anthropic Applied AI team, https://www.anthropic.com/engineering/effective-context-engineering-for-ai-agents
Derselbe Artikel bietet die wichtigste Formulierung für einen Perspektivwechsel:
Bei der Arbeit mit Sprachmodellen geht es immer weniger darum, die richtigen Wörter und Formulierungen in Prompts zu finden, und immer mehr darum, eine umfassendere Frage zu beantworten: „Welche Konfiguration des Kontexts führt am wahrscheinlichsten zum gewünschten Modellverhalten?“
— Anthropic Applied AI team, https://www.anthropic.com/engineering/effective-context-engineering-for-ai-agents
Die Hauptidee: Der Kontext ist nicht die Nachricht, die du schreibst. Kontext ist die gesamte Informationsmenge, die die KI **vor** deiner Nachricht sieht – den System-Prompt, Tool-Beschreibungen, den Gesprächsverlauf, Speicherdateien und Daten, die über MCP geladen werden. Der Prompt ist der letzte Schritt. Context Engineering ist die Architektur von allem, was in das Fenster eingespeist wird. ## Warum wurde Prompt Engineering 2026 überholt?
Das Wichtigste Prompt Engineering entstand, als Modelle mit einem einzelnen Prompt arbeiteten – ein Durchlauf, eine Aufgabe. KI-Agenten laufen 2026 in langen Sitzungen mit Tools, Speicher, Subagenten und Daten, die spontan über Tools abgerufen werden. In dieser Architektur ist die Formulierung eines einzelnen Prompts nicht mehr die zentrale Kompetenz; entscheidend ist, alle Informationen zu kuratieren, die der Agent sieht.
Der Wandel vollzog sich im Sommer 2025. **29. September 2025:** Anthropic etabliert die Disziplin in einem Engineering-Blogbeitrag und legt einen Kanon aus 4 Prinzipien vor. Prompt Engineering ist nicht „gestorben“. Es ist zur Grundkompetenz geworden, wie das Tippen auf einer Tastatur. Darauf aufbauend ist eine Disziplin entstanden, ohne die KI-Agenten bei langen Aufgaben versagen: Context Engineering. ## Worin unterscheidet sich Context Engineering von Prompt Engineering? 5 Unterschiede
Das Wichtigste Prompt Engineering optimiert einen einzelnen Prompt: Du wählst die Formulierung, Vorlage und den Ton. Context Engineering entwirft die gesamte Informationsumgebung vor diesem Prompt: System-Prompt, Tools, Sitzungsverlauf, Speicherdateien und Abruf. Der Unterschied zeigt sich auf fünf Ebenen: Optimierungsziel, Zeithorizont, Hauptrisiko, zentrale Kompetenz und Quelle im Projekt.
| Aspekt | Prompt Engineering | Context Engineering | |----|----|----| | **Was wird optimiert?** | Die Formulierung eines einzelnen Prompts | Die gesamte Token-Menge: System-Prompt + Tools + Verlauf + abgerufene Daten | | **Zeithorizont** | Ein Durchlauf | Viele Durchläufe und Übergänge zwischen Sitzungen | | **Hauptrisiko** | Das Modell versteht den Prompt nicht | Das Modell ertrinkt im Rauschen (Context Rot) | | **Zentrale Kompetenz** | Texten plus Verständnis des Modells | Informationsarchitektur und gezielter Abruf | | **Quelle im Projekt** | Deine Prompt-Vorlage | CLAUDE.md, Speicherdateien, Abruf, Subagenten, Komprimierung | | **Bildlicher Vergleich** | „Wie schreibt man einen Prompt?“ | „Was weiß die KI, wenn du sie promptest?“ | Context Engineering bedeutet nicht „einfach mehr hineinkippen“. Es geht um **präzise Dosierung**. Zu wenig, und der KI fehlt Kontext, sodass sie halluziniert. Zu viel, und die KI ertrinkt im Rauschen, verliert in der Mitte den Überblick und wird teurer. Prompt Engineering kümmerte sich um den letzten Schritt. Context Engineering kümmert sich um alles, was davor kam. ## Bedeutet 1 Mio. Tokens, dass man „alles hineinkippen“ kann?
Das Wichtigste Die Kontextfenster von Modellen wurden 2026 größer: Claude Opus 4.7 und Sonnet 4.6 unterstützen 1 Million Tokens. Dadurch entsteht die Illusion, man könne das gesamte Repository in das Fenster kippen. In der Praxis bedeutet ein großes Fenster nicht, dass auch ein großes nützliches Gedächtnis entsteht – die Leistung der Modelle beginnt lange vor Erreichen des Limits nachzulassen.
Aktuelle Kontextlimits für Claude-Modelle: | Modell | Kontextfenster | Verfügbar für | |-------------------|--------------------|--------------------------| | Claude Haiku 4.5 | 200.000 Tokens | alle Tarife | | Claude Sonnet 4.6 | 1.000.000 Tokens | Pro+ mit Nutzungsguthaben | | Claude Opus 4.7 | 1.000.000 Tokens | Pro, Max, Team, Enterprise | 1 Mio. Tokens entsprechen etwa 2.500 Textseiten. Es scheint, man könnte die gesamte Projektdokumentation, den gesamten Schriftverkehr und alle Spezifikationen laden – und die KI herausfinden lassen, was wichtig ist. Doch Anthropic schreibt in seinem Engineering-Blog ganz klar:
Du solltest Kontext als endliche Ressource mit abnehmendem Grenznutzen betrachten.
— Anthropic Applied AI team, https://www.anthropic.com/engineering/effective-context-engineering-for-ai-agents
Anders gesagt: Kontext ist eine endliche Ressource mit abnehmendem Grenznutzen. Jedes zusätzliche Token bringt nicht linear mehr Nutzen. Je länger das Fenster, desto schlechter arbeitet das Modell mit den darin enthaltenen Informationen. Die zentrale Kompetenz im Jahr 2026 ist nicht, alles offen zu halten. Es geht darum, schnell zwischen eng umrissenen Kontexten zu wechseln – einen pro Aufgabe. ## Der größte Fehler: Führt mehr Kontext zu schlechteren Ergebnissen?
Das Wichtigste Je länger der Kontext, desto schlechter arbeitet das Modell mit den darin enthaltenen Informationen. Dieses Phänomen heißt Context Rot. Hinzu kommt der Lost-in-the-Middle-Effekt: Modelle können Inhalte am Anfang und Ende stärker berücksichtigen und Inhalte in der Mitte weniger beachten. Die praktische Konsequenz: Lange Speicherdateien wirken sich nachteilig aus.
Parallel dazu wirkt der zweite Effekt, „Lost in the Middle“. Eine wichtige Regel mitten in einer langen CLAUDE.md kann weniger Aufmerksamkeit erhalten. Das ist ein Risiko für echte Aufgabentests, keine Garantie, dass eine bestimmte Zeile übersprungen wird. Anthropic empfiehlt in der CLAUDE.md-Dokumentation eine Längenbegrenzung:
Halte CLAUDE.md möglichst unter 200 Zeilen – längere Dateien verbrauchen mehr Kontext und verringern die Befolgung der Anweisungen.
— Anthropic, https://code.claude.com/docs/en/memory
Unter 200 Zeilen ist in der zitierten Anleitung ein Längenziel, keine harte Grenze, ab der Regeln nicht mehr befolgt werden. 80–120 Zeilen sind die Arbeitspräferenz des Autors aus den beschriebenen Projekten, keine zusätzliche Anthropic-Vorgabe. Halte Anweisungen relevant und teste wichtige Regeln an Aufgaben. Jede weitere Zeile konkurriert um Aufmerksamkeit und Kontext. Mehr dazu, wie du CLAUDE.md an diese Grenze anpasst, findest du im Leitfaden [„CLAUDE.md 2026 konfigurieren“](https://ailoot.ai/blog/de/claude-md-template/). ## 5 Prinzipien des Context Engineering nach Anthropic
Das Wichtigste In einem Engineering-Blogbeitrag vom 29. September 2025 hielt Anthropic 5 grundlegende Kontextstrategien fest: endliche Ressource, Abruf just in time, strukturiertes Notizenschreiben, Komprimierung und Subagenten-Architekturen. Dies ist der Kanon, auf den sich inzwischen alle anderen Autorinnen und Autoren zu diesem Thema beziehen.
### Prinzip 1. Kontext ist eine endliche Ressource Das ist die grundlegende Prämisse, ohne die die anderen vier Prinzipien nicht funktionieren. Anthropic schreibt:
Die allgemeine Empfehlung für alle Kontextkomponenten (System-Prompts, Tools, Beispiele, Nachrichtenverlauf usw.) lautet, sie sorgfältig auszuwählen und den Kontext informativ, aber dicht zu halten.
— Anthropic Applied AI team, https://www.anthropic.com/engineering/effective-context-engineering-for-ai-agents
„Dicht“ bedeutet „kompakt, ohne Füllmaterial“. Jedes Token im Fenster sollte die Entscheidung des Modells wesentlich beeinflussen. Wenn in CLAUDE.md steht „Wir versuchen, sauberen Code zu schreiben“, kannst du die Zeile löschen; sie enthält kein relevantes Signal. ### Prinzip 2. Abruf just in time Der KI-Agent ruft Daten spontan über Tools ab, statt alles vorab in das Fenster zu laden. Das ist die Architektur von Claude Code: Statt einer Vektordatenbank oder eines Index nutzt der Agent `glob` und `grep`, so wie ein Entwickler den Code manuell durchsucht. Wann du es einsetzen solltest: Du **weißt nicht im Voraus**, welche Passagen die Aufgabe erfordern wird. ### Prinzip 3. Strukturiertes Notizenschreiben Der Agent schreibt Notizen in einen externen Speicher und lädt sie bei Bedarf. In Claude Code wird dies mit dem Speicher-Tool umgesetzt. Anthropic beschreibt es im Cookbook so:
Speicher besteht aus strukturierten Notizen: Der Agent schreibt in einen dauerhaften externen Speicher, um den Fortschritt über Aufgaben und Sitzungen hinweg festzuhalten, ohne alles im aktiven Kontext zu behalten.
— Anthropic Cookbook, https://platform.claude.com/cookbook/tool-use-context-engineering-context-engineering-tools
Wann du es einsetzen solltest: bei langen Sitzungen, beim Wechsel zwischen Sitzungen und beim Ansammeln von Projektwissen. ### Prinzip 4. Komprimierung Wenn sich das Limit nähert, wird der Nachrichtenverlauf zu einer Zusammenfassung verdichtet. In Claude Code ist das der Befehl `/compact` sowie die automatische Komprimierung, wenn das Fenster etwa 80 % erreicht. Anthropic schreibt:
Bei der Komprimierung wird das gesamte Fenster verdichtet, wenn es zu groß wird.
— Anthropic Cookbook, https://platform.claude.com/cookbook/tool-use-context-engineering-context-engineering-tools
Wann du es einsetzen solltest: bei langen analytischen Gesprächen, in denen der Chatverlauf zum Ballast geworden ist und das Fenster füllt, statt zu helfen. ### Prinzip 5. Subagenten-Architekturen Spezialisierte Subagenten arbeiten parallel in ihren eigenen Kontextfenstern und geben komprimierte Zusammenfassungen an den leitenden Agenten zurück. Anthropic schreibt:
Subagenten helfen bei der Komprimierung: Sie arbeiten parallel in eigenen Kontextfenstern und untersuchen gleichzeitig verschiedene Aspekte einer Frage.
— Anthropic Engineering, https://www.anthropic.com/engineering/multi-agent-research-system
Zahlen aus einem internen Test von Anthropic: Ein leitender Claude Opus 4-Agent plus Claude-Sonnet-4-Subagenten erzielen bei Rechercheaufgaben **+90,2 % Qualität** gegenüber einem einzelnen Claude Opus 4. Der Preis: etwa 15× so viele Tokens. Die Schlussfolgerung: Das lohnt sich, wenn das Ergebnis wertvoll ist. Mehr dazu, wie du Subagenten in Claude Code konfigurierst, findest du im Leitfaden [„Subagenten für Claude Code“](https://ailoot.ai/blog/de/claude-code-subagents/). ## 7 Fehler, die Tokens verbrauchen und Claude Code beeinträchtigen
Das Wichtigste Sieben häufige Anti-Patterns, veranschaulicht anhand von Projektbeispielen. Jedes verschwendet entweder Tokens ohne Nutzen oder verursacht Halluzinationen durch Context Rot. Unter jedem steht, wie Context Engineering Abhilfe schafft.
| \# | Anti-Pattern | Was passiert | So behebst du es | |----|----|----|----| | 1 | **Das gesamte README samt 5 Codedateien in einen Prompt kopiert** | Das Fenster füllt sich in einem Durchlauf zu 50 %, danach ist das Limit schnell erreicht | Speicher-Tool für langfristige Fakten plus Abruf just in time – lass Claude die Dateien selbst mit `read_file`/`glob` lesen | | 2 | **CLAUDE.md mit 500 Zeilen** | Lange Anweisungen können die Befolgung erschweren, besonders bei wichtigen Regeln in der Mitte | 80–120 Zeilen, Imperative, Abschnitte für Befehle und Stil. Die wichtigsten Punkte an den Anfang und ans Ende setzen | | 3 | **Ich führe `/compact` bei langen Sitzungen nicht aus** | Eine Sitzung erreicht 180.000 Tokens, Claude vergisst die ersten Nachrichten, und du wiederholst den Kontext von Hand | `/compact` manuell ausführen oder die automatische Komprimierung per Auslöser nutzen. Ein Anzeichen für Überlastung ist der Kontextnutzungsindikator in Claude Desktop | | 4 | **Ein Claude für alles** | Ein Agent plant, sucht, programmiert, prüft und testet – das Fenster wächst exponentiell | Subagenten: Jeder hat seinen eigenen Kontext, und der leitende Agent sammelt Zusammenfassungen. Anthropic berichtet von +90,2 % Qualität bei Rechercheaufgaben | | 5 | **Speicherdateien wachsen durch Tool-Ergebnisse** | Der Agent liest dieselbe Datei 5-mal erneut und füllt 96 % des Kontexts mit Tool-Aufrufergebnissen | Tool-Ergebnisse leeren: 4–6 aktuelle Ergebnisse behalten und den Rest löschen. Dass ein Aufruf stattgefunden hat, bleibt erhalten | | 6 | **Das gesamte Repository in den Ordner `examples/` kopiert** | Die KI sucht unter 200 Beispielen nach einem Muster und verliert den Überblick | 3–7 maßgebliche Muster in `examples/`, jeweils für einen bestimmten Aufgabentyp | | 7 | **Eine 200-zeilige Markdown-Liste als „Feature-Plan“** | Eine lange unstrukturierte Liste kann die Aufgabenverfolgung erschweren; einen allgemeinen Ausfallpunkt bei Zeile 50 gibt es nicht | HTML-Artefakt oder nummerierter Plan in einer separaten Datei | Anthropics Cookbook beschreibt eine konkrete Messung zu Fehler Nr. 5: In der Ausgangssitzung war das erste Dokument im Kontext (über C. elegans) technisch gesehen im Fenster, aber unter 335 Tsd. Tokens begraben. Technisch verfügbar. In der Praxis rief das Modell es nicht ab. Mit dem Speicher-Tool lässt sich die Situation so beheben: Die Notizdatei `aging_model_organisms_comparison.md` umfasst etwa 3000 Tokens, statt den ursprünglichen Korpus erneut zu laden. Ein Vergleich aus dem Alltag: Das Kontextfenster ist ein Schreibtisch. Wenn 200 Dokumente darauf liegen, findest du das benötigte nicht, selbst wenn es da ist. Context Engineering ist die Disziplin, „nur das auf dem Schreibtisch zu behalten, was du jetzt brauchst, den Rest ins Archiv zu legen und ihn bei Bedarf zu laden“. ## Wie stellst du an einem Abend ein funktionierendes Setup zusammen?
Das Wichtigste Ein minimales, funktionierendes Context-Engineering-Setup in Claude Code besteht aus 7 Elementen: CLAUDE.md, Beispielen, PRP-Dokumenten, Speicher-Tool, /compact, Subagenten und Abruf just in time über Tools. Das Grundgerüst ist in 30–40 Minuten eingerichtet; die vollständige Konfiguration mit Beispielen und verifizierten Prompts dauert einen Abend. Du kannst es nach und nach verfeinern.
Die sieben Schritte in der richtigen Reihenfolge: 1. **CLAUDE.md mit 80–120 Zeilen.** Im Projektstammverzeichnis. Verwende Imperative statt Beschreibungen. In der [offiziellen Dokumentation](https://code.claude.com/docs/en/memory) empfiehlt Anthropic das Prinzip `Specificity`: Regeln sollten konkret und eindeutig sein, keine allgemeinen Grundsätze. In der Praxis funktioniert „Verwende niemals Inline-Mocks in Tests“ besser als „Wir versuchen, sauberen Code zu schreiben“. Eine ausführliche Vorlage findest du im Leitfaden [„CLAUDE.md konfigurieren“](https://ailoot.ai/blog/de/claude-md-template/). 2. **Ein Ordner `examples/` mit 3–7 verifizierten Mustern.** Ein Beispiel für jedes gängige Muster: einen API-Aufruf, einen Test, eine Migration, eine Fehlerbehandlung. Wenn Claude ein Muster in `examples/` sieht, reproduziert es dieses genau. Ohne Beispiele rät es sich voran. 3. **PRP-Dokumente für größere Funktionen.** PRP = Product Requirements Prompt. Eine Datei pro Funktion: Kontext plus Plan plus Validierung plus Beispiele. 4. **Ein Speicher-Tool für langfristige Fakten über mehrere Sitzungen hinweg.** Im Cookbook von Anthropic ist das Speicher-Tool von Claude als strukturierter Notizspeicher umgesetzt. Kehrt der Agent in einer neuen Sitzung zu einer Aufgabe zurück, liest er zuerst die Notizen, statt den gesamten Korpus erneut durchzugehen. 5. **`/compact` plus automatische Komprimierung bei 80 % des Limits.** Warte nicht, bis das Fenster seine Obergrenze erreicht. Aktiviere die automatische Komprimierung in den Einstellungen oder führe selbst `/compact` aus, wenn sich die Sitzung im Kreis zu drehen scheint. 6. **Subagenten für Recherche, Prüfung und Planung.** Jeder Subagent hat seinen eigenen Kontext und einen eng umrissenen Prompt. Der leitende Claude erhält nur die Zusammenfassung, nicht das Rohmaterial. Weitere Einzelheiten findest du in [„Subagenten für Claude Code“](https://ailoot.ai/blog/de/claude-code-subagents/) und [„Skills für Claude Code“](https://ailoot.ai/blog/de/claude-code-skills-library/) (Skills bündeln eng umrissenes Fachwissen, das Claude automatisch anwendet). 7. **Abruf just in time statt Vorabladen.** Kippe nicht das ganze Repository in das Fenster. Lass Claude selbst mit `glob` und `grep` suchen. Das ist die Architektur von Claude Code selbst. Weitere praktische Regeln aus den beschriebenen Projekterfahrungen: - **Eine Aufgabe, ein Fenster.** Wenn du fertig bist, schließe es und öffne ein neues. Sammle nicht den Verlauf mehrerer aufeinanderfolgender Aufgaben an. - **Vorlage für den ersten Befehl in einem neuen Fenster.** Verwende jedes Mal denselben Text: „Lies der Reihe nach `CLAUDE.md` und den Aufgabenbereich. Bestätige dies in einer Zeile. Beginne nicht mit der Aufgabe; warte auf die nächste Nachricht.“ Im beschriebenen Arbeitsablauf ist diese Vorlage unter einem einzelnen Hotkey in einem Snippet-Editor gespeichert. - **Wenn das Kontextfenster zu mehr als 60 % gefüllt ist, wechsle zu einem neuen.** Als Zwischenlösung: Bitte Claude: „Schreibe einen Prompt, mit dem der benachbarte Chat deine Aufgabe ohne Bedeutungsverlust fortsetzen kann“, kopiere ihn und öffne ein neues Fenster. - **Jeder KI-Fehler ist ein Anlass, eine Regel hinzuzufügen.** Schreibe Regeln nicht von Hand in Speicherdateien. Sage Claude im Moment des Fehlers „Das ist falsch, weil …“, und Claude formatiert daraus nach der Konvention „Regel → Warum → Wie“ eine Datei. ## Was kommt als Nächstes: Wie entwickelt sich die Disziplin Context Engineering weiter?
Das Wichtigste 2026 bewegt sich Context Engineering von textbasierten Markdown-Dateien hin zu stärker strukturierten Formaten. Die Funktion Dreaming ist hinzugekommen: Ein Agent überprüft über Nacht frühere Sitzungen erneut. Als Nächstes folgen HTML-Artefakte, dauerhafter Speicher und die Orchestrierung mehrerer Agenten im gesamten Produktteam.
Eine Richtung, in die sich die Disziplin gerade entwickelt: **Dreaming – Sitzungen über Nacht erneut durchdenken.** Bei Code w/ Claude SF am 6. Mai 2026 zeigte Anthropic eine Funktion, bei der ein Agent frühere Sitzungen über Nacht erneut prüft und seine eigenen Notizen aktualisiert. Strukturierte Speicherdateien wachsen nun nicht nur, wenn du sie selbst beschreibst, sondern auch, wenn der Agent aus gesammelten Erfahrungen Schlussfolgerungen zieht. Ein Trend ist klar: Context Engineering entwickelt sich zu einer umfassenden Disziplin für die Architektur von Informationen für KI-Agenten, statt nur darum zu gehen, „wie man CLAUDE.md schreibt“. Prompt Engineering war eine der ersten Stufen dieser Disziplin. Context Engineering ist die nächste. Das Minimum, das sich am ersten Abend einzurichten lohnt: CLAUDE.md auf 80–120 Zeilen begrenzen (Leitfaden [hier](https://ailoot.ai/blog/de/claude-md-template/)), einen Ordner mit einer Struktur für Geschäftswissen anlegen, den Umgang mit `/compact` lernen und [aufhören, Limits zu verbrauchen](https://ailoot.ai/blog/de/claude-code-token-limits-saving/). Als Nächstes kannst du Subagenten ([Leitfaden](https://ailoot.ai/blog/de/claude-code-subagents/)) und [Skills](https://ailoot.ai/blog/de/claude-code-skills-library/) hinzufügen, um spezialisiertes Fachwissen aus dem gemeinsamen Kontext in eigene Skills auszulagern.
### Quellen - [Effektives Context Engineering für KI-Agenten](https://www.anthropic.com/engineering/effective-context-engineering-for-ai-agents) – Anthropic Applied AI team, 29.09.2025. Der kanonische Text mit 4 Prinzipien des Context Engineering. - [Wie wir unser Multi-Agenten-Recherche-System entwickelt haben](https://www.anthropic.com/engineering/multi-agent-research-system) – Anthropic Engineering, 13.06.2025. Quelle der Zahlen zu +90,2 % Qualität und 15× Tokens. - [Anthropic Cookbook – Context Engineering mit Tool-Nutzung](https://platform.claude.com/cookbook/tool-use-context-engineering-context-engineering-tools) – Praktische Grundbausteine: Komprimierung, Leeren von Tool-Ergebnissen und das Speicher-Tool. - [Claude-Code-Dokumentation zum Speicher](https://code.claude.com/docs/en/memory) – Hinweise zu knappen, konkreten Projektanweisungen; zitiertes Ziel unter 200 Zeilen. Die Spanne von 80–120 Zeilen ist die Präferenz des Autors.
Entdecke [Ailoot](https://ailoot.ai/). ## Fragen und Antworten ### Sind 200 Zeilen eine harte CLAUDE.md-Grenze? Nein. Die zitierte Anleitung empfiehlt weniger als 200 Zeilen für geringeren Kontextverbrauch und bessere Befolgung. Die Spanne 80–120 ist die praktische Präferenz des Autors. Prüfe wichtige Regeln an echten Aufgaben, statt die Zeilenzahl als Garantie zu behandeln. ### Was sollte aus dem Anfangskontext ausgelagert werden? Verschiebe ausführliche Beispiele, lange Toolergebnisse und aufgabenspezifische Referenzen in eigene Dateien. Behalte knappe Regeln und Verweise in CLAUDE.md und lade passende Stellen bei Bedarf. ## Ailoot · Das Unternehmen und sein Projektportfolio Ailoot baut auf bewährte Betriebserfahrung, einen großen Kundenstamm, stabilen Service und kontinuierliche KPI-Kontrolle. Das Unternehmen und sein Projektportfolio: Millionen von Kunden; monatliche Umsätze in Milliardenhöhe. Ailoot nutzt diese Betriebserfahrung für den API-Zugang zu KI-Funktionen in Kundenprodukten, Agenten, Anwendungen und Automatisierungen.