Context Engineering ist der Hebel, der LLMs und KI-Anwendungen von der „netten Demo“ zu belastbaren Assistenzsystemen macht.

In diesem Vortrag zeige ich praxisnah anhand von Fallbeispielen aus Retail (Kleinunternehmen) und Industrie (Mittelstand), wie Kontext systematisch aufgebaut, gesteuert und überprüft wird – und warum „mehr Prompt“ selten die Lösung ist.

Wir betrachten den Kontext-Stack entlang typischer Projektentscheidungen: Welche Informationen gehören als stabile Leitplanken in den Prompt? Welche Inhalte werden über Retrieval und RAG eingebunden und wie beeinflussen Chunking, Metadaten und Filter die Trefferqualität? Welche Fakten müssen live über Tools und Actions aus betrieblichen Informationssystemen und aus Sensorik kommen, damit Antworten aktuell, konsistent und nachvollziehbar bleiben?

Dazu zeige ich erprobte Pattern, wie Context Budgeting und Hierarchisierung, Kontext-Caching zur Senkung von Latenz und Kosten sowie Guardrails (Rollenrechte, Schutz von PII/IP, nachvollziehbare Quellen), auf.

Abschließend ordnen wir ein, wie Qualität in Projekten pragmatisch bewertet wird: Grounding, Halluzination, Coverage, Tool-Korrektheit, Latenz und Kosten – mit typischen Failure Modes und Lessons Learned aus der Umsetzung.