╭──────────────────────────────────────────╮ ╭──────────────────────────────────────────╮ │ >>>>>>>>>>>>>>> ctx_read >>>>>>>>>>>> │ │ >>>>>>>>>>>>>>> ctx_read >>>>>>>>>>>> │ ┌─────────────┐ │ >>>>>>>>>>>>>>> compress >>>>>>>>>>>> │ ┌──────────┐ ┌─────────────┐ │ >>>>>>>>>>>>>>> compress >>>>>>>>>>>> │ ┌──────────┐ │ 100K tokens │ =========>│ >>> AST >>> cache >>> signal >>> │ =========> │ ~5K tok │ │ 100K tokens │ =========>│ >>> AST >>> cache >>> signal >>> │ =========> │ ~5K tok │ └─────────────┘ │ >>>>>>>>>>>>>>> filter >>>>>>>>>>>> │ └──────────┘ └─────────────┘ │ >>>>>>>>>>>>>>> filter >>>>>>>>>>>> │ └──────────┘ │ >>>>>>>>>>>>>>> dedupe >>>>>>>>>>>> │ │ >>>>>>>>>>>>>>> dedupe >>>>>>>>>>>> │ ╔══════════════╗ ╰──────────────────────────────────────────╯ ╔══════════╗ ╔══════════════╗ ╰──────────────────────────────────────────╯ ╔══════════╗ ║ raw input ║ ─ ─ ─ ─ ─ ─ ─ ─ LeanCTX ─ ─ ─ ─ ─ ─ ─ ─ ─ ─ ║ output ║ ║ raw input ║ ─ ─ ─ ─ ─ ─ ─ ─ LeanCTX ─ ─ ─ ─ ─ ─ ─ ─ ─ ─ ║ output ║ ╚══════════════╝ ╚══════════╝ ╚══════════════╝ ╚══════════╝ ┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄ ┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄ ┌──┐ ┌──┐ ┌──┐ ┌──┐ ┌──┐ ┌──┐ ┌──┐ ┌──┐ ┌──┐ ┌──┐ ┌──┐ ┌──┐ ┌──┐ ┌──┐ ┌──┐ ┌──┐ ┌──┐ ┌──┐ ┌──┐ ┌──┐ ┌──┐ ┌──┐ ┌──┐ ┌──┐ ┌──┐ ┌──┐ │░░│ │░░│ │░░│ │░░│ │▓▓│ │▓▓│ │▓▓│ │░░│ │░░│ │░░│ │░░│ │░░│ │░░│ │░░│ │░░│ │░░│ │░░│ │▓▓│ │▓▓│ │▓▓│ │░░│ │░░│ │░░│ │░░│ │░░│ │░░│ │░░│ │░░│ │░░│ │░░│ ───> │▓▓│ │▓▓│ │▓▓│ ───> │░░│ │░░│ │░░│ │░░│ │░░│ │░░│ │░░│ │░░│ │░░│ │░░│ ───> │▓▓│ │▓▓│ │▓▓│ ───> │░░│ │░░│ │░░│ │░░│ │░░│ │░░│ └──┘ └──┘ └──┘ └──┘ └──┘ └──┘ └──┘ └──┘ └──┘ └──┘ └──┘ └──┘ └──┘ └──┘ └──┘ └──┘ └──┘ └──┘ └──┘ └──┘ └──┘ └──┘ └──┘ └──┘ └──┘ └──┘ file file file file read cache send tok tok tok tok tok tok file file file file read cache send tok tok tok tok tok tok ╭──────────────────────────────────────────╮ ╭──────────────────────────────────────────╮ │ >>>>>>>>>>>>>>> ctx_read >>>>>>>>>>>> │ │ >>>>>>>>>>>>>>> ctx_read >>>>>>>>>>>> │ ┌─────────────┐ │ >>>>>>>>>>>>>>> compress >>>>>>>>>>>> │ ┌──────────┐ ┌─────────────┐ │ >>>>>>>>>>>>>>> compress >>>>>>>>>>>> │ ┌──────────┐ │ 100K tokens │ =========>│ >>> AST >>> cache >>> signal >>> │ =========> │ ~5K tok │ │ 100K tokens │ =========>│ >>> AST >>> cache >>> signal >>> │ =========> │ ~5K tok │ └─────────────┘ │ >>>>>>>>>>>>>>> filter >>>>>>>>>>>> │ └──────────┘ └─────────────┘ │ >>>>>>>>>>>>>>> filter >>>>>>>>>>>> │ └──────────┘ │ >>>>>>>>>>>>>>> dedupe >>>>>>>>>>>> │ │ >>>>>>>>>>>>>>> dedupe >>>>>>>>>>>> │ ╔══════════════╗ ╰──────────────────────────────────────────╯ ╔══════════╗ ╔══════════════╗ ╰──────────────────────────────────────────╯ ╔══════════╗ ║ raw input ║ ─ ─ ─ ─ ─ ─ ─ ─ LeanCTX ─ ─ ─ ─ ─ ─ ─ ─ ─ ─ ║ output ║ ║ raw input ║ ─ ─ ─ ─ ─ ─ ─ ─ LeanCTX ─ ─ ─ ─ ─ ─ ─ ─ ─ ─ ║ output ║ ╚══════════════╝ ╚══════════╝ ╚══════════════╝ ╚══════════╝ ┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄ ┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄┄ ┌──┐ ┌──┐ ┌──┐ ┌──┐ ┌──┐ ┌──┐ ┌──┐ ┌──┐ ┌──┐ ┌──┐ ┌──┐ ┌──┐ ┌──┐ ┌──┐ ┌──┐ ┌──┐ ┌──┐ ┌──┐ ┌──┐ ┌──┐ ┌──┐ ┌──┐ ┌──┐ ┌──┐ ┌──┐ ┌──┐ │░░│ │░░│ │░░│ │░░│ │▓▓│ │▓▓│ │▓▓│ │░░│ │░░│ │░░│ │░░│ │░░│ │░░│ │░░│ │░░│ │░░│ │░░│ │▓▓│ │▓▓│ │▓▓│ │░░│ │░░│ │░░│ │░░│ │░░│ │░░│ │░░│ │░░│ │░░│ │░░│ ───> │▓▓│ │▓▓│ │▓▓│ ───> │░░│ │░░│ │░░│ │░░│ │░░│ │░░│ │░░│ │░░│ │░░│ │░░│ ───> │▓▓│ │▓▓│ │▓▓│ ───> │░░│ │░░│ │░░│ │░░│ │░░│ │░░│ └──┘ └──┘ └──┘ └──┘ └──┘ └──┘ └──┘ └──┘ └──┘ └──┘ └──┘ └──┘ └──┘ └──┘ └──┘ └──┘ └──┘ └──┘ └──┘ └──┘ └──┘ └──┘ └──┘ └──┘ └──┘ └──┘ file file file file read cache send tok tok tok tok tok tok file file file file read cache send tok tok tok tok tok tok

Konzept

Was ist
Context Engineering?

Es ist der Wandel vom Prompt Engineering zu Context Operations — die Disziplin, das gesamte Informationsumfeld zu gestalten, zu komprimieren und zu kontrollieren, in dem dein KI-Agent arbeitet. LeanCTX ist genau diese Disziplin, automatisiert: der Context-Engineering-Layer für KI-Agenten.

Das Problem

Prompts allein reichen nicht

Prompt Engineering hat den Input optimiert. Context Engineering optimiert das Umfeld.

Als KI-Agenten noch auf Single-Turn-Interaktionen beschränkt waren, genügte Prompt Engineering. Du hast die richtige Anweisung formuliert, das Modell lieferte eine brauchbare Antwort, und der Workflow war beendet.

Moderne KI-Coding-Agenten arbeiten anders. Sie führen mehrstufige Workflows über Dutzende Dateien aus, halten Zustand über Sessions hinweg und treffen Entscheidungen, die sich über die Zeit aufsummieren. Nicht mehr der Prompt ist der Engpass, sondern der Kontext.

Ein Coding-Agent mit perfektem Prompt, aber schlechtem Kontext halluziniert Dateipfade, verliert frühere Entscheidungen aus dem Blick und wiederholt bereits erledigte Arbeit. Der Fehlermodus sind nicht schlechte Anweisungen, sondern ein unvollständiges Bild der Codebasis.

Das Framework

Drei Verschiebungen vom Prompt- zum Context Engineering

Context Engineering steht für einen grundlegenden Wandel darin, wie wir über die Inputs von KI-Agenten denken.

Statische Prompts → Dynamische Kontext-Pipelines

Statt eines fixen System-Prompts baut Context Engineering eine Pipeline, die für jede Aufgabe den richtigen Kontext zusammenstellt — liest nur, was relevant ist, im richtigen Kompressionsgrad, mit den richtigen Metadaten.

Manuelle Kuration → Automatisierte Kompression

Statt von Hand auszuwählen, welche Dateien einbezogen werden, liest Context Engineering die Struktur jeder Datei, behält die Teile mit echtem Signal und komprimiert den Rest — automatisch.

Single-Shot → Persistentes Gedächtnis über Sessions hinweg

Context Engineering ergänzt Session-Gedächtnis, einen Knowledge-Graph und saubere Handoffs — damit Agenten Verständnis über die Zeit aufbauen, statt in jedem Gespräch bei null anzufangen.

Die Disziplin

Was Context Engineering umfasst

Context Engineering erstreckt sich über vier miteinander verbundene Domänen, von denen jede einen anderen Aspekt des Informationsumfelds des Agenten adressiert.

Kompression

Mehr Signal in weniger Tokens packen

Mehrere Read-Modi (full, map, signatures, entropy, aggressive), tree-sitter-AST-Parsing über 26+ Sprachen und semantisches Chunking reduzieren Dateiinhalte um 60–99 %, während die Informationen erhalten bleiben, die Agenten für Entscheidungen brauchen.

Memory

Verständnis über Sessions hinweg bewahren

Session-Snapshots, Knowledge-Graphs, Handoff-Ledger und prospektives Gedächtnis erlauben Agenten, frühere Entscheidungen abzurufen, doppelte Arbeit zu vermeiden und Kontext zwischen Teammitgliedern oder Agent-Instanzen zu übergeben.

Governance

Kontrollieren, worauf Agenten zugreifen

Rollenbasierte Zugriffs-Policies, Token-Budgets, SLO-Durchsetzung und Pfad-Sandboxing sorgen dafür, dass Agenten innerhalb definierter Grenzen arbeiten — nur lesen, was sie sollen, nur ausgeben, was zugewiesen ist.

Verifikation

Beweisen, dass die Kompression keine Information verloren hat

Output-Validierung, Beweis-Artefakte, Prüfungen zur Erhaltung von Pfaden und Identifiern sowie Information-Loss-Scoring geben messbare Sicherheit, dass komprimierter Kontext den semantischen Gehalt behält, den der Agent benötigt.

Implementierung

Wie LeanCTX Context Engineering umsetzt

LeanCTX ist eine Open-Source-Laufzeit für Context Engineering, die diese Prinzipien für KI-Coding-Agenten in die Produktion bringt.

81 MCP-Tools

Eine vollständige Tool-Oberfläche zum Lesen, Suchen, Komprimieren und Verwalten von Kontext — alles über das Model Context Protocol bereitgestellt.

10 Read-Modi

Von vollständigen gecachten Reads bis zu entropiegefilterter Kompression ist jeder Modus für eine bestimmte Aufgabe optimiert: Editieren, Erkunden, Reviewen oder Nachschlagen.

95+ Shell-Patterns

Pattern-basierte Kompression für git, cargo, npm, docker und anderen CLI-Output — reduziert ausführliche Befehlsergebnisse auf strukturierte, token-effiziente Zusammenfassungen.

Null Netzwerk-Calls

Läuft vollständig lokal. Keine Telemetrie, keine Cloud-Abhängigkeiten, keine Daten, die deine Maschine verlassen. Open Source unter Apache-2.0.

Die vollständige Architektur erkunden

FAQ

Context Engineering, beantwortet.

Was ist Context Engineering?

Context Engineering ist die Disziplin, zu steuern, welche Informationen ein KI-Agent sieht, sich merkt und auf die er reagiert. Sie ersetzt Ad-hoc-Prompt-Engineering durch eine systematische Runtime, die KI-Kontext komprimiert, cacht, verifiziert und kontrolliert.

Warum ist Context Engineering für KI-Coding wichtig?

KI-Coding-Agents verschwenden Tausende Tokens, indem sie Dateien neu lesen, verrauschten Shell-Output parsen und Kontext zwischen Sessions verlieren. Context Engineering reduziert diese Verschwendung um bis zu 99% und macht Agents schneller, günstiger und zuverlässiger.

Wie unterscheidet sich Context Engineering von Prompt Engineering?

Prompt Engineering konzentriert sich auf das Formulieren einzelner Prompts. Context Engineering steuert den gesamten Informations-Lebenszyklus — was der Agent liest, wie es komprimiert wird, was gecacht wird, was über Sessions hinweg erinnert wird und was vor der Auslieferung verifiziert wird.

Loslegen

Beginne, deinen Kontext zu engineeren

LeanCTX ist kostenlos, Open Source und in unter einer Minute installiert. Sieh, was Context Engineering für deinen KI-Workflow tun kann.

Erste Schritte Architektur

Was istContext Engineering?