Fehler durch fehlenden Kontext

KI-Modelle wissen aufgrund ihrer Trainingsdaten sehr viel – aber nichts über Ihre konkrete Situation, sofern Sie ihnen diese nicht mitteilen. Prompts, die Wissen voraussetzen, über das das Modell nicht verfügt, führen zu Antworten, die allgemein korrekt, aber für die konkrete Situation nutzlos sind.

„Beheben Sie den Fehler.“ – Welchen Fehler? In welchem Code? Was geschieht derzeit? Was sollte stattdessen geschehen?

Das Modell wird eine Antwort erfinden, statt Ihnen mitzuteilen, dass ihm Informationen fehlen. Diese erfundene Antwort entspricht fast nie dem, was Sie benötigen.

Sofern Sie ihn nicht bereitstellen, weiß das Modell Folgendes nicht:

• Ihren konkreten Code, Ihr Projekt oder Ihr Dokument
• Ihr Unternehmen, Ihr Produkt, Ihre Marke oder Ihre Kunden
• Die Unterhaltung, die Sie in einer früheren Sitzung geführt haben (jede Unterhaltung beginnt neu)
• Was Sie zuvor ausprobiert haben und warum es fehlgeschlagen ist
• Ihre persönlichen Vorlieben, Ihren Stil oder Ihre Standards
• Den Hintergrund Ihrer Zielgruppe
• Die Einschränkungen Ihrer Umgebung (Technologie-Stack, Budget, Frist)

Alles, was das Modell über Ihre Aufgabe weiß, muss aus der aktuellen Unterhaltung stammen.

„Beheben Sie den Fehler“ ist ein klassischer Prompt mit fehlendem Kontext. Das Modell erhält keine Informationen darüber:

• Welche Sprache oder welches Framework verwendet wird
• Was der Code eigentlich tun soll
• Was er tatsächlich tut (das beobachtete Verhalten)
• Welcher Fehler oder welche falsche Ausgabe erscheint
• Was bereits ausprobiert wurde und nicht funktioniert hat

Ein vollständiger Prompt zur Fehlerbehebung enthält alle fünf Punkte: „Diese Python-Funktion soll die Summe aller geraden Zahlen in einer Liste zurückgeben, gibt für [2,4,6] aber 0 zurück. Hier ist der Code: [Code einfügen]. Der Fehler lautet …“

„Fahren Sie dort fort, wo wir aufgehört haben.“ – Ein häufiger Fehler, der auf ein grundlegendes Missverständnis hinweist: Das Modell hat kein sitzungsübergreifendes Gedächtnis.

Jede neue Unterhaltung beginnt vollständig neu. Das Modell hat keinen Zugriff auf frühere Unterhaltungen, selbst wenn Sie dasselbe Konto oder Tool verwendet haben. Wenn Kontext aus einer früheren Sitzung benötigt wird, müssen Sie ihn ausdrücklich in die aktuelle Unterhaltung einfügen.

Einige Tools, etwa Claude Projects oder benutzerdefinierte Speichersysteme, stellen sitzungsübergreifenden Kontext bereit. Das ist jedoch eine Funktion des Tools und keine grundlegende Fähigkeit des Modells.

Ein häufiger Kontextfehler besteht darin, anzunehmen, dass das Modell denselben impliziten Hintergrund kennt wie Sie:

• „Passen Sie es an unsere Marke an“ (Welche Marke? Welche Markenrichtlinien gelten?)
• „Schreiben Sie es wie beim letzten Mal“ (Das Modell hat keinen Zugriff auf das letzte Mal.)
• „Verwenden Sie dasselbe Format wie in den anderen Berichten“ (Fügen Sie das Format oder einen Beispielbericht ein.)
• „Halten Sie es konsistent mit dem, was wir besprochen haben“ (Wenn dies eine neue Unterhaltung ist, wurde nichts besprochen.)

Die Lösung ist immer dieselbe: Machen Sie das Implizite explizit. Geben Sie an, welches Wissen das Modell Ihrer Annahme nach hat.

Kontextinjektion bedeutet, die Hintergrundinformationen, die das Modell für eine korrekte Antwort benötigt, ausdrücklich bereitzustellen. Dafür gibt es drei Muster:

Relevante Inhalte einfügen: Fügen Sie den Code, das Dokument, die E-Mail oder die Daten direkt in den Prompt ein.

Die Situation beschreiben: Fassen Sie den relevanten Hintergrund vor der Aufgabenanweisung in 2–5 Sätzen zusammen.

Die Einschränkungen nennen: Geben Sie die Umgebung, den Technologie-Stack, die Zielgruppe und alle relevanten früheren Entscheidungen an.

Kontextinjektion verwandelt das allgemeine Wissen des Modells in situationsspezifische Antworten.

Bei komplexen Aufgaben strukturieren Sie den Kontext vor der Aufgabenanweisung in Abschnitte mit Überschriften:

Nicht jeder Kontext ist gleich wertvoll. Zu wenig Kontext führt zu allgemeinen Ausgaben; zu viel Kontext vergräbt die relevanten Informationen in einer Fülle irrelevanter Inhalte und kann die eigentliche Aufgabenanweisung im Prompt zu weit nach unten verschieben.

Bestimmen Sie die passende Kontexttiefe, indem Sie fragen: Was müsste eine sorgfältig arbeitende menschliche Fachperson wissen, um diese Aufgabe gut zu erledigen?

• Einbeziehen: Zielgruppe, Zweck, Einschränkungen, domänenspezifische Terminologie, relevante frühere Entscheidungen
• Weglassen: Hintergrundwissen, das ohnehin alle kennen, irrelevante Vorgeschichte, nebensächliche Details

Eine nützliche Faustregel: Der Kontext sollte gerade so spezifisch sein, dass eine fremde Person ihn nicht für ein anderes Unternehmen oder eine andere Situation schreiben könnte.

Da das Modell kein sitzungsübergreifendes Gedächtnis besitzt, besteht die Lösung in einer wiederverwendbaren Kontextvorlage – einem standardisierten Kontextblock, den Sie zu Beginn jeder Sitzung zu einem wiederkehrenden Thema einfügen:

Ein verwandter Fehler durch fehlenden Kontext ist die unvollständige Spezifikation: Sie stellen etwas Kontext bereit, aber nicht genug, damit das Modell mit Randsituationen umgehen kann.

Beispiel: „Schreiben Sie eine Funktion, die Benutzer nach ihrem Abonnementstatus filtert.“

Wie ist die Datenstruktur aufgebaut? Welche Statuswerte sind gültig? Was soll mit Benutzern geschehen, deren Status fehlt? Soll die Groß- und Kleinschreibung berücksichtigt werden? Was soll zurückgegeben werden, wenn die Liste leer ist?

Das Modell wird für all diese Fragen Annahmen treffen. Diese Annahmen können falsch sein. Vollständige Spezifikationen berücksichtigen Randsituationen ausdrücklich.

Bei codebezogenen Prompts führt ein Mindestsatz an Kontext zuverlässig zu nützlichen Ausgaben:

• Sprache und Version: Python 3.11, TypeScript 5.0
• Framework: FastAPI, Next.js, React Native
• Was der Code tun soll: erwartete Eingaben und Ausgaben
• Was derzeit falsch läuft: beobachtetes Verhalten und Fehlermeldung
• Was bereits ausprobiert wurde: verhindert, dass Ansätze wiederholt werden, die bereits fehlgeschlagen sind
• Einschränkungen: darf keine externen Abhängigkeiten verwenden, muss in weniger als 50 ms ausgeführt werden

Dieser Mindestsatz beseitigt die häufigsten Ursachen für KI-Codevorschläge, die allgemein korrekt, aber für Ihren konkreten Kontext falsch sind.

Eine Entwicklerin oder ein Entwickler sendet ohne weitere Informationen den Prompt: „Helfen Sie mir, dies zu optimieren.“ Was ist die zutreffendste Beschreibung dessen, was geschehen wird?

Fehler durch fehlenden Kontext treten auf, wenn ein Prompt Wissen voraussetzt, über das das Modell nicht verfügt – Ihren Code, Ihre Marke, Ihre früheren Sitzungen oder die Entscheidungen Ihres Teams. Das Modell füllt diese Lücken mit Annahmen und erzeugt dadurch allgemeine oder falsche Ausgaben.

Die Lösung ist Kontextinjektion: Fügen Sie relevante Inhalte ein, beschreiben Sie die Situation und nennen Sie die Einschränkungen ausdrücklich. Für wiederkehrende Aufgaben löst eine wiederverwendbare Kontextvorlage das Problem des fehlenden sitzungsübergreifenden Gedächtnisses. Bei Codeaufgaben sollten Sie immer Sprache, Framework, Eingaben und Ausgaben, das aktuelle Verhalten sowie die Einschränkungen angeben.

In der letzten Lektion dieses Kurses fügen Sie alle bisherigen Erkenntnisse zu einer systematischen Checkliste für das Debugging von Prompts zusammen.