Tokens, Kontext und Texterzeugung
Sie müssen nicht alles selbst bauen.
Ein Dirigent spielt nicht jedes Instrument. Er weiß aber, wann welches Instrument gebraucht wird. Genauso arbeiten Sie hier: Sie verstehen die Aufgabe, wählen das richtige Werkzeug und prüfen das Ergebnis. Code ist nur ein Anschauungsbeispiel. Sie müssen ihn nicht auswendig lernen.
Tokens sind Recheneinheiten eines Modells und Context ist ein begrenztes Arbeitsfenster. Instructions, Beispiele, Dokumente, Tool-Definitionen und gewünschter Output konkurrieren um denselben Budgetrahmen.
- token budget
- Die begrenzte Menge an Textelementen, die eine Modellanfrage verarbeiten darf.
- context window
- Der gesamte Informationsraum, den das Modell in einer Anfrage berücksichtigen kann.
- context engineering
- Die bewusste Auswahl und Anordnung der Informationen für eine Modellanfrage.
Mehr Context verbessert ein Ergebnis nicht automatisch. Relevanz, Reihenfolge und reservierter Output-Spielraum sind wichtiger als maximale Befüllung. Context Engineering bedeutet gezielte Auswahl statt wahlloses Anhängen.
Zuerst verstehen. Dann entscheiden. Erst danach bauen.
Das Problem aus dem Alltag: Ein sehr langer Auftrag passt nicht auf den Schreibtisch der KI. Wir wählen nur die wichtigen Unterlagen aus.
Die einfache Regel: Erst muss klar sein, was richtig sein soll. Danach wird geprüft, ob es wirklich richtig ist.
Sie müssen dafür nicht alles selbst programmieren. Sie müssen entscheiden, welche Aufgabe das normale Programm, die KI oder ein Mensch übernimmt.
Merksatz: Vertrauen ist gut. Ein sichtbarer Test ist besser.
Ein sehr langer Auftrag passt nicht auf den Schreibtisch der KI. Wir wählen nur die wichtigen Unterlagen aus.
- 01
Wir schreiben in einem Satz auf, was am Ende richtig sein muss.
- 02
Wir bestimmen, wer diese Aufgabe übernimmt: das normale Programm, die KI oder ein Mensch.
- 03
Wir probieren zuerst einen gewöhnlichen Fall.
- 04
Danach probieren wir einen schwierigen oder fehlerhaften Fall.
- 05
Wir halten das Ergebnis fest. So können wir denselben Fehler später wieder prüfen.
Am Ende sehen wir klar: Was funktioniert? Was funktioniert noch nicht? Und wann muss ein Mensch übernehmen?
Erklären Sie die Kernidee mit Ihren eigenen Worten.
Nicht abschreiben. Ein oder zwei einfache Sätze genügen.
Noch mindestens 12 eigene Wörter in einem verständlichen SatzLösen Sie den konkreten Arbeitsauftrag „Tokens, Kontext und Texterzeugung“. Zeigen Sie dabei in einem kleinen Beispiel, wie Sie die Regel „Tokens sind Recheneinheiten eines Modells und Context ist ein begrenztes Arbeitsfenster. Instructions, Beispiele, Dokumente, Tool-Definitionen und gewünschter Output konkurrieren um denselben Budgetrahmen.“ anwenden. Prüfen Sie außerdem den häufigen Fehler: Mehr Context verbessert ein Ergebnis nicht automatisch. Relevanz, Reihenfolge und reservierter Output-Spielraum sind wichtiger als maximale Befüllung. Context Engineering bedeutet gezielte Auswahl statt wahlloses Anhängen.
from dataclasses import dataclass
@dataclass
class ModelResult:
status: str
value: dict | None
error: str | None
def run_contract(user_input: str) -> ModelResult:
# TODO: separate request, parsing and semantic validation
pass- Ein gewöhnlicher Fall wurde ausprobiert.
- Ein schwieriger oder fehlerhafter Fall wurde ausprobiert.
- Ein Fehler wird klar angezeigt.
- Sie können in eigenen Worten sagen, was das Programm, die KI und der Mensch tun.
Hilfe 1 anzeigen
Hinweis 1: Denken Sie an diesen Fall: Ein sehr langer Auftrag passt nicht auf den Schreibtisch der KI. Wir wählen nur die wichtigen Unterlagen aus. Schreiben Sie nur auf, was am Ende sichtbar richtig sein muss.
Hilfe 2 anzeigen
Hinweis 2: Für „Tokens, Kontext und Texterzeugung“ brauchen Sie einen normalen Fall und einen Fehlerfall. Ihr Nachweis lautet: Arbeitsprobe 2.1: ein sichtbares Ergebnis zu „Tokens, Kontext und Texterzeugung“, ein passender Normaltest, ein Fehlerfall und zwei einfache Sätze zu Ihrer Entscheidung.
Hilfe 3 anzeigen
Hinweis 3: Vermeiden Sie diesen Denkfehler: Mehr Context verbessert ein Ergebnis nicht automatisch. Relevanz, Reihenfolge und reservierter Output-Spielraum sind wichtiger als maximale Befüllung. Context Engineering bedeutet gezielte Auswahl statt wahlloses Anhängen. Bauen Sie zuerst den kleinsten Weg und prüfen Sie danach genau diese Annahme.
Erst verstehen, dann ändern.
Ein sehr langer Auftrag passt nicht auf den Schreibtisch der KI. Wir wählen nur die wichtigen Unterlagen aus.
Reparieren Sie nicht sofort. Notieren Sie für „Tokens, Kontext und Texterzeugung“: Was sehen Sie? Wo könnte der Fehler liegen? Welcher kleine Test trennt zwei mögliche Ursachen? Was müsste dabei herauskommen?
Diagnose und Reparaturprinzip anzeigen
Eine gute Lösung prüft die Annahme „Mehr Context verbessert ein Ergebnis nicht automatisch. Relevanz, Reihenfolge und reservierter Output-Spielraum sind wichtiger als maximale Befüllung. Context Engineering bedeutet gezielte Auswahl statt wahlloses Anhängen.“. Sie macht den Fehler sichtbar, begrenzt den Schaden und bewahrt den Fall als Wiederholungstest auf.
Lösen Sie den konkreten Arbeitsauftrag „Tokens, Kontext und Texterzeugung“. Zeigen Sie dabei in einem kleinen Beispiel, wie Sie die Regel „Tokens sind Recheneinheiten eines Modells und Context ist ein begrenztes Arbeitsfenster. Instructions, Beispiele, Dokumente, Tool-Definitionen und gewünschter Output konkurrieren um denselben Budgetrahmen.“ anwenden. Prüfen Sie außerdem den häufigen Fehler: Mehr Context verbessert ein Ergebnis nicht automatisch. Relevanz, Reihenfolge und reservierter Output-Spielraum sind wichtiger als maximale Befüllung. Context Engineering bedeutet gezielte Auswahl statt wahlloses Anhängen.
Arbeitsprobe 2.1: ein sichtbares Ergebnis zu „Tokens, Kontext und Texterzeugung“, ein passender Normaltest, ein Fehlerfall und zwei einfache Sätze zu Ihrer Entscheidung.
Aufbau der Musterlösung anzeigen
- 1
Ziel: Tokens sind Recheneinheiten eines Modells und Context ist ein begrenztes Arbeitsfenster. Instructions, Beispiele, Dokumente, Tool-Definitionen und gewünschter Output konkurrieren um denselben Budgetrahmen.
- 2
Praxisfall: Ein sehr langer Auftrag passt nicht auf den Schreibtisch der KI. Wir wählen nur die wichtigen Unterlagen aus.
- 3
Vorgehen: Lösen Sie den konkreten Arbeitsauftrag „Tokens, Kontext und Texterzeugung“. Zeigen Sie dabei in einem kleinen Beispiel, wie Sie die Regel „Tokens sind Recheneinheiten eines Modells und Context ist ein begrenztes Arbeitsfenster. Instructions, Beispiele, Dokumente, Tool-Definitionen und gewünschter Output konkurrieren um denselben Budgetrahmen.“ anwenden. Prüfen Sie außerdem den häufigen Fehler: Mehr Context verbessert ein Ergebnis nicht automatisch. Relevanz, Reihenfolge und reservierter Output-Spielraum sind wichtiger als maximale Befüllung. Context Engineering bedeutet gezielte Auswahl statt wahlloses Anhängen.
- 4
Prüfung: Testen Sie den normalen Fall und zusätzlich den beschriebenen Fehlerfall.
- 5
Nachweis: Arbeitsprobe 2.1: ein sichtbares Ergebnis zu „Tokens, Kontext und Texterzeugung“, ein passender Normaltest, ein Fehlerfall und zwei einfache Sätze zu Ihrer Entscheidung. Nennen Sie außerdem offen, was noch unsicher ist.
Die Musterlösung ist ein Vergleich. Ihre Lösung darf anders aussehen, wenn sie dieselbe Aufgabe nachvollziehbar erfüllt.
Lösen Sie ohne Vorlage folgende Situation: Ein sehr langer Auftrag passt nicht auf den Schreibtisch der KI. Wir wählen nur die wichtigen Unterlagen aus. Ihre Antwort muss die Grundidee anwenden, mindestens einen konkreten Test enthalten und ein sicheres Verhalten im Fehlerfall nennen.
Noch mindestens 35 unterschiedliche Wörter in drei verständlichen Sätzen; alle fünf Prüfpunkte markieren · Automatische Plausibilitätsprüfung, keine fachliche Bewertung.Was haben Sie entschieden – und warum?
Schreiben Sie: „Ich habe … gewählt, weil … Geprüft habe ich es mit … Unsicher ist noch …“
Noch mindestens 20 eigene Wörter in zwei verständlichen SätzenW2.1 · Tokens, Kontext und Texterzeugung
Sammeln Sie diese Dinge. So kann eine andere Person Ihre Arbeit später verstehen:
- Arbeitsprobe 2.1: ein sichtbares Ergebnis zu „Tokens, Kontext und Texterzeugung“, ein passender Normaltest, ein Fehlerfall und zwei einfache Sätze zu Ihrer Entscheidung.
- Eine Seite mit Ihrer Entscheidung
- Ergebnis des gewöhnlichen Falls
- Ergebnis des schwierigen Falls
- Was noch unsicher ist und was Sie als Nächstes prüfen würden