Context Engineering meistern: Wie kleine Teams das Retrieval von KI-Agenten optimieren können

Das Betreiben von KI-Agenten neben menschlichen Teammitgliedern in einem kleinen Unternehmen fühlt sich oft an wie die Vorbereitung eines Assistenten auf eine Prüfung mit offenen Unterlagen: Der Agent hat technisch gesehen Zugriff auf alle Informationen, aber das effiziente Finden des richtigen Teils bleibt eine große Hürde. Laut dem LangChain Blog bedeutet das begrenzte Kontextfenster eines Agenten, dass er Informationen aktiv abrufen muss, anstatt alles auswendig zu lernen. Bei der Ausführung von Aufgaben wie wöchentlichen Wettbewerbsanalysen—die das Durchsuchen interner Dateien, Abfragen von Firmenunterlagen und Suchen in externen Nachrichten erfordern—füllen ineffiziente Suchen das Kontextfenster eines Agenten schnell mit fehlgeschlagenen Abfragen und aufgeblähtem Text, bevor er überhaupt mit dem Schreiben beginnt.

Was passiert ist

Laut dem LangChain Blog stehen Agenten vor spezifischen Herausforderungen beim Retrieval, die ein standardmässiges, zweistufiges Retrieval-Augmented Generation (RAG) nicht lösen kann. Herkömmliche Setups suchen einmal zu Beginn, was scheitert, wenn ein Agent mitten in der Aufgabe neue Spuren aufdeckt, die frische Informationen erfordern. Um dem entgegenzuwirken, ermöglichen moderne Agenten-Harnesses—wie LangChains Deep Agents—ein agentenbasiertes Retrieval, bei dem Agenten in einer Schleife laufen und Tools je nach Bedarf dynamisch aufrufen.

Die Publikation skizziert mehrere Kerntechniken zur Straffung dieses Prozesses:

• Spezialisierte Dateisystem-Tools: Anstatt jede Datei zu öffnen und das Kontextfenster aufzublähen, können Agenten Index-Scan-Tools wie grep verwenden, um Namen und Schlüsselwörter zuerst zu überprüfen, neben grundlegenden Tools wie ls, read_file, write_file und edit_file, die mit dem Backend des Agenten interagieren.
• Semantische Suche über Vektorspeicher: Wenn exakte Schlüsselwortübereinstimmungen fehlschlagen—wie die Suche nach „Finanzierung“, aber das Übersehen eines Artikels mit dem Titel „schliesst 50-Millionen-Dollar-Serie-B ab“—verwenden Agenten eine durch einen Vektorspeicher unterstützte semantische Suche, um nach Bedeutung abzugleichen.
• Progressive Offenlegung über Fähigkeiten (Skills): Komplexe Anweisungen oder Such-Know-how werden als „Skills“ verpackt, die nur eine kurze Beschreibung anzeigen, bis sie aufgerufen werden, wodurch vollständige Anweisungen dynamisch geladen werden, ohne Kontext zu verschwenden.
• Das „Retrieve, Offload, Delegate“-Muster: Um zu verhindern, dass grosse Ergebnisse das Modell überfordern, können Tools umfangreiche Suchausgaben als Dateien im Backend speichern und nur Dateipfade zurückgeben. Der Hauptagent—oder ein delegierter Subagent—liest dann nur die spezifischen Zeilen oder Dateien, die wichtig sind.

Warum es für kleine Teams wichtig ist

Für kleine Unternehmen, die autonome Agenten einsetzen, um schwere Arbeitslasten wie Marktforschung, die Aggregation von Kundensupportdaten oder Lead-Genierung zu bewältigen, ist das Kontextmanagement ein direkter Treiber für Betriebskosten und Ausgabequalität. Themaverfehlte, veraltete oder übermässig lange Suchergebnisse sehen für ein LLM genauso überzeugend aus wie korrekte Daten, was zu Halluzinationen oder verkürztem Denken führt, wenn sich die Kontextfenster füllen.

Durch die Übernahme von agentenbasierten Retrieval-Mustern und das Auslagern umfangreicher Daten in Backend-Dateien anstelle von rohem Prompt-Text können schlanke Teams eine zuverlässigere und kostengünstigere Automatisierung aufbauen. Anstatt für aufgeblähte Token zu bezahlen und sich mit fragilen, einmaligen Suchskripten herumzuschlagen, können Teams ihre Agenten-Harnesses so strukturieren, dass sie wie disziplinierte Forscher agieren: iterativ suchen, Dateipfade inspizieren und Lesetypen delegieren, damit nur verifizierte, hochsignifikante Fakten jemals das Arbeitsspeicher des Primärmodells erreichen.

Was diese Woche zu tun ist

1. Überprüfen Sie Ihre aktuellen Agenten-Workflows, um zu identifizieren, wo grosse Dokumente oder gesamte Datenbankexporte direkt in Prompt-Kontextfenster geladen werden, und gestalten Sie diese Tools so um, dass sie stattdessen Dateipfade oder kurze Vorschauen zurückgeben.
2. Implementieren Sie eine einfache Dateilese-Offset- und Limit-Strategie in Ihren Agentenskripten, damit textlastige Tools Dateien inkrementell lesen (z. B. 100 Zeilen auf einmal), anstatt ganze Verzeichnisse auf einmal aufzunehmen.
3. Verpacken Sie das spezifische Such-Know-how Ihres Teams—wie bevorzugte interne Terminologie, spezifische Datenbankindizes und erforderliche Zitierformate—in modulare Agenten-Skills unter Verwendung progressiver Offenlegung.

Quellen

• Context Engineering (Agent Memory) for AI Agents Starts with Retrieval — LangChain Blog