Kontextverschlechterung
Wenn mehr Kontext die Dinge verschlimmert
Ein natürlicher Instinkt bei der Nutzung von KI ist es, ihr alles zu geben. Das gesamte Dokument einfügen. Jede Nachricht einbeziehen. Allen Kontext hinzufügen, den man finden kann. Mehr Informationen bedeuten bessere Antworten, oder?
Nicht immer. Es gibt ein Phänomen, das jeder, der für eine Prüfung gelernt hat, intuitiv kennt: es gibt eine Grenze dafür, wie viel man gleichzeitig im Kopf behalten kann. Und die Dinge in der Mitte verschwinden meist zuerst.
Bevor wir darüber sprechen, wie sich das auf KI-Modelle auswirkt, schauen wir uns an, wie es sich auf dich auswirkt.
Der Gedächtnistest
Die U-förmige Kurve
Was du gerade erlebt hast, hat einen Namen: den seriellen Positionseffekt. Psychologen erforschen ihn seit über einem Jahrhundert. Elemente am Anfang einer Liste profitieren von Primacy (sie werden häufiger wiederholt), und Elemente am Ende profitieren von Recency (sie sind noch frisch). Die Mitte profitiert von keinem der beiden Vorteile.
Das Faszinierende daran: große Sprachmodelle zeigen das gleiche Muster. Im Jahr 2023 testeten Forscher der Stanford University, was passiert, wenn man eine Schlüsseltatsache an verschiedenen Positionen innerhalb eines langen Kontextfensters platziert. Die Genauigkeit war am höchsten, wenn die Tatsache ganz am Anfang oder ganz am Ende stand — und sank um mehr als 30 %, wenn sie in der Mitte vergraben war.
Das ist keine Eigenart. Es ist strukturell. Transformer-Attention-Muster gewichten die Ränder des Kontextfensters von Natur aus stärker.
Was das für das Prompting bedeutet
Wenn du ein 20-seitiges Dokument in einen Prompt einfügst und eine Frage zu etwas auf Seite 11 stellst, übersieht das Modell diese Information mit höherer Wahrscheinlichkeit als etwas auf Seite 1 oder Seite 20. Das hat echte Auswirkungen darauf, wie du Kontext strukturierst.
Der praktische Ratschlag ist einfach: platziere deine wichtigsten Anweisungen am Anfang und am Ende des Kontexts. Wenn eine Einschränkung unbedingt eingehalten werden muss, formuliere sie früh im System-Prompt und wiederhole sie gegen Ende. Verlasse dich nicht darauf, dass das Modell allem dazwischen gleiches Gewicht verleiht.
Das ist der Ausgangspunkt, nicht die Obergrenze. Mit zunehmender Routine wirst du immer ausgefeiltere Wege entdecken, Kontext so zu strukturieren, dass das Modell zuverlässig versteht, was wichtig ist — indem du nutzt, wo im Fenster Informationen stehen, was du einbeziehst und was du weglässt, und wie du verhinderst, dass kritische Anweisungen in die toten Zonen abrutschen. Das Ziel bleibt immer dasselbe: Claude offensichtlich zu machen, was du tatsächlich brauchst.
Das größere Bild
Kontextverschlechterung ist der Grund, warum „gib ihm einfach mehr Kontext" nicht immer die Antwort ist. Jedes Stück Kontext, das du hinzufügst, drängt andere Stücke weiter in die Mitte — die tote Zone der Aufmerksamkeit. Das ist die Kernspannung des Context Engineering: nicht nur, was man einbezieht, sondern wo man es platziert und was man weglässt.
Dein eigener Gedächtnistest hat dir das bereits gezeigt. Die Wörter in der Mitte sind verschwunden. Dasselbe passiert in jedem langen Gespräch, jedem eingefügten Dokument, jedem Kontextfenster, das bis zum Rand gefüllt wurde. Die Lösung ist nicht mehr — sie ist klüger.