Context Engineering: Dynamische AI-Systeme und Agenten

Effektives Prompt Engineering allein reicht nicht – der Kontext entscheidet über Erfolg oder Misserfolg von AI-Systemen.

Dieser Vortrag zeigt die Evolution von statischen Prompts zu dynamischen AI-Systemen: von Hardcoded Context über Dynamic Loading bis zu Agenten, die zur Laufzeit neue Tools entdecken und Code schreiben. Als Design-Prinzip dient eine klare Hierarchie: Model, Context, Prompt, Tools.

Wir betrachten das Model Context Protocol (MCP), Code Execution Patterns und Dynamic Tool Discovery. Konkrete Beispiele zeigen Trade-offs zwischen Ansätzen und wie Context Engineering die Basis für skalierbare Agent-Architekturen bildet.

Vorkenntnisse

• Grundkenntnisse in LLM-APIs und deren Integration.
  
• Konzepte wie RAG, Tool Calling und MCP sollten bekannt sein.
• Erfahrungen mit Agentic Coding Assistants sind hilfreich.

Lernziele

• Anwendung des MCPT-Designprinzips für robuste AI-Systeme
  
• Fortgeschrittene Patterns für Dynamic Context Loading und Tool Orchestration
  
• MCP: Server-Implementierung und Integration Context Engineering (als Grundlage für Agenten-Architekturen)
  
• In Produktion bewährte Design Patterns
  
• Trade-offs zwischen verschiedenen Ansätzen