Anthropic hat gerade ein neues Tutorial veröffentlicht, das sich mit effektivem Kontext-Engineering für AI-Agenten beschäftigt. Ich habe es mir angesehen und möchte meine Erfahrungen mit euch teilen: Erstens sollte der Prompt nicht zu spezifisch sein, zum Beispiel durch hartkodierte komplexe if-else-Logik, da ein solcher Prompt sehr schlecht kompatibel ist und fast nur für sehr spezifische Szenarien entworfen wurde. Eine strukturierte Organisation ist eine gute Praxis, wie zum Beispiel Markdown oder JSON. Beim Feinschliff sollte man möglichst mit dem minimalen Szenario beginnen und dann schrittweise erweitern. Ich empfehle, dies direkt mit Git-Versionierung zu verwalten, um zu vermeiden, dass man nicht weiß, wo man Änderungen vorgenommen hat, und es plötzlich zu Problemen kommt. Wenn man Tool-Calls verwendet, sollte man sicherstellen, dass das Tool die sogenannten token-effektiven Informationen zurückgibt. Wenn du zum Beispiel das Tool anweist, die aktuelle Temperatur zurückzugeben, sollte es nur {"temperature":28.2} zurückgeben und nicht "Heute ist das Wetter sonnig, die Höchsttemperatur beträgt 29, die Durchschnittstemperatur 28.2", und dann muss die AI die Daten bereinigen. Wenn du nicht weißt, wie du logische Beschreibungen verwenden sollst, ist es tatsächlich am besten, Beispiele zu geben. Mehrere Beispiele aus verschiedenen Perspektiven sind sehr effektiv für die AI. Versuche, bei der Kontextabfrage Echtzeitabfragen zu verwenden und nicht lange Zeit zu cachen. Man muss die Aktualität der abgerufenen Inhalte berücksichtigen. Tutorial-Link: