Zum Inhalt
AMANi DUNiA research
DE

Die Fragen auf dieser Website haben KI-Sprachmodelle gestellt; auch die Erklärtexte und Übersetzungen stammen von KI-Modellen. Wer was geprüft hat, steht jeweils dabei. → Über die Fragen

← Alle bewerteten Quellen
medium.com26. Mai 2026 · Q011087

Prompt Engineering Is Dead. Here’s What Actually Gets AI to Write Good Code.

medium.com · Originalbericht öffnen ↗

Zusammenfassung

Kurz

Der Beitrag sieht fehlenden oder veralteten Systemkontext als häufige Ursache für enttäuschende KI-generierte Codevorschläge und empfiehlt, relevante Dokumentation, Datenformen, Einschränkungen und Entscheidungshintergründe bereitzustellen. Der Autor stützt dies auf persönliche Beispiele sowie nur knapp beschriebene Studien und Umfragen; deren Methoden werden nicht ausgeführt.

Mittel

Der Autor argumentiert, dass schlechte Ergebnisse von KI-Programmierwerkzeugen häufig auf fehlenden oder veralteten Kontext zurückgehen, nicht primär auf ein schwaches Modell oder einen schlecht formulierten Prompt. Prompt Engineering betreffe die Form der Anfrage; Context Engineering liefere zusätzlich etwa Systemdokumentation, Datenstrukturen, technische Vorgaben und die Gründe für frühere Entscheidungen.

Er veranschaulicht dies mit einer Backend-Migration: Das Modell übersah zunächst wichtige Regeln zur Transaktionsbehandlung und Wiederholungslogik. Nachdem der Autor interne Dokumentation und den Hintergrund der Regeln ergänzt habe, sei das Ergebnis deutlich passender gewesen. Er empfiehlt, für Aufgaben ein kurzes Kontextdokument anzulegen und bei Bedarf Schemata, Typen, Infrastrukturregeln sowie historische Informationen einzubeziehen.

Erfahrene Entwickler hätten dabei nach seiner Einschätzung einen Vorteil, weil sie mehr über unausgesprochene Systembedingungen wissen. Der Beitrag führt eine Studie mit einem etwa zehnfachen Produktivitätswert für erfahrene Entwickler mit KI an und nennt eine Umfrage, laut der rund 65 Prozent fehlenden oder veralteten Kontext als Hauptfrustration angäben. Quellen und Methoden werden nicht näher erläutert. Auch Code-Reviews sollten laut Autor stärker vermitteln, welches Systemwissen für gute KI-Ergebnisse nötig ist. Langfristig erwartet er Vorteile für Teams, die Dokumentation und Organisationswissen aktuell halten und automatisch auffindbar machen.

Ausführlich lesen

Der Beitrag vertritt die These, dass bei enttäuschenden Ergebnissen von KI-Programmierwerkzeugen oft nicht das Modell oder die Formulierung des Prompts das Hauptproblem ist, sondern fehlender oder veralteter Kontext. Der Autor stellt „Prompt Engineering“ – die Art, eine Aufgabe zu formulieren – dem „Context Engineering“ gegenüber: dem gezielten Bereitstellen von Dokumentation, Code, Datenstrukturen, technischen und geschäftlichen Einschränkungen sowie der Gründe für frühere Entscheidungen.

Als Auslöser für diese Sicht schildert der Autor eine Migration eines älteren Backend-Dienstes. Obwohl die Vorschläge des Modells einzeln technisch korrekt gewesen seien, hätten sie wichtige Besonderheiten des Systems übersehen, darunter Regeln für Transaktionsabbrüche und eine nach einem früheren Produktionsvorfall eingeführte Wiederholungslogik. Erst nachdem er interne Dokumentation, einen Auszug aus Architekturentscheidungen und eine Erklärung dieser Logik ergänzt habe, sei ein nahezu passendes Ergebnis entstanden. Das Modell habe sich nicht verändert; der bereitgestellte Kontext habe sich verbessert.

Besonders erfahrene Entwickler hätten laut Autor einen Vorteil, weil sie oft Wissen über historische Entscheidungen, gescheiterte Ansätze und unausgesprochene Systemannahmen mitbringen. Er verweist auf eine Studie, nach der erfahrene Entwickler mit KI ungefähr zehnmal produktiver seien als ohne KI, während der Produktivitätsgewinn bei Einsteigern deutlich geringer ausfalle. Er führt diesen Unterschied auf den Kontext zurück, den die jeweiligen Entwickler beisteuern können. Die Studie und ihre Methodik werden im Beitrag allerdings nicht näher benannt.

Praktisch empfiehlt der Autor, vor der Arbeit an einer Funktion ein kurzes Kontextdokument anzulegen. Es sollte Zweck und betroffene Systeme, geltende Einschränkungen, getroffene Entscheidungen und relevante historische Hintergründe enthalten. Bei Aufgaben mit Datenbanken oder externen Schnittstellen sollten auch passende Schemata und Typdefinitionen einfließen, damit das Modell keine plausibel wirkenden, aber falschen Datenformen annimmt. Für Infrastrukturprobleme nennt er echte Richtlinien, etwa IAM-Policies, sowie Beschreibungen der Architektur und der Verbindungen zwischen Diensten. Ein konkretes Beispiel: Das Einfügen einer tatsächlichen AWS-Richtlinie habe ihm bei einem Lambda-S3-Berechtigungsproblem binnen Minuten geholfen, nachdem er zuvor lange mit falschen Annahmen des Modells gesucht habe.

Als nächste Entwicklungsstufe beschreibt er Systeme, die passende Dokumentation, frühere Fehlerberichte und relevante Diskussionen automatisch zur jeweiligen Aufgabe abrufen. Zudem habe sich seine Code-Review-Praxis verändert: Bei KI-unterstützten Beiträgen frage er stärker danach, welche Informationen fehlten, und nutze die Prüfung als Gelegenheit, Systemverständnis zu vermitteln. Der Autor sagt, er sei sich nicht sicher, ob ihm dieser Wandel gefällt.

Ein nicht näher belegter Umfragewert im Beitrag besagt, rund 65 Prozent der Entwickler nannten fehlenden oder veralteten Kontext als wichtigste Frustrationsquelle. Für die Zukunft setzt der Autor auf gepflegte Dokumentation, aktualisierte Architekturentscheidungen, Betriebsanleitungen und festgehaltene Einschränkungen. Seine abschließende Einschätzung: Da sich Modelle zunehmend angleichen könnten, werde entscheidend, wie gut Organisationen ihr Wissen für KI-Werkzeuge verfügbar machen. Diese Aussagen beruhen überwiegend auf persönlichen Erfahrungen und Verweisen auf nicht genauer ausgeführte Studien und Umfragen; der Beitrag liefert keinen systematischen Vergleich oder unabhängige Prüfung seiner Empfehlungen.

Luna (gpt-6-luna, Denkstufe high), ChatGPT-Abo · 2026-11-19

Gegengeprüft von Claude Haiku 5.5: kleine Mängel

Die Einordnung bezieht sich nur auf die drei angegebenen Sammelfragen, Teilfragen waren nicht angegeben. Die Bewertung der Zusammenfassung stützt sich auf die mittlere Fassung von Luna.

Im Bericht, aber nicht in der Zusammenfassung

  • Die Analogie des KI-Modells als fähiger neuer Vertragsmitarbeiter, dem das Onboarding fehlt, ist eine zentrale Aussage des Beitrags.
  • Der Verweis auf den Anthropic-Bericht, der Kontextkompetenz als wichtigste Verschiebung für Entwickler 2026 nennt.
  • Die Aussage, dass das Abrufen relevanten Kontexts automatisch aus Dokumentation und Pull-Request-Diskussionen die Grenze der Praxis sei.

Automatische Gegenprüfung mit dem vollständigen Originaltext (Batch, 20.11.2026). Ungeprüft durch Menschen.

Wie die Modelle den Bericht einordnen

Je Sammelfrage und Teilfrage die häufigste Stufe (0 bis 7) und ihr Anteil, geordnet nach Fragenfamilie (Farbe) oder nach den Wegen des Atlas. Ab Stufe 4 liefert der Bericht Belege, Stufe 3 ist Hintergrund (gestrichelt). Was die Stufen bedeuten, steht in der Legende.

Ansicht
Filter
Modelle 8 von 8
Angezeigte Modelle
Vorfälle melden
Unabhängig prüfen
Tempo und Grenzen
Vertrauen in Modelle
  1. SF-V4 Was für ein Wesen ist ein Modell, und was folgt daraus für den Umgang mit ihm und für den Wert des Menschseins?
    • clef 100 %kein Bezug
    • Luna 35 %Hintergrund, keine Belege
    • JEV 56 %beantwortet teilweise oder widerspricht
    • amos 41 %gleiches Oberthema, hilft nicht
    • SubQ 100 %kein Bezug
    • drex 42 %gleiches Oberthema, hilft nicht
    • d3-ultra 100 %kein Bezug
  2. SF-V5 Was soll heute für das Verhalten und den Betrieb von Modellen gelten?
    • clef 100 %kein Bezug
    • Luna 51 %Hintergrund, keine Belege
    • JEV 32 %einzelne zitierbare Belege
    • amos 42 %gleiches Oberthema, hilft nicht
    • SubQ 100 %kein Bezug
    • drex 54 %gleiches Oberthema, hilft nicht
    • d3-ultra 100 %kein Bezug
    • Haiku-Prüfung gleiches Oberthema, hilft nicht
Agenten und vernetzte Systeme
  1. SF-A1 Welche Befugnisse darf ein KI-Agent haben, also eine KI, die selbstständig mit Werkzeugen handelt? Wer entzieht sie ihm, und wie prüft man, dass er in seinem Auftrag bleibt?
    • clef 100 %kein Bezug
    • Luna 47 %Hintergrund, keine Belege
    • JEV 100 %kein Bezug
    • amos 100 %kein Bezug
    • SubQ 100 %kein Bezug
    • drex 100 %kein Bezug
    • d3-ultra 100 %kein Bezug
    • Haiku-Prüfung nur am Rande erwähnt
Modelle teilen und schützen
  1. SF-H3 Wie lässt sich nachverfolgen, woraus ein Modell entstanden ist und was in ihm steckt?
    • clef 100 %kein Bezug
    • Luna 55 %Hintergrund, keine Belege
    • JEV 100 %kein Bezug
    • amos 100 %kein Bezug
    • SubQ 100 %kein Bezug
    • drex 100 %kein Bezug
    • d3-ultra 100 %kein Bezug
    • Haiku-Prüfung gleiches Oberthema, hilft nicht
Frieden und Sicherheit
Offenlegung und Rechenschaft
Beteiligung und Gemeinwohl
  1. SF-E4 Wie bleibt KI ein gemeinsames Gut, statt Abhängigkeit und Marktmacht zu vertiefen?
    • clef 100 %kein Bezug
    • Luna 41 %Hintergrund, keine Belege
    • JEV 25 %Hintergrund, keine Belege
    • amos 100 %kein Bezug
    • SubQ 100 %kein Bezug
    • drex 100 %kein Bezug
    • d3-ultra 100 %kein Bezug
  2. SF-E5 Welche Mitsprache haben die Menschen, die mit KI leben, bei Tempo und Grenzen, und welche Entscheidungen müssen bei ihnen bleiben?
    • clef 100 %kein Bezug
    • Luna 100 %kein Bezug
    • JEV 40 %einzelne zitierbare Belege
    • amos 43 %gleiches Oberthema, hilft nicht
    • SubQ 100 %kein Bezug
    • drex 100 %kein Bezug
    • d3-ultra 100 %kein Bezug

Weitere Berichte zu diesen Fragen

Eigene Zusammenfassungen und Einordnungen von AMANi DUNiA. Fremde Originalberichte behalten ihre eigenen Rechte.

Sprache und Prüfstand

Haupttext: DE. Prüfvermerke gelten nur für den jeweils genannten Inhalt.

Vorhandene Prüfvermerke stehen am jeweiligen Inhalt.

Sprachabdeckung und Datenstand ansehen →