4. November 2026Aktualisiert am Fathy Shalaby14 Min. Lesezeit
Produktkontext für KI-Coding-Agenten: Was du teilen solltest und wie
Coding-Agenten können deinen Code lesen, aber nicht deine Kunden. Hier steht, welchen Produktkontext sie brauchen, welche Tools ihn liefern, wie viel zu viel ist, und ein Task Packet zum Kopieren.
Teilen
Dieser Artikel wurde aus dem Englischen übersetzt. Original lesen
Produktkontext für KI-Coding-Agenten ist die kleine, aktuelle Menge an Fakten, die ein Agent braucht und die der Code nicht zeigt: wer das Problem hat, die Belege, die aktuelle Entscheidung samt Verantwortlichem, die Rahmenbedingungen und wie ein Mensch das Ergebnis prüft. Das beste Setup hat drei Ebenen: eine kurze Anweisungsdatei im Repository, ein Task Packet pro Änderung und einen Live-Link zu deiner zentralen Produktquelle.
Das Wichtigste in Kürze
Mehr Kontext ist nicht besserer Kontext. Chroma hat 18 Modelle getestet und festgestellt, dass die Leistung „mit wachsender Eingabelänge zunehmend unzuverlässig wird“, selbst bei einfachen Aufgaben (Chroma, 2025).
Anthropic definiert die Aufgabe selbst so: die kleinste Menge an aussagekräftigen Tokens für die Aufgabe finden und alles andere just in time über Links und Dateipfade nachladen (Anthropic, 2025).
Repository-Dateien sind für dauerhafte Regeln gedacht. Anthropic zielt auf unter 200 Zeilen pro CLAUDE.md, und Cursor empfiehlt, Regeln unter 500 Zeilen zu halten. Kundenbelege und sich ändernde Entscheidungen gehören deshalb nicht dorthin.
Es gibt kein einzelnes bestes Tool. Nutze eine kurze Anweisungsdatei, ein Task Packet pro Änderung und eine MCP-Verbindung zu dem Ort, an dem Entscheidungen tatsächlich liegen.
Teams verlieren schon jetzt über 25 % ihrer Arbeitswoche mit der Suche nach Informationen (Atlassian, 2025). Ein zweites Produkt-Wiki nur für Agenten verschlimmert das.
Was zählt als Produktkontext für einen KI-Coding-Agenten?
Ein Coding-Agent kann dein Repository lesen, deine Tests ausführen und deine Dateien durchsuchen. Er kann nicht das Kundengespräch lesen, das die Anfrage ausgelöst hat, den Kompromiss, auf den sich das Team im Meeting am Dienstag geeinigt hat, oder den Grund, warum ein Feature bewusst nicht dazugehört. Das ist Produktkontext: das „Wer“ und „Warum“ hinter der Codeänderung.
Die aktuelle Entscheidung, ihr Verantwortlicher und ihr Datum
Frühere Commits und Code-Kommentare
Was bewusst nicht Teil der Änderung ist
Fehlermeldungen und Logs
Rahmenbedingungen aus Kundenwünschen, Verträgen oder Richtlinien
CI-Ergebnisse
Was ein Reviewer vor der Abnahme prüft
Agenten sind inzwischen verbreitet genug, dass diese Lücke ins Gewicht fällt. In der Stack-Overflow-Umfrage 2025 nutzten 14,1 % der Entwickler:innen KI-Agenten täglich bei der Arbeit, und 86,9 % machten sich Sorgen um die Genauigkeit der Informationen, die Agenten liefern (Stack Overflow, 2025). Ein Teil dieser Ungenauigkeit liegt am Modell. Ein Teil liegt an einer Anfrage, in der die wichtigen Produktfakten fehlten.
Welches ist das beste Tool, um KI-Coding-Agenten Produktkontext zu geben?
Kein einzelnes Tool deckt alles ab. Jeder Weg, Kontext zu liefern, ist in einer Ebene gut und in den anderen schwach. Die nützliche Frage lautet also, welche Kombination dazu passt, wo dein Team seine Entscheidungen ablegt.
Das Model Context Protocol (MCP), das Anthropic am 25. November 2024 als offenen Standard veröffentlicht hat, macht die Live-Zeilen erst möglich: ein Protokoll statt eines eigenen Connectors pro Datenquelle (Anthropic, 2024). Linear zum Beispiel hostet einen Server, der per OAuth 2.1 mit Claude Code, Cursor, Codex und VS Code funktioniert (Linear docs).
Ein praxistauglicher Standard für ein kleines Team:
Eine kurze AGENTS.md oder CLAUDE.md mit Befehlen, Konventionen, Sicherheitsregeln und einer Zeile, die sagt, wo Produktentscheidungen liegen.
Ein Task Packet (Vorlage unten), verlinkt in jedem Issue, das der Agent übernimmt.
Eine schreibgeschützte MCP-Verbindung zu dem System, das deine Entscheidungen und Belege enthält, damit der Agent Details bei Bedarf selbst abruft, statt dass du sie einfügst.
Bevorzuge für Coding-Agenten schreibgeschützten Zugriff, es sei denn, die Aufgabe braucht Schreibrechte. Linear bietet dafür einen eigenen Read-only-Endpunkt. Das ist wichtig: 81,4 % der Entwickler:innen in der Stack-Overflow-Umfrage hatten Sicherheits- und Datenschutzbedenken bei der Nutzung von KI-Agenten.
Wie viel Kontext solltest du einem Coding-Agenten geben?
Weniger, als du denkst, dafür sorgfältig ausgewählt. Drei Forschungsstränge zeigen in dieselbe Richtung.
Lange Eingaben verschlechtern die Leistung. Chromas Studie von 2025 umfasste 194.480 Aufrufe über 18 Modelle von Anthropic, OpenAI, Google und Alibaba. In jedem Experiment sank die Leistung mit wachsender Eingabelänge, und thematisch verwandte „Distraktor“-Passagen verringerten die Genauigkeit weiter. Bei LongMemEval, einem Benchmark für Gesprächsgedächtnis, erzielte jedes Modell mit einem fokussierten Prompt von etwa 300 Tokens deutlich bessere Werte als mit dem vollständigen Prompt von etwa 113.000 Tokens (Chroma, 2025).
Die Position zählt. In der Studie „Lost in the Middle“ nutzten Modelle Informationen am besten, wenn sie am Anfang oder Ende einer langen Eingabe standen, und spürbar schlechter, wenn sie in der Mitte standen (Liu et al., TACL). Genau die eine Rahmenbedingung, auf die es ankommt, kann in einem langen Export untergehen.
Aufmerksamkeit ist ein Budget. Anthropic beschreibt Context Rot als die sinkende Fähigkeit eines Modells, Informationen abzurufen, je voller das Fenster wird, weil jedes Token auf jedes andere achtet und bei n Tokens n² Beziehungen entstehen. Der Rat: schlanke Verweise wie Dateipfade und Links behalten und den Inhalt erst laden, wenn der Agent ihn braucht (Anthropic, 2025).
Die Tool-Dokumentationen sagen dasselbe in einfacheren Worten. VS Code weist darauf hin, dass explizite Referenzen auf das Kontextfenster angerechnet werden, und empfiehlt, nur Quellen hinzuzufügen, die für die aktuelle Aufgabe helfen (VS Code docs).
Faustregel: Nimm eine Quelle auf, wenn sie die Umsetzung oder die Abnahmeentscheidung verändern kann. Eine aktuelle Entscheidungsnotiz plus zwei repräsentative Kundenbeispiele schlagen einen vollständigen Backlog-Export. Alles andere verlinkst du.
Wie hältst du Produktkontext und Repository-Anweisungen getrennt?
Halte drei Arten von Kontext auseinander, jede mit eigenem Zuhause und eigenem Verantwortlichen.
1. Gemeinsame Produktentscheidungen
Das Kundenproblem, Research-Belege, strategische Entscheidungen und Beschlüsse, die mehrere Leute brauchen. Bewahre sie in dem Produkt-Workspace auf, den das Team ohnehin nutzt. Jede Entscheidung sollte einen Verantwortlichen, ein Datum, eine Begründung und Links zu Belegen haben. Ein Product-Decision-Log-Template oder ein Decision Graph für kleine KI-Teams funktionieren beide.
2. Repository-Anweisungen
Stabile Engineering-Hinweise: wie man die App startet, Konventionen, Architekturgrenzen, Testbefehle und Sicherheitsregeln. Anthropic sagt, dass Claude CLAUDE.md als Kontext behandelt und nicht als erzwungene Konfiguration, und dass längere Dateien die Befolgung verringern (Claude Code docs). Verschachtelte Dateien helfen bei großen Codebasen: Bei AGENTS.md gewinnt die Datei, die dem bearbeiteten Code am nächsten liegt, und das Haupt-Repository von OpenAI enthielt 88 davon, als die Seite agents.md geschrieben wurde (agents.md). Für Roadmap oder Kundenresearch ist das alles kein Ort.
3. Das Task Packet
Die kurze Brücke zwischen Produktabsicht und einer einzelnen Coding-Session. Es verweist auf die relevanten Entscheidungen und sagt, was diese Änderung leisten soll. Es kann in einem Issue, einem Brief oder einem Prompt stehen, solange die Verantwortlichen es finden. Eine ausführliche Version mit Abnahmeprüfungen und Stopp-Regeln bietet das PRD-Template für KI-Coding-Agenten.
Diese Aufteilung gibt dem Agenten genug, um zu handeln, und das dauerhafte Produktwissen des Teams bleibt dort, wo Menschen darüber diskutieren und es aktualisieren können.
Wie gibst du einem Coding-Agenten Schritt für Schritt Produktkontext?
Beginne mit einem Nutzerproblem. Nenne, wer betroffen ist und was diese Person erreichen will. Verlinke das Interview, Support-Beispiele oder Analytics dahinter. Kennzeichne Annahmen als Annahmen; eine plausibel klingende, KI-geschriebene Erklärung ist kein Kundenbeleg. Wenn du noch keine Belege hast, ist der Customer-Discovery-Workflow für Product Engineers der schnelle Weg, welche zu bekommen.
Verlinke die Entscheidung, nicht einen Berg Dokumente. Wähle die zwei oder drei Quellen, die die Umsetzung verändern können. Wenn Quellen sich widersprechen, sag, welche aktuell ist, und gib wesentliche Konflikte an einen Menschen.
Nenne Ergebnis und Grenzen. Beschreibe das für Nutzer:innen sichtbare Ergebnis, dann die Grenzen: Berechtigungen, Datenverarbeitung, bestehende Workflows, Barrierefreiheit, Performance und was nicht dazugehört. Markiere offene Entscheidungen als offen.
Mach das Packet leicht prüfbar. Liste auf, was ein Reviewer beobachten soll. Ersetze „funktioniert gut“ durch ein Verhalten, das jemand nachprüfen kann.
Bitte den Agenten, Unsicherheit zu melden. Er soll fehlenden Kontext, widersprüchliche Anweisungen und Annahmen ansprechen, bevor er eine folgenreiche Entscheidung trifft. Bei einer reversiblen Änderung mit geringer Wirkung kann es in Ordnung sein, auf Basis einer gekennzeichneten Annahme weiterzumachen. Bei Zugriffskontrolle, Abrechnung, privaten Daten oder destruktiven Aktionen geht jede Unklarheit zurück an einen Menschen.
Prüfen, dann neue Entscheidungen in die gemeinsame Quelle zurückgeben. Die Ausgabe des Agenten ist ein Vorschlag. Ein Mensch prüft sie mit einer PM-Abnahme-Checkliste für die Ausgabe von KI-Agenten gegen die Produktabsicht, und jede neue Entscheidung kommt in die Produktdokumentation, nicht nur in ein Chat-Protokoll oder einen Code-Kommentar.
Beispiel: ein Kontext-Packet für gespeicherte Filter
Dies ist ein anschauliches Szenario, keine Kundengeschichte und kein Forschungsergebnis.
Ein technischer Gründer bittet einen KI-Coding-Agenten, einem internen Dashboard gespeicherte Filter hinzuzufügen. „Füge gespeicherte Filter hinzu“ lässt Produktentscheidungen offen: wer sie braucht, ob Ansichten privat oder geteilt sind, was passiert, wenn sich die Daten ändern, und wie man eine gespeicherte Ansicht später wiederfindet.
Das Task Packet sagt:
Nutzer:in und Problem: Ein Teammitglied baut vor jedem wöchentlichen Review dieselbe gefilterte Ansicht neu auf, in diesem hypothetischen Fall jedes Mal etwa 10 Minuten.
Belege: Link zur Interviewnotiz oder zum beobachteten Workflow. Gibt es keinen, steht im Packet „Annahme“.
Gewünschtes Ergebnis: Nutzer:innen können eine Ansicht mit Namen speichern, sie wieder öffnen und sehen, wann ihre Daten zuletzt aktualisiert wurden.
Abnahmeprüfungen: Ansicht speichern und wieder öffnen; umbenennen und löschen; ein leeres Ergebnis behandeln; nach entzogenem Zugriff einen klaren Zustand anzeigen; Bedienelemente per Tastatur nutzbar.
Offene Entscheidung: Soll eine gespeicherte Ansicht mit dem Workspace teilbar sein? Eine benannte Person entscheidet, bevor der Agent das Teilen baut.
Nicht im Umfang: ein neuer Dashboard-Builder oder ein überarbeitetes Reporting-Modell.
Der Agent hat jetzt ein Ergebnis und Grenzen, wählt aber weiterhin die Umsetzung selbst. Die Frage zum Teilen ist sichtbar, bevor es Code gibt, statt stillschweigend geraten zu werden. Nach dem Bau prüft der Reviewer dieselben fünf Verhaltensweisen und hält die Entscheidung zum Teilen in der gemeinsamen Quelle des Teams fest.
Task-Packet-Vorlage zum Kopieren
## Context packet: [feature]
- User and problem: [who needs what; what they do today]
- Evidence: [links to specific observations or data] (observed / inferred / assumed)
- Desired outcome: [the change a user should notice]
- Current decision: [the choice] (owner: [name], date: [YYYY-MM-DD], link: [record])
- Constraints: [security, permissions, data, accessibility, compatibility, performance]
- Acceptance checks: [observable behaviours, incl. empty, loading and error states]
- Open questions: [what is unknown] -> [who answers]
- Out of scope: [adjacent work to leave alone]
- Sources as of: [date or version]
- Review owner: [person who accepts the result and updates the record]
Halte es verhältnismäßig. Ein Ein-Screen-Prototyp braucht vielleicht vier Stichpunkte. Eine Änderung am Zugriff auf sensible Daten braucht jede Zeile und eine benannte Reviewerin oder einen benannten Reviewer.
Wie hältst du den Kontext deiner Agenten aktuell?
Veralteter Kontext ist schlimmer als fehlender, weil der Agent ihm selbstsicher folgt. Fünf Gewohnheiten halten ihn aktuell:
Eine kanonische Kopie pro Fakt. Wenn eine Produktregel in mehreren Dateien steht, lege fest, welche die maßgebliche ist, und verlinke von den anderen darauf. Cursors Docs nennen den Grund: Kopien veralten, also verweise auf Dateien (Cursor docs).
Datiere jedes Packet. „Quellen Stand 12. November“ zeigt dem Reviewer, ob sich eine Entscheidung inzwischen bewegt hat.
Gib jeder Datei einen Verantwortlichen. Eine Anweisungsdatei ohne Verantwortlichen wächst, bis ihr niemand mehr traut.
Räume nach Fehlern auf, nicht vorher. Füge eine Regel hinzu, wenn der Agent denselben Fehler wiederholt; entferne Regeln, die er aus dem Code ohnehin befolgt.
Schließe den Kreis nach dem Review. Entscheidungen, die während der Umsetzung fallen, gehen noch am selben Tag zurück ins Decision Record.
Schneller Check der Kontextqualität
Frage dich vor der Übergabe der Arbeit:
Kann ein Teammitglied die Belege hinter der Anfrage finden?
Lässt sich die aktuelle Entscheidung von einem alten Vorschlag unterscheiden?
Kennt der Agent das beabsichtigte Ergebnis für die Nutzer:innen?
Sind Rahmenbedingungen und Nicht-Ziele ausdrücklich genannt?
Kann ein Reviewer das Ergebnis prüfen, ohne das Gespräch zu rekonstruieren?
Gibt es eine benannte Person für ungeklärte Produktfragen?
Wenn zwei oder mehr Antworten Nein lauten, korrigiere das Packet oder kläre die Entscheidung, bevor der Agent baut.
Häufige Fehler beim Teilen von Produktkontext mit Agenten
Den Backlog abladen. Ein vollständiger Export begräbt die eine wichtige Entscheidung und kostet bei jedem Turn Kontext.
Ein zweites Wiki für den Agenten schreiben. Es driftet binnen Wochen vom echten ab, und niemand ist dafür verantwortlich.
Sich ändernde Entscheidungen in CLAUDE.md oder AGENTS.md legen. Diese Dateien werden bei jeder Aufgabe geladen; reserviere sie für dauerhafte Regeln.
Eine Datei namens „context“ für aktuell halten. Die Nähe zum Code macht sie nicht wahr. Prüfe das Datum.
Standardmäßig Schreibzugriff vergeben. Fang mit Read-only an und erweitere nur, wenn eine Aufgabe es braucht.
Entscheidungen im Chat lassen. Wenn das einzige Protokoll einer Entscheidung ein Transkript ist, finden es der nächste Agent und das nächste Teammitglied nicht.
Wo Specky ins Spiel kommt
Specky hält Kundengespräche, Feedback, Tickets und Entscheidungen in einem Product Graph, sodass die Belege hinter einer Entscheidung verknüpft statt kopiert sind. Über den MCP-Server können Claude Code, Cursor, Codex und andere MCP-Clients diesen Kontext bei Bedarf abrufen: get_product_context lädt bestätigte Produktprinzipien und Workspace-Anweisungen, und get_coding_brief liefert die PRDs, Entscheidungen und Belege, die für ein Ticket relevant sind. Alles, was der Agent zurückschreibt, kommt als Entwurf zur menschlichen Prüfung an. Die Einrichtung steht auf der MCP-Seite für KI-Agenten, und der Leitfaden für technische PMs behandelt den gesamten Workflow.
Häufig gestellte Fragen
Was ist Produktkontext für einen KI-Coding-Agenten?
Es sind die Informationen, die ein Agent braucht und die der Code nicht zeigt: wer das Problem hat, die Belege dafür, die aktuelle Entscheidung und ihr Verantwortlicher, Rahmenbedingungen, Nicht-Ziele und die Prüfungen, die ein Reviewer durchführt. Code-Kontext wie Dateistruktur und Testbefehle findet der Agent meist selbst. Produktkontext muss jemand liefern.
Welches ist das beste Tool, um KI-Coding-Agenten Produktkontext zu geben?
Kein einzelnes Tool erledigt alles. Nutze eine kurze Repository-Datei (CLAUDE.md, AGENTS.md oder Cursor Rules) für dauerhafte Regeln, ein Task Packet oder PRD pro Änderung und eine MCP-Verbindung zu dem Ort, an dem deine Entscheidungen und Belege liegen, etwa einem Issue Tracker, einem Docs-Tool oder einem Workspace für Produktbelege. Wähle danach, wo dein Team Entscheidungen tatsächlich festhält.
Gehört Produktkontext in CLAUDE.md oder AGENTS.md?
Nur ein Verweis darauf. Diese Dateien werden bei jeder Aufgabe geladen und funktionieren am besten kurz: Anthropic zielt auf unter 200 Zeilen pro CLAUDE.md. Lege dort Befehle, Konventionen und Sicherheitsregeln ab, dazu eine Zeile, die sagt, wo Produktentscheidungen liegen. Kundenbelege und sich ändernde Entscheidungen bleiben in ihrem gemeinsamen Zuhause und werden von jeder Aufgabe aus verlinkt.
Wie viel Kontext sollte ich einem Coding-Agenten geben?
Genug, um die Umsetzung oder die Abnahmeentscheidung zu verändern, und nicht mehr. Chromas Context-Rot-Studie und das Paper „Lost in the Middle“ zeigen, dass Modelle mit wachsender Eingabe unzuverlässiger werden und Informationen in der Mitte übersehen. In der Praxis schlagen meist eine Entscheidungsnotiz, zwei oder drei repräsentative Beispiele und klare Abnahmeprüfungen einen kompletten Dokumentenexport.
Kann ein KI-Coding-Agent Jira, Linear oder Notion direkt lesen?
Ja, über MCP-Server. Linear hostet einen, der mit Claude Code, Cursor, Codex und VS Code funktioniert, und mit dem von Notion kann ein Assistent Seiten und Datenbanken durchsuchen. Fang mit Read-only-Zugriff an und denk daran, dass Tickets und Wiki-Seiten selten sagen, welche Entscheidung aktuell ist oder welche Belege sie stützen. Dafür braucht es trotzdem ein Task Packet.
GDPR-aligned. EU workspace data is stored in Frankfurt, Germany. GDPR and EU data Built in Vienna, Austria. A product of influence solutions fm GmbH (FN 675374y). Imprint 14-day trial. Card required, and nothing is charged until day 14. 30-day refund after subscribing. See pricing