Praxisleitfaden zur Kontextkomprimierung: Verdoppelung der LLM-Leistung in Brownfield-Codebases

Das bloße Schreiben guter Prompts lässt Legacy-Code nicht wie von Zauberhand verschwinden. Der wahre Grund, warum KI-Agenten in komplexen, verstrickten Brownfield-Umgebungen (Legacy) kläglich scheitern, ist nicht mangelnde Intelligenz, sondern Kontext-Kontamination. Wenn sich unnötiges Rauschen im Context Window – dem Gedächtnisspeicher des Modells – ansammelt, bricht die logische Konsistenz wie ein Kartenhaus zusammen.

Die Leistung von Modellen, die auf der Transformer-Architektur basieren, sinkt drastisch, sobald die Kontextausnutzung die Marke von 40% bis 60% überschreitet. Im Jahr 2026 bezeichnet die Branche dieses Phänomen als AI Slop. Es beschreibt die Produktion von Müll-Code, der zwar irgendwie funktioniert, aber unmöglich zu warten ist. Wenn Sie mehr Zeit damit verbringen, die Ergebnisse der KI zu korrigieren, als selbst zu entwickeln, sind Sie kein Softwareentwickler mehr, sondern zum „Harness Engineer“ degradiert worden, der hinter der KI aufräumt.

Markdown-Architektur für gezielte Komprimierung

Die in Videos oft erwähnte Zusammenfassung ist erst der Anfang. In großskalierten Systemen ist strukturelle Komprimierung unerlässlich. Es geht nicht nur darum, die Länge des Dialogs zu kürzen, sondern die Informationsdichte durch eine Markdown-Hierarchie zu maximieren, die das LLM am schnellsten und präzisesten parsen kann.

Aktuelle Forschungsdaten zeigen, dass Prompts im Markdown-Format eine um über 7,3% höhere Schlussfolgerungsgenauigkeit aufweisen als reines JSON. Senior-Architekten steuern den Attention-Mechanismus des Modells über die folgenden drei Elemente:

• <context> Tags: Legen den Hintergrund der aktuellen Aufgabe und die „Ground Truth“ fest.
• <constraint> Tags: Setzen harte Leitplanken, um zu verhindern, dass das Modell eigenmächtig das Design ändert.
• Hierarchische Header (#, ##): Etablieren eine Informationshierarchie, um die Wahrnehmungsrate von Anweisungen zu erhöhen.

Dieser Komprimierungsprozess darf nicht manuell erfolgen. Führende Teams integrieren Skripte zur Kontextaktualisierung in Git Hooks oder CI/CD-Pipelines. Jedes Mal, wenn ein Agent einen Schritt abschließt und einen Commit durchführt, werden die Änderungen zusammengefasst, in der PROGRESS.md protokolliert und die Sitzung zurückgesetzt. Dies ist die Kunst, das Modell stets im optimalen Nutzungsbereich unter 40% zu halten.

RPI-Framework und Sub-Agenten-Strategie

RPI (Research, Plan, Implement) ist nicht nur ein einfaches Flussdiagramm. Es ist eine Isolationsstrategie, die jeder Phase eine unabhängige Kontext-Sitzung zuweist, um Rauschen physisch zu blockieren.

1. Research: Überlassen Sie dem Sub-Agenten die Fleißarbeit

Lassen Sie den Haupt-Agenten nicht zehntausende Zeilen Code direkt lesen. Das Scannen von Dateien ist die Aufgabe eines Sub-Agenten. Wenn der Sub-Agent tausende Dateien durchforstet und nur die Positionen der Kernlogik extrahiert zurückgibt, kann sich der Haupt-Agent ohne Token-Verschwendung auf hochpräzise Schlussfolgerungen konzentrieren.

2. Plan & Implement: Approval Gates und Harness-Design

In der Planungsphase ist es entscheidend, nicht nur festzulegen, was zu tun ist, sondern auch, was nicht getan wird (Non-goals). Bei der Implementierung sollte Git Worktree verwendet werden, um eine isolierte Umgebung bereitzustellen, damit die Experimente des Agenten nicht den Main-Branch kontaminieren.

Metrik	Vor RPI-Einsatz	Nach RPI-Einsatz	Verbesserungsindex
Defekte (Bugs) pro Feature	12,5	3,8	69,6% Reduktion
Code-Review-Geschwindigkeit	Ø 48 Stunden	Ø 8 Stunden	83% Steigerung
Erfolgsrate autonomer Agenten	18%	79%	338% Steigerung

Datensouveränität durch lokale LLMs

Die Ära, in der Quellcode – das Kernkapital eines Unternehmens – wahllos an externe APIs gesendet wurde, ist vorbei. Seit 2025 ist es Industriestandard, Open-Source-Modelle wie Llama 3 oder Mistral direkt in der eigenen Infrastruktur zu betreiben.

Dieser Ansatz dient nicht nur der Sicherheit. Man kann damit tausende Dollar an Kosten einsparen, die bei massiven Code-Scans in der Research-Phase anfallen würden. Am effizientesten erweist sich eine Hybrid-Architektur: Die wenig sensible initiale Exploration wird von lokalen LLMs durchgeführt, während komplexe Designaufgaben nach Maskierung sensibler Daten an leistungsstarke Closed-Source-Modelle (wie Claude 3.5) delegiert werden.

Fallstudie: Modernisierung einer Java/Spring-Legacy mit 500.000 Zeilen

Die Ergebnisse der Anwendung des RPI-Frameworks auf ein 10 Jahre altes Zahlungssystem ohne jegliche Dokumentation waren verblüffend. In einer Umgebung, in der Hibernate-Abhängigkeiten völlig verknotet waren, verkürzte sich die Onboarding-Zeit für neue Ingenieure von 90 Tagen auf 35 Tage (61% Reduktion).

Dies gelang, weil die vom Agenten bei der Exploration gewonnenen Informationen als Living Document im Repository gespeichert wurden – komprimiert als Architektur-Leitfaden im Markdown-Format. Dies zeigt, dass RPI über ein individuelles Werkzeug hinaus als Wissensstransfersystem für das gesamte Team fungiert.

Checkliste für die Praxis

Im Jahr 2026 hängt die Wettbewerbsfähigkeit einer Engineering-Organisation nicht davon ab, wie viel Code geschrieben wird, sondern wie zuverlässig die Infrastruktur für KI-Agenten aufgebaut ist.

• Wurde eine CLAUDE.md im Project Root mit den Kernrichtlinien erstellt?
• Sind automatische Komprimierungs-Trigger eingerichtet, um die Kontextnutzung unter 40% zu halten?
• Existiert ein Approval Gate, bei dem ein menschlicher Architekt die Pläne des Agenten prüft?
• Wird die statische Analyse für geänderten Code automatisch auf der Harness-Ebene ausgeführt?

Kontext-Engineering ist der einzige Weg, künstliche Intelligenz so zu kontrollieren, dass sie Ihre Denkergebnisse um das Vielfache verstärkt. Beginnen Sie jetzt mit dem Redesign der Umgebung Ihrer Agenten.