Jenseits des Transkripts: Kontext bewusst gestalten

Du bittest einen KI-Agenten, eine Arbeit fortzusetzen. Hinter dieser einfachen Anfrage wächst ein Stapel aus Nachrichten, Werkzeugdefinitionen, Suchergebnissen, Dateien und Entscheidungen. Was davon sollte das Modell als Nächstes sehen? Bei NanthAI entwickeln wir seit Monaten mit dieser Frage im Blick.

Auch veröffentlicht auf [9][10].

Pi und sein Mutterunternehmen Earendil widmen diesem Problem nun neue Entwicklungsarbeit mit MCP-Erkundung und Codemode. Ihre jüngsten Artikel sind ein willkommener Beitrag zu einer Richtung, die wir in NanthAI bereits verfolgen.[1][2]

Die beiden früheren Artikel waren ausführliche technische Fallstudien. Hier greifen wir ihre Kerngedanken auf und erkunden anhand der jüngsten Arbeit von Pi die nächste Ebene. Der Ausgangspunkt ist einfach: Ein Agent sollte auf wesentlich mehr Informationen und Fähigkeiten zugreifen können, als er in jedem Prompt mitführen muss.

Unsere Artikel vom Mai legten die Grundlagen. Dieser Folgeartikel betrachtet daneben den Ansatz von Pi.

Dieser Folgeartikel verbindet diese Gedanken: Was gelangt in den Kontext, bevor Werkzeuge laufen, was erreicht das Modell während der Ausführung und was bleibt danach nützlich?

Die Unterhaltung wächst. Der Ballast auch.

Eine einfache Chat-App sendet oft bei jeder neuen Nachricht die bisherige Unterhaltung mit. Kommen Werkzeuge hinzu, werden ihre Ergebnisse Teil dieses Verlaufs. Mit Integrationen kann jede Anfrage auch einen vollständigen Werkzeugkatalog mitführen. Sowohl Fähigkeiten als auch Verlauf lassen den Prompt wachsen.

Auch veröffentlicht auf [10].

Der Ausgangsansatz spielt den angesammelten Verlauf erneut ein. NanthAI bereitet Kontext aus Unterhaltung, Erinnerungen und wiederherstellbaren Belegen vor.

Ein Transkript hat einen klaren Zweck: Menschen sollen der Unterhaltung folgen können. Eine Modellanfrage hat einen anderen Zweck: dem Modell die Informationen geben, die es jetzt zum Handeln braucht. Diese Ansichten überschneiden sich, müssen aber nicht identisch sein. Der Nutzer kann einen lesbaren Verlauf behalten, während die Runtime einen gezielteren Arbeitskontext vorbereitet.

NanthAI trennt die lesbare Unterhaltung von den Belegen und dem dahinterliegenden Laufzeitzustand. Rohe Artefakte bewahren Werkzeugergebnisse auf. Kompakte Erinnerungen enthalten nützliche Informationen mit Quellenverweisen. Die Kontextzusammenstellung wählt das passende Material für die nächste Anfrage aus.

Auch veröffentlicht auf [10].

Größere Kontextfenster und Prompt-Caching sind neben dieser Architektur nützlich. Ein größeres Fenster bietet Kapazität. Caching kann die Kosten wiederholter Präfixe senken. Die Kontextzusammenstellung entscheidet, was diese Kapazität überhaupt verdient. Diese Entscheidung über die Informationsgestaltung bleibt auch dann wichtig, wenn Modelle leistungsfähiger werden.

Gib dem Agenten einen Einstieg.

Auch veröffentlicht auf [9].

Ein Skill ist ein auffindbares Paket aus Wissen über Arbeitsabläufe. Seine Kurzbeschreibung hilft dem Modell zu erkennen, wann es ihn verwenden sollte. Seine vollständigen Anweisungen erklären die Durchführung. Ein Werkzeug ist eine ausführbare Operation: suchen, lesen, berechnen, erstellen oder aktualisieren. Ein Skill kann mehrere Werkzeuge benötigen, und mehrere Skills können dasselbe Werkzeugprofil teilen.

Lädt NanthAI einen Skill, kommen die Arbeitsablaufanweisungen in den Kontext und die benötigten Werkzeugprofile werden aktiviert. Der Skill verbindet die Aufgabe sowohl mit der Anleitung als auch mit den Fähigkeiten, die zu ihrer Ausführung nötig sind.

Stell dir eine Anfrage für einen Recherchebericht vor. Der Katalog gibt dem Agenten genug Informationen, um den passenden Skill zu finden. Das Laden dieses Skills stellt den Rechercheablauf und die erforderlichen Fähigkeiten bereit. Wird später eine andere Fähigkeit benötigt, kann ein weiterer Skill den aktiven Werkzeugsatz erweitern. Das Modell beginnt mit einer Möglichkeit, das Benötigte zu finden.

NanthAI aktiviert über Skills Anleitungen und Werkzeugprofile. Pi ergänzt seine Skills um die Erkundung einzelner MCP-Werkzeuge.

Pi erkundet MCP über kompakte Serverbeschreibungen, Werkzeugsuche und Inspektion. Der Agent findet einzelne Deklarationen und kann sie über Codemode nutzen oder Werkzeuge für direkte Aufrufe aktivieren. Pi unterstützt außerdem Skills, deren Anweisungen bei Bedarf geladen werden.[3][5]

Dadurch wird der Vergleich interessanter als die bloße Frage, wer Werkzeuge erst bei Bedarf lädt. NanthAI verknüpft Arbeitsablaufwissen ausdrücklich mit Werkzeuggruppen. Die MCP-Erkundung von Pi erlaubt dem Agenten eine feinere Auswahl einzelner Werkzeuge. Beide trennen das Wissen um die Existenz einer Fähigkeit vom Laden ihrer vollständigen Details.

Auch veröffentlicht auf [9].

Eine „Werkzeug-Erinnerung“ sollte zu ihren Belegen zurückführen.

Auch veröffentlicht auf [10].

Ein Werkzeugartefakt ist das Ausführungsprotokoll: was angefordert wurde und was zurückkam, einschließlich einer Datei oder eines Fehlers. Eine Werkzeug-Erinnerung ist eine kleinere Darstellung nützlicher Belege aus diesem Protokoll. Sie enthält eine Verknüpfung zu ihrer Quelle. Die Kontextzusammenstellung wählt aus, welche Nachrichten, Erinnerungen, Verweise und genauen Details in die nächste Generierung eingehen sollen.

Transkript, Artefakte, Erinnerungen und zusammengestellter Kontext haben unterschiedliche Aufgaben. Quellenverweise verbinden sie.

Angenommen, ein Werkzeug erzeugt eine CSV und der Agent erklärt das Ergebnis. In der nächsten Runde braucht das Modell möglicherweise nur die Erkenntnis und einen Verweis auf diese Datei. Später fragt der Nutzer nach den genauen Zeilen hinter einer Zahl. Eine kompakte Erinnerung gibt dem System einen Weg zurück zum ursprünglichen Artefakt. Die Zusammenfassung ist nützlich, weil die Belege wiederherstellbar bleiben.

Auch beim Faktor Zeit hilft die Unterscheidung. Kalenderverfügbarkeiten können schnell veralten; die Identität einer erzeugten Datei kann wesentlich länger nützlich bleiben. Werkzeug-Erinnerungen enthalten deshalb Informationen über Aktualität und Herkunft. Der Assembler kann aktuelle Belege von älteren Beobachtungen unterscheiden, statt beides als gleichermaßen maßgeblich zu behandeln, nur weil es im Chat steht.

Auch veröffentlicht auf [10].

Belege behalten. Gezielt weitergeben.

Sobald Werkzeuge laufen, verändert sich das Kontextproblem. Eine Suche oder ein API-Aufruf kann Hunderte Datensätze zurückgeben, obwohl die Antwort nur eine Handvoll Fakten braucht. Hier bietet Codemode von Pi einen besonders hilfreichen Vergleich.

MCP gibt Werkzeugen eine gemeinsame Möglichkeit, sich mit Agenten zu verbinden. Wie ein Agent diese Werkzeuge dem Modell bereitstellt, ist eine eigene Gestaltungsentscheidung. Der MCP-Artikel von Earendil und der Bericht von The New Stack machen diesen Unterschied konkret: Eine Integration kann verfügbar sein, ohne dass jedes Schema von Anfang an Platz im Prompt belegt.[1][2]

Der Agent schreibt JavaScript, das Werkzeuge aufruft, Antworten zusammenführt oder filtert und ausgewählte Ausgaben ausgibt. Zwischenwerte können im Skript bleiben. Das Modell muss also nicht jede vollständige Antwort erhalten, damit die Berechnung weitergeht.[4]

Pi kann Zwischenergebnisse innerhalb einer Operation reduzieren. NanthAI wählt Belege anfrageübergreifend aus und verwendet sie erneut.

Auch veröffentlicht auf [10].

Der Unterschied liegt im Eingriffspunkt. Codemode kann Zwischendaten reduzieren, bevor sie das Modell erstmals erreichen. Unsere Erinnerungen und die Zusammenstellung bestimmen, was in spätere Anfragen übernommen wird. Spezialisierte NanthAI-Werkzeuge verarbeiten Daten bereits intern; die allgemeine Werkzeugschleife gibt die vom jeweiligen Werkzeug erzeugte Nutzlast zurück.

Das sind verwandte Techniken an verschiedenen Stellen desselben Informationsflusses. Pis Beitrag gibt uns einen weiteren nützlichen Ansatzpunkt, um diesen Fluss zu untersuchen.

Deshalb beschreiben parallele Aufrufe allein auch nicht den Wert von Codemode. Parallele Ausführung kann mehrere Ergebnisse gleichzeitig abrufen. Programmatische Verarbeitung kann sie anschließend kombinieren und nur die für die Antwort benötigten Belege ausgeben. Das verändert sowohl die Informationen, die das Modell erhält, als auch die Organisation der Aufrufe.

Ein Bericht. Drei Kontextentscheidungen.

Stell dir vor, du bittest einen Agenten, zwei Vertriebsexporte zu vergleichen und zu erklären, bei welchen Kunden sich am meisten verändert hat. Der fertige Bericht braucht Kundennamen, aussagekräftige Unterschiede und stützende Belege. Der Arbeitsablauf kann wesentlich mehr Zeilen verarbeiten, als im Bericht enthalten sind.

Vor der Ausführung kann NanthAI den passenden Analyse-Skill laden und seine Werkzeuge aktivieren. Das ist das Problem der Fähigkeitsauswahl aus unserem ersten Artikel. Sachfremde Kalender- oder Nachrichtenanweisungen müssen die Analyse nicht begleiten.

Drei Kontextentscheidungen am Beispiel eines Berichts. Jede Spalte zeigt einen Mechanismus des genannten Ansatzes.

Während der Ausführung könnte ein Codemode-Skript beide Datensätze über Werkzeuge lesen, Einträge nach Kunde zusammenführen, Veränderungen berechnen und die größten Unterschiede zurückgeben. Das veranschaulicht Pis zusätzlichen Mechanismus: mehrere Datenverarbeitungsschritte in Code ausdrücken und die Ausgabe auswählen, die das Modell erhält.[4]

Danach kann NanthAIs Kontextarchitektur die Artefakte bewahren und nützliche Werkzeug-Erinnerungen in spätere Anfragen übernehmen. Bittet der Nutzer um eine Überarbeitung des Berichts, helfen ausgewählter Kontext und Quellenverweise bei der Fortsetzung. Genaue Belege lassen sich wiederherstellen, wenn die Aufgabe sie erfordert.

Mit unserem jüngsten Update der lokalen Runtime ist diese Aufgabenteilung bereits Teil des Produkts. NanthAI kann Arbeit an eine verbundene Runtime auf deinem Mac senden, darunter Pi. NanthAI stellt den relevanten Kontext aus Unterhaltung, Zweig, Erinnerungen und Artefakten zusammen. Pi verbindet diesen vorbereiteten Kontext mit seinen eigenen Laufzeitanweisungen und Werkzeugen, führt die Agentenschleife aus und ruft seinen konfigurierten LLM-Anbieter auf.

NanthAI bereitet den Kontext vor; Pi läuft auf dem verbundenen Mac und ruft seinen konfigurierten LLM-Anbieter auf. Die Antwort kehrt in dieselbe Unterhaltung zurück.

Zurück zum Vertriebsbericht: Frage in NanthAI nach dem Vergleich, und die verbundene Pi-Runtime kann die Analyse mit dem von NanthAI vorbereiteten Kontext ausführen. Die Antwort kehrt in dieselbe Unterhaltung zurück. Wenn du eine Anschlussfrage stellst, bereitet NanthAI den relevanten Kontext für die nächste Runde vor, während die Runtime die Ausführung übernimmt. Unsere Arbeit an der Kontextzusammenstellung und die Fähigkeiten lokaler Runtimes kommen in einem Arbeitsablauf zusammen.

Die Arbeit geht weiter. Der Kontext kommt mit.

Auch veröffentlicht auf [10].

Das ist wichtig, wenn Menschen Modelle vergleichen, eine Aufgabe fortsetzen oder die Ausführungsumgebung wechseln. NanthAIs gemeinsame Vorbereitung führt den relevanten Unterhaltungszweig, Zusammenfassungen, neue Nachrichten, Erinnerungen und Artefaktbelege zusammen. Dieselbe kanonische Vorbereitung unterstützt Cloud- und lokale Runden.

NanthAI bereitet gemeinsamen Kontext für verschiedene Ausführungswege vor. Jeder Weg behält seine eigenen Werkzeugfähigkeiten.

Betrachte zwei Zweige einer Planungsunterhaltung. Einer untersucht ein vorsichtiges Budget, der andere entwickelt einen ambitionierteren Vorschlag. Jeder kann eine andere Tabelle erzeugen. Die nächste Anfrage sollte die Datei und Annahmen des Zweigs verwenden, in dem der Nutzer weiterarbeitet. Die neueste Datei irgendwo in der Unterhaltung ist nicht automatisch die richtige.

Auch Pi sorgt für Kontinuität, und zwar durch Sitzungen, Zweige und Verdichtung. Earendils Artikel Pi Durable erweitert diese Arbeit um Ausführung mit Checkpoints und Wiederherstellung.[6] Sein Kontext- und Ausführungsdesign verdient es, aus seinen eigenen Voraussetzungen heraus verstanden zu werden.

NanthAI bringt gemeinsamen Kontext in ein Produkt ein, das Clients, Modelle und Ausführungswege einschließlich Pi selbst umfasst. Eine Ausführungsengine kann ihre Arbeitssitzung verwalten, während NanthAI den gemeinsamen Datensatz pflegt. Das ist der praktische Wert der im Mai beschriebenen Trennung: Die Arbeit kann über jede einzelne Modellsitzung hinaus fortgesetzt werden.

Auch veröffentlicht auf [10].

Stelle den Kontext für den nächsten nützlichen Schritt zusammen.

Unsere Artikel vom Mai legten zwei verbundene Prinzipien fest: Fähigkeiten schrittweise bereitstellen und nützlichen Verlauf bewusst zusammenstellen. Pis jüngste Arbeit bringt eine weitere starke Umsetzungsperspektive ein, besonders bei der Werkzeugerkundung und der Verarbeitung von Werkzeugausgaben.

Das gemeinsame Problem ist, wie viele Informationen ein Agent mitführen muss, um nützliche Arbeit zu leisten. Die Ansätze unterscheiden sich darin, was sie auswählen, wann sie es auswählen und welcher Systemteil die Entscheidung verantwortet.

Ein Vergleich der Schwerpunkte: schrittweise Fähigkeiten, ausgewählte Ergebnisse und Kontinuität über die gesamte Arbeit.

Auch Cloudflare und Anthropic haben Arbeiten zur Codeausführung über Werkzeuge veröffentlicht.[7][8] Wir begrüßen die Aufmerksamkeit und Entwicklungsarbeit, die dieses Problem erhält. Es ist wertvoll, funktionierende Entwürfe zu vergleichen und aus den unterschiedlichen Entscheidungen der Teams zu lernen.

Für NanthAI setzt dies die kontinuierliche Arbeit an Skills, Werkzeug-Erinnerungen und zusammengestelltem Kontext fort. Unser Fokus bleibt das Erlebnis, das diese Grundlagen ermöglichen: die gewünschten Modelle wählen, die richtigen Fähigkeiten verfügbar machen und nützliche Arbeit für den nächsten Schritt bereithalten.

Nutze besseren Kontext mit NanthAI

In NanthAI werden diese Architekturentscheidungen zu einer Arbeitsumgebung: Wähle deine Modelle, gestalte ihre Arbeitsabläufe mit Skills, arbeite mit Dateien und mache mit nützlichem Kontext in Reichweite weiter.

Erstelle mit einem Modell einen Entwurf, hole eine weitere Perspektive ein und entscheide, wohin die Unterhaltung führt. Erkunde einen Zweig, ohne die ursprüngliche Richtung zu verlieren. Bringe unterstützte Pi- oder Codex-Arbeit von deinem Mac in dieselben Unterhaltungen ein, die du auf deinem Handy und im Browser nutzt.

Seit Monaten arbeiten wir an den Grundlagen für dieses Erlebnis. Es macht Mut zu sehen, wie Pi, Earendil und andere Teams sich mit ihren Ideen demselben Problem widmen. Besserer Kontext wird zu einem vielfältigeren technischen Austausch, und wir freuen uns, ein funktionierendes Produkt und die Überlegungen dahinter beizutragen.

Die KI, die du brauchst, zum Preis, den du möchtest

NanthAI entdecken

Artikel und Quellen

1. The New Stack: One MCP server used 18,000 tokens before doing anything
2. Earendil: You Said No MCP! (29 September 2026)
3. Pi documentation: MCP servers and tool exposure
4. Pi documentation: Codemode
5. Pi source: Skills and progressive disclosure
6. Earendil: Pi Durable (1 October 2026)
7. Cloudflare: Code Mode: the better way to use MCP
8. Anthropic: Code execution with MCP
9. NanthAI: Skills as Tool Gates (11 May 2026)
10. NanthAI: The Transcript Trap (15 May 2026)

Pi-Logo aus dem offiziellen Pi-Pressekit. Technischer Vergleich auf Grundlage von Quellcode und Dokumentation, geprüft im Oktober 2026.

Auch veröffentlicht auf LinkedIn.