Weniger ist mehr: Studie entzaubert Kontextdateien für KI-Coding

Berlin, 12. September 2026 – Wer KI-Agenten programmieren lässt, packt ihnen in vielen Projekten eine Kontextdatei ins Repository: eine Art Anleitung wie Agents.md, die dem Agenten das Projekt erklärt. Sie soll ihm Orientierung geben, damit er schneller produktiv wird, Standards einhält und weniger Fehler macht – empfohlen wird die Praxis von den Anbietern der Agenten selbst. Eine neue Studie stellt sie nun infrage.^[t3n – Kontextdateien für KI-Coding: Studie entlarvt beliebte Praxis als ineffizient – url: https://t3n.de/news/kontextdateien-agents-md-ki-coding-studie-eth-zuerich-ineffizient-1760349]

Ein eigener Benchmark für Nischenprojekte

Ein Team der ETH Zürich und des Schweizer Start-ups Logicstar.ai hat untersucht, ob solche Kontextdateien bei realen Aufgaben tatsächlich wirken. Die Forscherinnen und Forscher testeten vier gängige Programmieragenten mit passenden Modellen: Claude Code von Anthropic mit Sonnet-4.5, Codex von OpenAI mit GPT-5.2 und GPT-5.1 Mini sowie Qwen Code von Alibaba mit Qwen3-30B-Coder.^[t3n – Kontextdateien für KI-Coding: Studie entlarvt beliebte Praxis als ineffizient – url: https://t3n.de/news/kontextdateien-agents-md-ki-coding-studie-eth-zuerich-ineffizient-1760349]

Als Maßstab nutzten sie den etablierten Benchmark SWE-Bench und entwickelten zusätzlich den neuen CTXbench: 138 reale GitHub-Probleme aus zwölf Nischenprojekten, die bereits über eigene Kontextdateien verfügten. Jede Aufgabe wurde in drei Varianten geprüft – ganz ohne Kontextdatei, mit einer vom Agenten selbst erzeugten Datei und mit der Originaldatei der Entwickler. Ein automatischer Test stellte fest, ob die Lösung funktionierte; zusätzlich wurde gemessen, wie viel Zeit und Rechenleistung die Varianten kosteten.^[t3n – Kontextdateien für KI-Coding: Studie entlarvt beliebte Praxis als ineffizient – url: https://t3n.de/news/kontextdateien-agents-md-ki-coding-studie-eth-zuerich-ineffizient-1760349]

Kein Leistungsgewinn, höhere Kosten

Das Ergebnis ist ernüchternd: Die Bereitstellung von Kontextdateien konnte die Erfolgsraten bei der Aufgabenerledigung im Allgemeinen nicht verbessern. Gleichzeitig trieb sie die Inferenzkosten im Durchschnitt um mehr als 20 Prozent in die Höhe.^[t3n – Kontextdateien für KI-Coding: Studie entlarvt beliebte Praxis als ineffizient – url: https://t3n.de/news/kontextdateien-agents-md-ki-coding-studie-eth-zuerich-ineffizient-1760349]

Die Analyse zeigt, woran es liegt. Die Anweisungen in den Kontextdateien werden demnach von den Agenten gut befolgt und führen zu mehr Tests und einer umfassenderen Überprüfung. Als Übersicht über das Repository funktionierten sie aber nicht: „Konkret stellen wir fest, dass die Anweisungen in den Kontextdateien zwar von den Programmieragenten gut befolgt werden, Repository-Übersichten aber – obwohl sie beliebt sind und von Modellanbietern empfohlen werden – nicht hilfreich sind“, schreiben die Forscher. Ihr Fazit: Kontextdateien sollten „nur spezifische zusätzliche Anweisungen enthalten, die über das hinausgehen, was bereits in der Codebasis verfügbar ist“. Wer sich Leistungsverbesserungen von ihnen verspreche, solle das vor dem Einsatz gründlich evaluieren.^[t3n – Kontextdateien für KI-Coding: Studie entlarvt beliebte Praxis als ineffizient – url: https://t3n.de/news/kontextdateien-agents-md-ki-coding-studie-eth-zuerich-ineffizient-1760349]

Google rechnet derweil in einem Durchlauf

Dass sich Modelle jenseits des Codes ganz anders bewähren können, zeigt ein zweites Beispiel: Google Research hat mit TimesFM-3 ein Vorhersagemodell veröffentlicht, das Zeitreihen zusammen mit verwandten Daten und bekannten künftigen Ereignissen auswertet – etwa Verkaufsaktionen oder Wetterprognosen. Statt die Zukunft Schritt für Schritt fortzuschreiben, füllt das Modell mit 330 Millionen Parametern alle künftigen Zeitpunkte in einem einzigen Durchlauf aus. Das senkt die Rechenzeit und verringert sich aufsummierende Fehler.^[The Decoder – Google's new AI model predicts the future from sales data, weather, and discount schedules – url: https://the-decoder.com/googles-new-ai-model-predicts-the-future-from-sales-data-weather-and-discount-schedules/]

Prüfen vor dem Übernehmen

Beide Beispiele erzählen dieselbe Geschichte aus zwei Richtungen. Etablierte Praktiken rund um KI-Werkzeuge werden selten so gründlich überprüft wie die Modelle selbst – und manche erweisen sich als bloßer Aufwand. Zugleich entstehen neue Ansätze, die Rechenzeit und Fehler reduzieren. Die Lehre liegt dazwischen: Wer KI einsetzt, sollte messen, ob die eigene Praxis wirklich hilft.