Glossar

Die Begriffe in diesem Glossar tauchen in fast jedem Text über KI auf, und erklärt werden sie dabei selten. RAG, Context Engineering, Few-Shot-Prompting und Agentic AI stehen jeweils für eine konkrete Entscheidung darüber, ob ein Modell am Ende brauchbar antwortet.

Ich schreibe die Einträge, weil ich die Begriffe selbst brauche. Ich arbeite als Senior B2B Content Strategist mit KI-Agenten und automatisierten Workflows, und jeder Eintrag hier beschreibt etwas, das ich in echten Projekten benutzt oder wieder verworfen habe. Wo eine Technik in der Praxis nicht hält, was sie verspricht, steht das im Text.

Die Erklärungen sind bewusst länger als eine Definition im Wörterbuch. Ein Satz reicht, um ein Wort zu übersetzen, aber nicht, um zu verstehen, wann du es einsetzt und was es dich kostet.

Jeder Eintrag beginnt mit einer kurzen Definition und wird danach ausführlicher: woher der Begriff kommt, wofür er im Alltag steht und woran du merkst, dass ihn jemand falsch verwendet. Hängt ein Thema mit einem anderen zusammen, ist es am Ende verlinkt.

Das Glossar wächst mit dem, was ich gerade baue. Wenn dir ein Begriff fehlt, schreib mir auf LinkedIn.

A

Agentic AI: Agentic AI bezeichnet KI-Systeme, die ein Ziel eigenständig in Teilschritte zerlegen, Werkzeuge wie Browser, APIs oder Datenbanken einsetzen und ihr eigenes Ergebnis prüfen, bevor sie es als erledigt melden. Anders als ein klassischer Chatbot wartet ein solcher Agent nicht auf die nächste Anweisung, sondern plant, handelt und korrigiert sich in einer Schleife, bis das Ziel erreicht ist oder er scheitert. Die zugrunde liegende Technik ist meist ein Large Language Model, das hier als Planungsinstanz arbeitet und nicht mehr nur als Textgenerator. Weil der Agent selbst entscheidet, welche Schritte notwendig sind, verschiebt sich die menschliche Rolle vom Ausführen zum Kontrollieren.
Artificial General Intelligence: Artificial General Intelligence (AGI), im Deutschen Künstliche Allgemeine Intelligenz, bezeichnet das theoretische Konzept einer Maschine mit menschenähnlicher, universeller Kognition. Anders als heutige KI-Systeme wäre eine AGI nicht auf einen Anwendungsbereich beschränkt, sondern könnte Wissen aus einem Kontext auf einen völlig neuen übertragen, ohne dafür neu programmiert zu werden. Aktuell ist AGI ein Forschungsziel und kein existierendes Produkt: Alle heute verfügbaren Systeme, von Sprachmodellen bis zu Fahrassistenten, gelten als Schwache KI, spezialisiert auf einzelne Aufgaben.

C

Content Chunking: Content Chunking ist die Zerlegung eines Textes in abgeschlossene Sinneinheiten, sogenannte Chunks. Der Begriff bezeichnet zwei unterschiedliche Praktiken: die klassische Gliederung eines Textes in Absätze, Listen und Zwischenüberschriften für menschliche Leser, und die technische Zerlegung eines Dokuments für eine Vektordatenbank, aus der ein RAG-System die passenden Textstücke abruft. Für Menschen entscheidet Chunking über Lesbarkeit, für Maschinen darüber, ob eine KI überhaupt die richtige Information findet. Wer online veröffentlicht, braucht heute beides.
Content Marketing: Content Marketing ist ein strategischer Marketing-Ansatz, der auf wertvolle, relevante und konsistente Inhalte statt auf klassische Werbebotschaften setzt: Ein Unternehmen wird gefunden, statt sich mit Anzeigen ins Blickfeld zu drängen. Der Mechanismus dahinter ist Reziprozität, ein Unternehmen bietet zuerst einen Mehrwert, bevor es eine Gegenleistung wie einen Kauf erwarten kann. Anders als eine Werbekampagne läuft ein guter Content-Hub über Jahre weiter und bringt auch dann noch organischen Traffic, wenn das Werbebudget längst aufgebraucht ist. Der Erfolg hängt an einer klaren Strategie, die Themen konsequent auf die Customer Journey der Zielgruppe abstimmt.
Context Engineering: Context Engineering ist die systematische Arbeit an allem, was ein Sprachmodell außer dem eigentlichen Prompt zu sehen bekommt. Dazu zählen Dokumente, der bisherige Gesprächsverlauf, feste Systemregeln und Daten, die erst zur Laufzeit abgerufen werden. Es entscheidet, was in das begrenzte Kontextfenster darf und was draußen bleibt, damit das Modell mit echtem Wissen antwortet statt mit Wahrscheinlichkeiten zu raten. Anders als Prompt Engineering, das die einzelne Anweisung formuliert, baut Context Engineering die Informationsumgebung drumherum, meist über RAG, Vektordatenbanken und System-Prompts.

F

Few Shot Prompting: Few Shot Prompting ist eine Prompt-Engineering-Technik, bei der ein Sprachmodell im Prompt mehrere Beispiele für die gewünschte Aufgabe bekommt, meist zwei bis fünf. Das Modell erkennt aus diesen Beispielen das Muster für Format und Ton und wendet es auf die eigentliche Anfrage an, ohne dass sich seine trainierten Gewichte ändern. Der Effekt heißt In-Context Learning: Das Modell lernt für die Dauer der Anfrage, nicht dauerhaft. Ab einer bestimmten Zahl bringt ein zusätzliches Beispiel kaum noch etwas, es kostet nur noch Platz im Context Window.

L

Large Language Models: Large Language Models sind KI-Systeme, die auf der Transformer-Architektur basieren und mit riesigen Textmengen trainiert wurden, um Sprache statistisch vorherzusagen. Sie zerlegen jede Eingabe in Tokens, meist Silben oder Wortfragmente, und berechnen daraus, welches Wort als Nächstes am wahrscheinlichsten folgt. Modelle wie GPT-5, Claude oder Gemini setzen das heute für Textausgabe, mehrstufiges Schlussfolgern und den eigenständigen Einsatz von Werkzeugen ein. Wie gut ein LLM funktioniert, hängt weniger von seiner reinen Größe ab als von der Qualität der Trainingsdaten und der Architektur dahinter.

M

Machine Learning (ML): Machine Learning ist ein Teilgebiet der Informatik, bei dem Systeme aus Daten lernen, statt für jede Aufgabe feste Regeln zu bekommen. Ein Algorithmus bekommt Beispiele, findet darin Muster und leitet daraus ein Modell ab, das er anschließend auf neue, unbekannte Fälle anwendet. Je nachdem, ob die Trainingsdaten mit der richtigen Antwort versehen sind oder nicht, unterscheidet man überwachtes, unüberwachtes und bestärkendes Lernen. Große Sprachmodelle wie Claude oder GPT-5 sind eine Anwendung von Machine Learning, keine eigene Kategorie daneben.
Model Context Protocol (MCP): Das Model Context Protocol (MCP) ist ein offener Standard, der festlegt, wie KI-Modelle strukturiert auf externe Daten und Werkzeuge zugreifen. Anthropic hat ihn entwickelt, die Projektführung liegt inzwischen bei der Linux Foundation. Statt für jede Kombination aus Modell und Tool einen eigenen Adapter zu bauen, baut ein Entwickler einen MCP-Server einmal, und jeder MCP-fähige Client kann ihn nutzen. Technisch basiert das Protokoll auf JSON-RPC und trennt sauber zwischen Host, Client und Server.

P

Prompt: Ein Prompt ist die Eingabe, mit der du ein Sprachmodell wie ChatGPT oder Claude steuerst, formuliert in natürlicher Sprache statt in Programmcode. Er setzt den Rahmen, in dem das Modell rechnet, von der Rolle bis zum Ziel der Antwort. Wie präzise dieser Rahmen ist, entscheidet direkt über die Qualität der Antwort, ein vager Prompt liefert einen vagen Output. Das gezielte Konstruieren solcher Eingaben heißt Prompt Engineering.
Prompt Engineering: Prompt Engineering ist die gezielte Formulierung von Texteingaben für generative KI, mit dem Ziel, ein präzises und wiederholbares Ergebnis zu bekommen. Es ist kein Programmieren, sondern sprachliche Arbeit: Man gibt dem Modell explizit mit, was es sonst erraten müsste. Techniken wie Few-Shot-Prompting oder Chain-of-Thought steuern, wie das Modell aus seinen trainierten Mustern das gewünschte Ergebnis ableitet. Der Begriff bezieht sich auf den einzelnen Prompt, nicht auf das gesamte Kontextfenster, das dem Modell zur Verfügung steht, das ist die Aufgabe von Context Engineering.

R

Retrieval Augmented Generation (RAG): Retrieval Augmented Generation, kurz RAG, ist eine Methode, die einem Sprachmodell erlaubt, vor der Antwort in externen Quellen nachzuschlagen, statt sich allein auf sein Training zu verlassen. Das System sucht zur Nutzerfrage die passenden Textstellen aus deinen Dokumenten und gibt sie dem Modell als Grundlage mit. So beantwortet die KI Fragen zu deiner Preisliste oder deinen internen Richtlinien korrekt, ohne dass du das Modell dafür neu trainieren musst. Der kritische Schritt dabei ist die Suche: Findet das System die falsche Textstelle, wird auch die Antwort falsch.

T

Token (LLMs): Ein Token ist die kleinste Einheit, in die ein Sprachmodell Text zerlegt, bevor es damit rechnet. Das ist selten ein ganzes Wort, häufiger eine Silbe, ein Wortfragment oder ein Satzzeichen. Im Englischen entsprechen 1.000 Token etwa 750 Wörtern, im Deutschen wegen der vielen Komposita eher 600 bis 700. Tokens sind zugleich die Abrechnungseinheit der Anbieter und das Maß, an dem das Context Window hängt.
Trainingsdaten (KI): Trainingsdaten sind das Material, aus dem ein KI-Modell seine Muster lernt, etwa Texte oder Bilder, die ein Algorithmus während des Trainings analysiert, um Wahrscheinlichkeiten und Zusammenhänge zu berechnen. Im überwachten Lernen bestehen sie aus Input-Daten (Features) und den erwarteten Output-Daten (Labels), die dem Modell zeigen, ob es richtig lag. Die Qualität dieses Materials entscheidet direkt darüber, ob ein Modell später zuverlässig arbeitet oder halluziniert und verzerrte Ergebnisse liefert. Ein Modell ist am Ende nichts anderes als eine mathematische Zusammenfassung der Daten, mit denen es gefüttert wurde.

V

Vibe Coding: Vibe Coding bezeichnet eine Arbeitsweise, bei der du einer KI die Absicht hinter einer Funktion in natürlicher Sprache beschreibst, statt den Code selbst zu schreiben, und das Ergebnis nur noch am Verhalten beurteilst, nicht an der Quelltextzeile. Geprägt hat den Begriff der KI-Forscher Andrej Karpathy im Februar 2025. Für einen Prototyp funktioniert das gut, weil ein Fehler dort schnell auffällt und wenig kostet. Sobald jemand den Code später warten muss, wird genau das zum Problem, weil niemand mehr genau weiß, was eigentlich drinsteht.

Z

Zero Shot Prompting: Zero-Shot-Prompting ist eine Prompting-Technik, bei der ein Sprachmodell eine Aufgabe allein anhand der Anweisung löst, ohne dass der Prompt Beispiele dafür enthält. Das Modell stützt sich dabei auf das Wissen aus seinem Training, nicht auf ein Muster, das du ihm im selben Gespräch vorgibst. Die Technik funktioniert gut bei Aufgaben, die das Modell aus seinen Trainingsdaten schon in ähnlicher Form kennt, etwa Zusammenfassen oder Klassifizieren, und stößt an ihre Grenzen, sobald die gewünschte Ausgabe eine sehr spezifische Form braucht. Den Unterschied macht dann die Formulierung der Anweisung, nicht ihre Länge.