> ## Documentation Index
> Fetch the complete documentation index at: https://docs.localmind.ai/llms.txt
> Use this file to discover all available pages before exploring further.

# Kontextfenster

> Was Tokens und Kontextfenster sind, warum sie wichtig sind und wie du sie optimal nutzt.

Das Kontextfenster ist das "Arbeitsgedächtnis" eines KI-Modells. Es bestimmt, wie viel Information das Modell gleichzeitig verarbeiten kann – und ist einer der wichtigsten Faktoren für die Qualität der Ergebnisse.

## Was sind Tokens?

Ein Token ist die kleinste Einheit, in der ein KI-Modell Text verarbeitet. Ein Token ist NICHT gleich ein Wort – die Umrechnung variiert je nach Sprache:

| Sprache  | Durchschnittliche Tokens pro Wort | 1000 Tokens ≈ |
| -------- | --------------------------------- | ------------- |
| Englisch | \~1,3 Tokens/Wort                 | \~750 Wörter  |
| Deutsch  | \~1,5 Tokens/Wort                 | \~650 Wörter  |
| Code     | \~2–3 Tokens/Wort                 | \~400 Wörter  |

<Note>
  **Faustregel für Deutsch:** 1 Seite Text ≈ 400–500 Tokens. Ein 50-Seiten-Dokument verbraucht also ca. 20.000–25.000 Tokens.
</Note>

## Was ist ein Kontextfenster?

Das Kontextfenster definiert die maximale Anzahl an Tokens, die ein Modell in einer einzelnen Interaktion verarbeiten kann – **Input (deine Nachricht + System-Prompt + Konversationsverlauf) UND Output (die Antwort) zusammen.**

```text theme={null}
Kontextfenster = System-Prompt + Konversationsverlauf + dein Prompt + Dokumente + Antwort des Modells
```

<Warning>
  Wenn der gesamte Kontext das Fenster überschreitet, wird älterer Kontext abgeschnitten – oft ohne Warnung. Das kann zu inkonsistenten oder falschen Antworten führen.
</Warning>

### Typische Kontextfenster-Größen

| Kategorie | Größe            | Entspricht ungefähr |
| --------- | ---------------- | ------------------- |
| Klein     | 4k–8k Tokens     | 5–10 Seiten Text    |
| Mittel    | 32k–128k Tokens  | 40–160 Seiten Text  |
| Groß      | 200k–500k Tokens | 250–600 Seiten Text |
| Sehr groß | 1M–2M+ Tokens    | 1.250+ Seiten Text  |

## Das "Lost in the Middle" Problem

Forschungsergebnisse zeigen: Informationen am **Anfang** und **Ende** des Kontextfensters werden besser verarbeitet als Informationen in der **Mitte**. Das bedeutet:

<Info>
  **Wichtige Informationen gehören an den Anfang oder das Ende deines Prompts – nicht in die Mitte.** Bei sehr langen Kontexten kann das Modell Informationen in der Mitte "übersehen".
</Info>

### Praktische Konsequenzen

* **System-Prompt:** Steht immer am Anfang – gut, die wichtigsten Regeln werden zuverlässig befolgt
* **Lange Dokumente:** Wenn möglich, die relevantesten Abschnitte am Anfang platzieren
* **Konversationsverlauf:** Ältere Nachrichten landen in der "Mitte" und können weniger Einfluss haben

## Kontextfenster effizient nutzen

### Nur relevanten Kontext einfügen

Mehr Kontext = nicht automatisch bessere Ergebnisse. Irrelevanter Kontext kann die Qualität sogar verschlechtern:

| Ansatz                              | Beschreibung                                | Effekt                                                   |
| ----------------------------------- | ------------------------------------------- | -------------------------------------------------------- |
| Ganzes Dokument einfügen            | 50-Seiten-Handbuch als Kontext              | Schlecht – das Modell muss die Nadel im Heuhaufen finden |
| Relevante Abschnitte vorselektieren | Nur die 3 relevanten Kapitel                | Gut – fokussierter Kontext, bessere Antworten            |
| RAG / Hybrid Search nutzen          | Automatische Vorauswahl relevanter Passagen | Optimal – skaliert und ist präzise                       |

### Bei langen Konversationen

In langen Chat-Verläufen wächst der Token-Verbrauch mit jeder Nachricht. Strategien:

* **Neue Konversation starten:** Wenn das Thema wechselt, starte einen neuen Chat
* **Zusammenfassung einfügen:** "Fasse unsere bisherige Diskussion zusammen" – und starte dann einen neuen Chat mit dieser Zusammenfassung als Kontext
* **System-Prompt kompakt halten:** Ein langer System-Prompt verbraucht bei JEDER Nachricht Tokens

### Automatische Chat-Zusammenfassung

Seit v1.0.0-beta.4 fasst Localmind lange Konversationen automatisch zusammen, sobald du dich dem Kontextlimit des gewählten Modells näherst. Ältere Nachrichten werden im Hintergrund verdichtet, die wesentlichen Fakten und der Gesprächsfaden bleiben erhalten — du chattest weiter, ohne dass der Verlauf abgeschnitten wird.

<Note>
  Die Zusammenfassung ersetzt ältere Originalnachrichten im Kontext, nicht in der [Chat History](/navigation/Chat-History). Du kannst jederzeit nach oben scrollen und die Originalnachrichten weiter lesen.
</Note>

<Tip>
  Bei einem klaren Themenwechsel ist ein neuer Chat trotzdem oft die bessere Wahl — die automatische Zusammenfassung verdichtet, vermischt aber unter Umständen Themen, die du sauber getrennt halten möchtest. Plane außerdem dein Token-Budget: Bei einem 128k-Kontextfenster und einem 50-Seiten-Dokument (\~25k Tokens) bleiben noch \~100k Tokens für System-Prompt, Konversationsverlauf und Antwort — bei Reasoning-Modellen kann der Denkprozess allein 10–30k Tokens verbrauchen.
</Tip>

## Nächste Schritte

<CardGroup cols={2}>
  <Card title="Modellauswahl" icon="scale" href="/arbeiten-mit-ki/modellauswahl">
    Finde das Modell mit dem passenden Kontextfenster.
  </Card>

  <Card title="Output-Qualität" icon="chart-line" href="/arbeiten-mit-ki/Output-Qualitaet">
    Temperature, Top-P und andere Parameter verstehen.
  </Card>
</CardGroup>