# Was sich das Modell merkt: das Kontextfenster
> Ein LLM hat kein Gedächtnis zwischen Nachrichten: Es liest bei jeder Runde das ganze Gespräch neu, und nur begrenzt viel passt hinein. Das ist das Kontextfenster.
Source: https://rfriedmann.de/de/blog/the-context-window/ · English: https://rfriedmann.de/blog/the-context-window/
Published: 2026-06-22 · Track: learn · Level: Beginner
Viele gehen davon aus, dass sich ein Chatbot an sie erinnert wie ein Mensch: Du hast
ihm vorhin etwas erzählt, also weiß er es jetzt. So läuft das aber nicht, und der
tatsächliche Mechanismus erklärt erstaunlich viel Alltagsverhalten: warum er den Anfang
eines langen Chats „vergisst“, warum das Einfügen eines riesigen Dokuments manchmal
scheitert, warum ein neues Gespräch ein Modell repariert, das sich verheddert hat.
Hinter all dem steckt das **Kontextfenster**, und es lohnt sich, das richtig zu
verstehen, weil sich fast alles daran, wie sich ein Chatbot anfühlt, darauf zurückführen
lässt.
## Das Modell hat kein Gedächtnis. Es liest einfach neu.
Ein LLM *erinnert* sich nicht an
deine vorherigen Nachrichten. Zwischen einer Antwort und der nächsten behält es nichts.
Was tatsächlich passiert: Jedes Mal, wenn du auf Senden drückst, packt die Chat-Software
das *gesamte bisherige Gespräch* zusammen, deine Nachrichten und seine eigenen, und gibt
alles als einen langen Text wieder hinein. Das Modell liest das komplett neu, von vorn
bis hinten, und setzt es fort (die
[Rate-das-nächste-Wort-Schleife](/de/blog/what-is-an-llm/), die du schon kennst).
Bei jeder Runde geht das ganze Gespräch wieder hinein
[diagram omitted — see the page for the chart]
Es „kennt“ deinen Namen, weil die Zeile, in der du ihn genannt hast, direkt in dem Text steht, den es gerade neu gelesen hat, nicht weil es eine Erinnerung gespeichert hat. Fällt diese Zeile aus dem Fenster, ist das Wissen einfach weg.
Wenn ein Chatbot sich also an deinen Namen von vorhin „erinnert“, ruft er nichts ab, er
liest neu. Die Information ist da, weil sie physisch noch im eingegebenen Text steht.
Diese eine Tatsache ist der Schlüssel zum Fenster: **Das Modell weiß nur, was gerade im
Fenster steht.** Nicht, was du letzte Woche gesagt hast, nicht, was oben aus einem langen
Chat herausgefallen ist. Steht es nicht im Text vor ihm, ist es für das Modell nie
passiert.
## Das Fenster hat eine harte Grenze
Dieses Paket kann nicht endlos wachsen. Jedes Modell hat eine maximale Kontextgröße, die
meisten Tokens, die es auf einmal aufnehmen kann. Ältere Modelle schafften ein paar
Tausend; heute reicht die Spanne von Zehntausenden bis, bei den großen gehosteten
Modellen, zu Hunderttausenden oder sogar über eine Million Tokens. Groß, aber immer
endlich.
Wird ein Gespräch lang genug, um an diese Decke zu stoßen, muss etwas weichen, und
typischerweise wird der *älteste* Text hinausgeschoben, um Platz zu machen, wie bei einem
Förderband, von dem vorn der Anfang herunterfällt.
Langer Chat: Die ältesten Runden rutschen aus dem Fenster
[diagram omitted — see the page for the chart]
Ist das Fenster voll, rückt es weiter. Die frühesten Nachrichten fallen heraus und hören, soweit es das Modell betrifft, auf zu existieren. Deshalb scheint ein sehr langer Chat zu „vergessen“, wie er angefangen hat: Es kann diesen Teil buchstäblich nicht mehr sehen.
Das ist der Mechanismus hinter „Die KI hat vergessen, was wir am Anfang
vereinbart haben.“ Sie hat nicht im menschlichen Sinn vergessen; der Text ist aus dem
Fenster gefallen. (Manche Produkte gleichen das mit separaten Langzeit-„Memory“-Funktionen,
aus, die gespeicherte Fakten still wieder einfügen, aber das ist eine Schicht *obendrauf*,
nicht das Modell, das sich von selbst erinnert.)
## Warum das so viel erklärt
Wenn du „es weiß nur, was im Fenster steht“ im Kopf behältst, sind viele Eigenheiten von
Chatbots kein Rätsel mehr:
- **Lange Chats driften ab oder vergessen.** Der Anfang ist hinausgerutscht, oder es gibt
inzwischen so viel Text, dass das Relevante darin begraben ist. Modelle achten in einem
langen Fenster außerdem meist am besten auf den Anfang und das Ende und verlieren, was
in der Mitte strandet.
- **„Neuen Chat starten“ hilft.** Ein verwirrtes, überladenes Gespräch schleppt
seine ganze Verwirrung in jede Runde mit, weil alles jede Runde neu gelesen wird. Ein
neuer Chat ist ein leeres Fenster: unbeschriebenes Blatt, kein Ballast.
- **Ein riesiges Dokument einzufügen kann scheitern oder teuer werden.** Es muss neben
deiner Frage ins Fenster *passen*, und bei kostenpflichtigen APIs zahlst du
[pro Token](/de/blog/why-models-cant-spell/) für alles, was darin steht, bei jeder Runde.
- **Kontext wird geteilt, er ist nicht gratis.** Dokument, Anweisungen, Gespräch und die
gerade entstehende Antwort zehren alle vom selben festen Budget. Füllst du es mit einer
riesigen eingefügten Datei, bleibt weniger Platz für eine lange Antwort.
## Was du praktisch mitnimmst
Du musst keine Tokens zählen, um das gut zu nutzen. Ein paar Gewohnheiten ergeben sich
direkt daraus:
Arbeitet mit dem Fenster
Neuer Chat für ein neues Thema, fokussiert bleiben
Das Wichtige nah an deine letzte Nachricht stellen
Nur den relevanten Teil eines langen Dokuments einfügen
Eine zentrale Vorgabe wiederholen, wenn der Chat lang geworden ist
Arbeitet gegen das Fenster
Ein sehr langer Thread für alles
Annehmen, dass es sich an das Gespräch von letzter Woche erinnert
Ein ganzes Buch einfügen und nach Seite 1 fragen
Erwarten, dass Details mitten im Kontext hängen bleiben
Das Kontextfenster ist alles, was das Modell während einer Antwort sehen kann: groß, aber
begrenzt, und in dem Moment leer, in dem du einen neuen Chat öffnest. Fast alles, was sich
wie Gedächtnis anfühlt oder wie dessen Fehlen, hängt in Wahrheit davon ab, was gerade in
diesem Fenster steht.
Wenn du die Ingenieursversion willst, *warum* das Fenster eine Decke hat und was es
tatsächlich an Speicher kostet: Das ist der [KV-Cache](/de/blog/kv-cache-and-long-context/),
der eigentliche Engpass hinter langem Kontext. Und warum ein Modell selbstsicher über Text
antworten kann, der *nicht* in seinem Fenster steht, nämlich indem es ihn erfindet, ist
eine eigene [Geschichte](/de/blog/why-models-make-things-up/).