Kontextdateien für KI-Agenten: Mehr Kosten, kein Mehrwert
Wer KI-Coding-Agenten mit Dateien wie Agents.md steuert, zahlt laut einer ETH-Zürich-Studie im Schnitt 20 Prozent mehr, ohne bessere Ergebnisse zu bekommen. Das ist relevant für alle, die KI-Tools in der Softwareentwicklung einsetzen und dabei die Kosten im Blick behalten müssen.
Wer KI-Coding-Agenten nutzt, pflegt oft sogenannte Kontextdateien. Agents.md ist die bekannteste davon. Diese Dateien sollen dem KI-Agenten erklären, wie ein Projekt aufgebaut ist und welche Standards gelten. Die Hersteller der Tools empfehlen diese Praxis ausdrücklich. Eine Studie der ETH Zürich kommt nun zu einem anderen Schluss: Kontextdateien bringen kaum etwas, kosten aber deutlich mehr.
Was Kontextdateien leisten sollen
KI-Coding-Agenten wie Claude Code von Anthropic oder Codex von OpenAI arbeiten direkt in Code-Repositorys. Das sind die Ordner, in denen der Quellcode eines Projekts liegt. Damit der Agent versteht, wie das Projekt strukturiert ist, legen Entwicklerinnen und Entwickler Kontextdateien an. Diese enthalten Informationen über Architektur, Coding-Standards und Projektkonventionen.
Die Idee dahinter ist naheliegend: Je mehr Kontext der Agent hat, desto besser soll er arbeiten. Viele Entwicklerinnen und Entwickler folgen dieser Logik, auch in kleinen Teams mit wenig Ressourcen.
Was die ETH Zürich gemessen hat
Forscherinnen und Forscher der ETH Zürich haben gemeinsam mit dem Schweizer Startup Logicstar.ai untersucht, ob diese Annahme stimmt. Dafür entwickelten sie einen neuen Benchmark namens CTXbench. Er enthält 138 reale Aufgaben aus zwölf kleineren, weniger bekannten Github-Projekten. Diese Projekte hatten bereits eigene Kontextdateien.
Das Team testete vier Coding-Agenten mit verschiedenen Modellen: Claude Code mit Sonnet-4.5, Codex mit GPT-5.2 und GPT-5.1 Mini sowie Qwen Code von Alibaba mit Qwen3-30B-Coder. Jede Aufgabe lief in drei Varianten: ohne Kontextdatei, mit einer vom Agenten selbst generierten Datei und mit der Originaldatei der Entwicklerinnen und Entwickler.
Ergänzend nutzten die Forscherinnen und Forscher den Benchmark SWE-Bench. Er misst, wie gut KI-Agenten echte Softwareprobleme aus bekannten, großen Projekten lösen.
Das Ergebnis: Teurer, aber nicht besser
Die Studie zeigt: Kontextdateien verbessern die Erfolgsquote bei der Aufgabenlösung nicht. Die Agenten befolgen zwar die Anweisungen in den Dateien. Sie schreiben dadurch mehr Tests und prüfen Code gründlicher. Die eigentliche Aufgabe lösen sie aber nicht häufiger korrekt.
Besonders ins Gewicht fällt der Kosteneffekt. Der Einsatz von Kontextdateien treibt die sogenannten Inferenzkosten, also die Rechenkosten für jeden KI-Aufruf, im Durchschnitt um mehr als 20 Prozent nach oben. Das liegt daran, dass die zusätzlichen Informationen den Kontext vergrößern, den das Modell verarbeiten muss.
Die Forscherinnen und Forscher stellen ausdrücklich fest: Repository-Übersichten in Kontextdateien, also Beschreibungen der Projektstruktur, sind nicht hilfreich. Das gilt, obwohl sie beliebt sind und von den Modellanbietern empfohlen werden.
Was das für kleine Teams bedeutet
Wer ein junges Unternehmen mit wenigen Entwicklerinnen oder Entwicklern führt und KI-Coding-Tools einsetzt, sollte diese Ergebnisse ernst nehmen. Die KI-Kosten sind ein echter Budgetposten. Ein Anstieg um 20 Prozent ohne erkennbaren Nutzen ist kein theoretisches Problem.
Konkret heißt das: Wer bisher Agents.md oder ähnliche Dateien als selbstverständlichen Teil des Workflows betrachtet hat, sollte die Praxis hinterfragen. Die Studie legt nahe, dass solche Dateien vor allem dann sinnvoll sein können, wenn sie sehr spezifische Verhaltensregeln enthalten, etwa Vorgaben zu Testformaten oder Codekonventionen. Allgemeine Projektbeschreibungen bringen dagegen offenbar wenig.
Eine in der Praxis diskutierte Alternative: Statt Kontextdateien können Entwicklerinnen und Entwickler Regeln direkt in Linter-Konfigurationen und CI-Pipelines überführen. Diese Werkzeuge prüfen Code automatisch und unabhängig vom KI-Agenten, was Kontext und damit Kosten spart.
Fazit
Die Studie der ETH Zürich ist ein nüchterner Befund. Eine weit verbreitete Praxis, die von den Herstellern empfohlen wird, hält einer systematischen Prüfung nicht stand. Wer KI-Coding-Agenten einsetzt, sollte die eigenen Kontextdateien auf ihren tatsächlichen Inhalt prüfen. Allgemeine Repository-Beschreibungen können weg. Was bleibt, sind spezifische Verhaltensanweisungen, die der Agent tatsächlich umsetzt. Alles andere kostet Geld ohne Gegenleistung.
