Bei explai sind wir gerne Teil der Berliner Tech-Community — wir lernen von Praktikerinnen und Praktikern, teilen was wir gebaut haben, und stärken Berlin als KI Inkubator. Anfang 2026 haben wir genau das getan: beim PyData Berlin im Januar und bei AI Tinkerers Berlin im März, wo Dirk vor vollen Sälen Agentic Data Science Patterns präsentierte.
Was der Vortrag behandelt hat:
Die Herausforderung des Prompt Engineering
Einen Daten-Agenten zu bauen, der in Demos funktioniert, ist einfach. Die Schwierigkeit beginnt beim Skalieren auf echte Enterprise-Umgebungen: wechselnde Schemas, domänenspezifische Metriken und komplexe Multi-Source-Daten. Der ursprüngliche Ansatz — Custom Prompts, Multi-Source RAG, Datenvorschauen und Trimming — stieß an Grenzen, als das Instruction-Following unter dem Gewicht überfüllter Context Windows litt.
Was funktioniert: Vier Strategien
Vier Strategien adressieren dieses Problem: Write Context (Langzeitgedächtnis und Scratchpad persistieren), Select Context (nur Relevantes abrufen), Compress Context (zusammenfassen und kürzen) und Isolate Context (auf Agenten oder Umgebungen verteilen). Drei konkrete Taktiken setzen diese in die Praxis um.
Taktik 1: Reverse RAG als Progressive Disclosure
Anstatt vorab einen großen Dokumentations-Block zu laden, ruft der Agent strukturierte „Skill"-Dokumente ab — mit Präambel, Voraussetzungen, verwandten Inhalten und konkreten SQL-Beispielen. Er liest gerade genug, um sich zu orientieren, und lädt tiefere Details erst bei Bedarf.
Taktik 2: Kontext über Artefakte schreiben
Anstatt Schema-Details in jedem Gesprächsschritt zu wiederholen, schreibt der Agent strukturierte <table_artifact>-Tags, die Tabellenidentität, Endpunkte, Statistiken und Herkunft im Gesprächszustand speichern — kompakter Kontext mit stabilem Bezug für das Modell.
Taktik 3: Kontext über Code-Sandbox isolieren
Generierte Charts, Tabellen und Zwischenergebnisse verbleiben in der Ausführungsumgebung, anstatt ins Context Window zurückzufließen. Der Agent schreibt Python in eine Sandbox, erhält Variablennamen und Stdout zurück, und das Frontend rendert Artefakt-URIs — große Objekte bleiben vollständig außerhalb des Prompts.
Möchten Sie sehen, wie explai diese Muster auf Ihre Daten anwendet? Kontaktieren Sie uns.