Context7 und die Infrastrukturschicht, die Ihren KI-Agenten fehlt
Im letzten Beitrag habe ich vier Arten beschrieben, wie Kontext scheitert. Sie erklären die meisten Pannen mit KI-Agenten. Am häufigsten ist verschmutzter Kontext: Veraltete oder halluzinierte Information gelangt ins Fenster und pflanzt sich fort. Context7 ist die beliebteste Abhilfe. Im März 2026 hatte es über 44.000 Sterne auf GitHub und 8 Millionen npm-Downloads. Damit gehört es zu den meistgenutzten MCP-Servern überhaupt.
Diese Beliebtheit ist verdient. Eine im März veröffentlichte Lücke in der Supply Chain erzählt aber eine interessantere Geschichte darüber, was Context Engineering wirklich verlangt.
Das Problem, ganz konkret
Bitten Sie einen beliebigen KI-Coding-Assistenten um eine Next.js-Seite, die ihre Daten serverseitig lädt. Ohne aktuelle Dokumentation im Kontext erzeugen die meisten Modelle so etwas:
// ❌ Pages Router: älteres Muster
export async function getServerSideProps() {
const res = await fetch('https://api.example.com/data')
const data = await res.json()
return { props: { data } }
}
export default function Page({ data }) {
return <div>{data.title}</div>
}Das ist getServerSideProps, ein Muster aus dem Pages Router, von dem sich Next.js abgewandt hat. Das Modell liegt nicht falsch. Seine Trainingsdaten sind voll von älterem Code für den Pages Router. Der Code kompiliert. Er läuft sogar. Aber die Architektur ist falsch. Wer ihm vertraut, erbt ab der ersten Zeile technische Schulden.
Spielt Context7 die aktuelle Next.js-Dokumentation ins Kontextfenster ein, liefert dasselbe Modell:
// ✅ App Router: asynchrone Server Component
export default async function Page() {
const data = await fetch('https://api.example.com/data')
const posts = await data.json()
return (
<ul>
{posts.map((post) => (
<li key={post.id}>{post.title}</li>
))}
</ul>
)
}Gleiches Modell, gleicher Prompt. Anderer Kontext, anderes Ergebnis. Das ist die ganze These des Context Engineering in einem Beispiel.
Was Context7 eigentlich macht
Context7 ist ein MCP-Server von Upstash. Er spielt zum Zeitpunkt der Anfrage aktuelle, versionsgenaue Dokumentation ins Kontextfenster der KI ein. Er indiziert über 100.000 Bibliotheken, sortiert die Treffer mit einem eigenen Bewertungsverfahren und stellt sie über zwei MCP-Tools bereit: eines löst den Namen einer Bibliothek auf, das andere holt ihre Dokumentation.
Die Developer Experience ist bewusst schlicht. Schreiben Sie in Cursor, Claude Code oder einem anderen MCP-fähigen Client einfach „use context7“ in den Prompt. Der Server erkennt die Bibliothek, holt die aktuelle Doku, gewichtet sie nach der Frage und spielt die passenden Ausschnitte ein. Für diese Bibliothek sieht das Modell keine veralteten Trainingsdaten mehr, sondern den aktuellen Stand.
Ein Umbau der Architektur im Januar 2026 senkte den Token-Verbrauch um 65 % und die Latenz um 38 %: Statt das LLM immer wieder suchen und filtern zu lassen, sortiert jetzt der Server die Treffer.
Die technische Pipeline ist entscheidend. Die Dokumentation wird geparst und mit Metadaten aus einem LLM angereichert. Dann wird sie für die semantische Suche in Upstash Vector vektorisiert, bewertet und in Redis zwischengespeichert. Zur Qualitätssicherung gehören eine Bewertung des Rufs jeder Quelle, automatisierte Benchmarks und Schutz vor Injection. Context7 ist kein Spiegel der Dokumentation. Es ist ein Retrieval-System, das genau auf die Bedürfnisse von Sprachmodellen zugeschnitten ist.
MCP als Infrastrukturschicht
Beim Erfolg von Context7 geht es nicht nur um Dokumentation. Sie zeigt, dass MCP (Model Context Protocol) zur Infrastrukturschicht des Context Engineering wird.
Die Zahlen sprechen für sich: Im Dezember 2025 gab es über 10.000 aktive MCP-Server und 97 Millionen SDK-Downloads im Monat. Claude, ChatGPT, Cursor, Gemini und VS Code unterstützen das Protokoll vollständig. Im Dezember 2025 hat Anthropic MCP an die Linux Foundation übergeben und mit OpenAI und Block die Agentic AI Foundation gegründet. AWS, Google, Microsoft und Cloudflare sind als unterstützende Mitglieder dabei.
MCP standardisiert, wie Agenten sich mit externen Werkzeugen und Daten verbinden. Context7 ist die sichtbarste Anwendung: Dokumentation als Dienst, geliefert über ein Protokoll, das jeder große KI-Client schon spricht. Dasselbe Muster gilt aber für jede Kontextquelle: Datenbank, API, interne Wissensbasis oder Monitoring. MCP macht Context Engineering kombinierbar.
Wenn Context Engineering die Disziplin ist, ist MCP die Rohrleitung.
Deshalb zählt das MCP-Ökosystem mehr als jeder einzelne Server. Wer heute Kontextarchitekturen baut, hängt nicht an einem Werkzeug. Mehrere MCP-Server für Dokumentation, Codesuche, Projektmanagement und Deployment-Status bilden zusammen eine Kontextschicht. Sie gibt Agenten genau das, was die aktuelle Aufgabe verlangt. Das ist schrittweise Offenlegung auf der Ebene der Infrastruktur.
Das Vertrauensproblem, über das niemand spricht
Im März 2026 haben Sicherheitsforscher von Noma eine Lücke namens ContextCrush veröffentlicht. Angreifer konnten in der offenen Registry von Context7 bösartige Bibliotheken anmelden und vergiftete Anweisungen als Dokumentation tarnen. Der MCP-Server lieferte diese Anweisungen wörtlich an KI-Coding-Assistenten aus. Die hielten sie für maßgeblich und führten sie mit vollem Zugriff auf ihre Werkzeuge aus.
Die vorgeführten Angriffe waren ernst. Sie stahlen Zugangsdaten aus .env-Dateien, schleusten Daten in Repositories der Angreifer aus und tarnten zerstörerische Dateioperationen als „Aufräumen“. Upstash lieferte binnen fünf Tagen einen Fix. Nach allem, was bekannt ist, wurde die Lücke nicht ausgenutzt.
Wichtiger als der Vorfall ist aber die Lehre für die Architektur. Context7 hat die Verschmutzung durch veraltete Dokumentation gelöst. ContextCrush hat eine neue Spielart desselben Fehlers offengelegt: Verschmutzung durch gezielt eingeschleuste Inhalte. Das Modell kann legitime Ausgaben eines Tools nicht von einer untergeschobenen Anweisung unterscheiden. Es vertraut dem, was im Fenster steht.
Beim Context Engineering geht es nicht nur darum, was ins Fenster kommt. Es geht darum, wem Sie zutrauen, es zu füllen.
Darin liegt die erkenntnistheoretische Herausforderung jeder Agentenarchitektur. Jeder MCP-Server, jede RAG-Pipeline, jede externe Datenquelle ist eine Vertrauensgrenze. Der Agent hält alles in seinem Kontext für wahr. Ist eine Quelle kompromittiert oder auch nur falsch, erbt alles Weitere den Fehler. Mit voller Überzeugung.
Was das für Ihre Architektur heißt
Context7 ist ein starkes Werkzeug, das ein echtes Problem löst. Nutzen Sie es. Es löst aber nur eine von vier Fehlerarten. Und ausgerechnet diese Lösung hat eine Spielart einer anderen eingeschleppt.
Die Infrastrukturschicht reift schnell. MCP macht Kontext kombinierbar. Werkzeuge wie Context7 liefern aktuelle Dokumentation. Die Kontextarchitektur selbst nimmt Ihnen aber kein Werkzeug ab. Was kommt ins Fenster? Wie ist es strukturiert? Wem trauen Sie die Lieferung zu? Wann wird es erneuert? Das bleibt Ingenieursarbeit.
Das Modell ist nur so gut wie die Welt, die Sie darum herum bauen. Bauen Sie sorgfältig.
Sie entwerfen eine Kontextarchitektur für Ihre KI-Agenten? Sprechen wir darüber.