Die Hälfte Ihres Kontextfensters ist verschwendet: Wie MCP-Dumps, aufgeblähte Konfigurationen und ungenutzte Skills jede Claude-Code-Sitzung verteuern

von Denis Shokhirev, Enterprise AI Architect aus Freiburg im Breisgau. In meinem DennisCraft AI Studio liefere ich produktive Agenten-basierte KI-Systeme für DACH-B2B-Kunden aus — keine Demos. Im Alltag sehe ich, wie bei jeder Ausführung mit Claude Code bis zur Hälfte des Kontextfensters durch MCP-Dumps, überladene Konfigurationen und nicht genutzte Skills verschwendet wird. Das kostet bares Geld, erhöht das Fehlerrisiko und bringt Compliance-Probleme in den Produktivbetrieb.

Was das Kontextfenster blockiert: MCP-Dumps, aufgeblähte Konfigurationen, Skills

MCP-Dumps: Synchronisation mit Nebenwirkungen

Multi-Agenten-Systeme tauschen häufig Status-Dumps (MCP – Multi-agent Control Protocol) zur Synchronisierung aus. Das Problem: Die Dumps werden meist ungefiltert erzeugt und enthalten die gesamte Agenten-Historie — inklusive Logs, Debug-Traces und irrelevanter Kontextdaten, die für Claude Code nutzlos sind.


def build_mcp_dump(agent_state):
    # Ursprünglicher Dump: gesamter Zustand
    return json.dumps(agent_state)
# Besser: Gefilterter Dump
def build_filtered_dump(agent_state):
    safe_keys = ["goal", "current_task", "context"]
    filtered = {k: v for k, v in agent_state.items() if k in safe_keys}
    return json.dumps(filtered)

In einer realen Bereitstellung mit fünf Agenten belegten MCP-Dumps bis zu 60% des Kontextfensters — die Sitzungen wurden dadurch um 30% teurer (Supabase Logs, 2024).

Aufgeblähte Konfigurationen: Was Claude Code wirklich benötigt

Konfigurationen aus CI/CD oder n8n enthalten oft veraltete oder ungenutzte Parameter: Test-Endpunkte, alte Umgebungsvariablen, Legacy-Flags. Claude verarbeitet alles — jeder Token kostet, und es drohen Fehlfunktionen.


# Beispiel für eine aufgeblähte Konfiguration
model: "claude-3-opus"
max_tokens: 4000
test_mode: true
legacy_api: "v1"
endpoint: "https://dev.api"
unused_feature: "enabled"
# Produktiv notwendig wäre:
model: "claude-3-opus"
max_tokens: 4000
endpoint: "https://api"

Unbereinigte Konfigurationen führen zu Mehrkosten und unvorhersehbaren Agenten-Reaktionen.

Ungenutzte Skills: Capability Overload

Viele Teams integrieren sämtliche verfügbaren Skills (Parser, Web-Scraper, DB-Interface etc.), obwohl pro Sitzung nur wenige genutzt werden. Nicht verwendete Skills blähen die Prompt-Instruktionen und Action Manifests unnötig auf.

Skill	Genutzt in Sitzung	Prompt-Größe (Tokens)
parse_pdf	Ja	150
web_scrape	Nein	120
db_query	Nein	100
email_send	Ja	90

Ergebnis: 300+ Tokens pro Sitzung ohne Mehrwert.

Betriebsrisiken: Kosten, Latenz und Compliance

Tokenverbrauch: Konkrete Zahlen

Claude Code wird nach Token abgerechnet. Ist das Kontextfenster zur Hälfte mit Ballast gefüllt, steigt der Preis pro Sitzung signifikant. In einem Kundenprojekt verursachte ungenutzter Kontext bis zu 900 EUR pro Monat und Agent (Supabase Abrechnung, Mai 2024).

Latenz und Fehlerrisiko

Überflüssiger Kontext erhöht Latenz und Fehleranfälligkeit. Claude Code kann durch veraltete Konfigurationen oder irrelevante Skills "halluzinieren" und etwa falsche Endpunkte ansteuern — das habe ich mehrfach im Produktiveinsatz beobachtet.

Security & Compliance: Gefahr von Datenlecks

Ungefilterte MCP-Dumps können Logs, interne Tokens oder Doppler-Traces ins Modell leiten. Dies ist ein echtes Risiko für DSGVO, BSI Grundschutz und laut OWASP AI Security Top 10 (2024) ein kritisches Pattern in LLM-Workflows.

Kontext sauber halten: Taktiken für den Produktivbetrieb

MCP-Whitelisting und Segmentierung

Nur Schlüssel, die für das Agenten-Reasoning unbedingt nötig sind, dürfen in den Dump. Alles andere wird vor dem Claude-Aufruf entfernt.


ALLOWED_KEYS = {"goal", "facts", "last_action"}
def safe_mcp(agent_state):
    return {k: v for k, v in agent_state.items() if k in ALLOWED_KEYS}

Prompt-Preprocessing via n8n oder Supabase

Vor der Prompt-Generierung setze ich einen Pre-Processor (n8n oder Supabase Edge Functions) ein, der ungenutzte Skills und veraltete Konfigurationsparameter entfernt.


// n8n Custom Node
const usedSkills = ["parse_pdf", "email_send"];
const filteredSkills = allSkills.filter(skill => usedSkills.includes(skill.name));
return filteredSkills;

Automatisierte Prüfung mit bandit und gitleaks

Ich verwende bandit und gitleaks, um Prompts vor dem Claude-Einsatz auf Geheimnisse und überflüssige Daten zu prüfen.


bandit -r prompts/
gitleaks detect --source=prompts/

Tabelle: Wo das Kontextfenster am häufigsten verloren geht

Quelle	Ø Anteil am Kontextfenster	Hauptgefahr
MCP-Dumps	25-40%	Security, Latenz
Aufgeblähte Konfiguration	10-20%	Halluzination, Kosten
Ungenutzte Skills	15-30%	Kosten, Fehler

FAQ

Muss ich MCP-Dumps immer filtern?

Im Produktivbetrieb ja — ungefilterte Dumps erhöhen Kosten und Compliance-Risiken.

Wie automatisiere ich Konfig-Bereinigung?

Nutzen Sie Pre-Commit-Hooks, CI/CD-Templates und YAML/JSON-Linter.

Können ungenutzte Skills dynamisch entfernt werden?

Wenn Ihr Skill-Manager Dynamic Loading unterstützt — ja. Andernfalls: Action Manifest vor Prompt-Generierung minimieren.

Wie gehe ich mit Legacy-Parametern um?

Regelmäßige Audits und Entfernung per Migrationsskript oder manuell.

Lohnt sich Kontextbereinigung auch ohne Tokenlimit?

Ja — weniger Ballast bedeutet geringere Latenz, weniger Fehler und höhere Compliance-Sicherheit.

In welchem Abschnitt Ihrer Claude-Code-Pipeline verlieren Sie am meisten Kontext an Ballast — MCP-Dumps, Konfiguration oder Skills? Welche Tools funktionieren für Sie im Produktivbetrieb? Ich biete DACH-Unternehmen einen kostenlosen 30-min Stack-Audit für KI in regulierten Märkten an. Schreiben Sie mir auf LinkedIn oder an @ger_dennis_ai.