Kontextnutzungs-Rechner
Analysieren Sie, wie viel des Kontextfensters eines Modells Ihre Eingabedaten verbrauchen – online, kostenlos und 100 % privat. Teilen Sie Ihren Prompt in benannte Segmente (System-Prompt, Verlauf, Dokumente, Nutzernachricht), setzen Sie eine Ausgabereserve und sehen Sie sofort prozentuale Aufschlüsselungen pro Segment für GPT-4o, Claude, Gemini, Mistral, DeepSeek und mehr.
Break your prompt into named components - system prompt, conversation history, retrieved documents, user message - and instantly see how much of the selected model's context window each part consumes. Supports all major LLMs with live percentage breakdowns.
Reserve space for the model's reply. Most responses use 500-4,000 tokens. Instruction tasks average ~1,000; code generation averages ~2,000.
Context Window Breakdown - GPT-4o
Segment Breakdown
| Segment | Tokens | % of Context | % of Input | Input Cost |
|---|---|---|---|---|
System Prompt | ~500 | 0% | 4% | $0.001250 |
Conversation History | ~3,000 | 2% | 26% | $0.007500 |
Retrieved Documents | ~8,000 | 6% | 68% | $0.0200 |
User Message | ~200 | 0% | 2% | $0.000500 |
Output Reserve | ~2,000 | 2% | - | - |
| Total | ~13,700 | 10.7% | - | $0.0293 |
Input Tokens
~11,700
Context Remaining
114,300
Context Used
10.7%
Input Cost
$0.0293
Was die Kontextfüllung verbirgt
Zu wissen, dass ein Prompt 70 % des Fensters belegt, sagt nichts darüber, welcher Teil Wert bringt. Die Segmentaufschlüsselung zeigt, ob der Gesprächsverlauf die abgerufenen Dokumente verdrängt oder der System-Prompt unverhältnismäßig gewachsen ist.
Fügen Sie je Prompt-Komponente ein Segment hinzu und tragen Sie Tokens ein, um Anteil und reale Restkapazität zu sehen.
- System-Prompt, Verlauf, Dokumente und Nutzernachricht immer trennen.
- Jedes Kontext-Token kostet bei jeder Anfrage API-Kosten, nicht nur einmal.
- Reservierte Ausgabe-Tokens verhindern Fehler durch zu lange Prompts.
Der „Lost in the Middle“-Effekt
Langer Kontext wird nicht gleichmäßig gewichtet. Informationen in der Mitte wirken meist schwächer auf die Antwort, selbst wenn das Modell sie sieht.
- Kritische Anweisungen an den Anfang und das Ende des Prompts stellen.
- Bei wichtigen Abrufen unter 80 % Füllung bleiben.
- Erst den Gesprächsverlauf kürzen, bevor abgerufene Dokumente beschnitten werden.
Prompts datenbasiert justieren
Die Segmentmessung macht Prompt-Tuning zu einer informierten Entscheidung statt zum blinden Kürzen bei jedem Kontextfehler.
- Größe jedes Prompt-Segments einfügen oder schätzen.
- Prozentanteil prüfen und den größten Verbraucher identifizieren.
- Das dominante Segment reduzieren und die neue Gesamtfüllung ansehen.
- Mit anderen Modellen wiederholen, um gewonnenen oder verlorenen Spielraum zu prüfen.
Häufig gestellte Fragen
Es ist ein Tool, das zeigt, wie viel des Kontextfensters eines Sprachmodells Ihre Eingabedaten verbrauchen – aufgeschlüsselt nach Segment. Sie definieren Prompt-Komponenten (Systemanweisungen, Gesprächsverlauf, abgerufene Dokumente, Nutzernachricht) und der Rechner zeigt Tokenzahl, prozentualen Anteil am Gesamtfenster und Beitrag zu den API-Kosten. So entwerfen Sie Prompts, die zuverlässig in die Grenzen des Modells passen.
Das Kontextfenster ist die maximale Tokenzahl, die ein LLM in einer Anfrage verarbeitet – inklusive Prompt, Gesprächsverlauf, Dokumenten und generierter Antwort. Überschreitet Ihre Eingabe das Fenster, kürzt das Modell sie oder weist die Anfrage mit Fehler ab. Die Überwachung der Kontextnutzung ist essenziell für Multi-Turn-Chatbots, RAG-Pipelines und jede Anwendung mit großen Dokumenten.
Die Schätzungen sind für typische englische Prosa auf ±5-10 % genau, basierend auf dem veröffentlichten durchschnittlichen Zeichen-pro-Token-Verhältnis der Modellfamilie. Anderssprachige Texte, symbolreicher Code und stark interpunktierter Inhalt können anders tokenisieren. Für exakte Produktionswerte nutzen Sie den offiziellen Tokenizer des Anbieters (OpenAI tiktoken, Anthropic countTokens, Google countTokens API).
Ja. Jede Segmentzeile hat eine Einheitenauswahl für Tokens, Zeichen und Wörter. Der Rechner rechnet Zeichen und Wörter automatisch mit dem Tokenisierungsverhältnis des gewählten Modells in geschätzte Tokens um. Das ist nützlich, wenn Sie Zeichen- oder Wortzahlen kennen, aber keinen Tokenizer genutzt haben.
Es zieht eine feste Tokenzahl vom verfügbaren Kontext ab, um die Antwort des Modells zu berücksichtigen. Da das Kontextfenster Eingabe und Ausgabe aufnehmen muss, ist ausreichender Puffer wichtig. Typische Reserven sind 500-1.000 Tokens für kurze Antworten, 2.000 für Codegenerierung und 4.000+ für lange Berichte.
Forschung und Praxiserfahrung zeigen, dass Modelle mit sehr langem Kontext Informationen in der Mitte des Fensters geringer gewichten – der sogenannte „Lost in the Middle“-Effekt. Platzieren Sie kritische Anweisungen am Anfang und Ende des Prompts und bleiben Sie möglichst unter 80 % Füllung.
Ja. Der Rechner läuft vollständig clientseitig im Browser. Prompt-Text, Segmentgrößen und Nutzungsanalyse werden lokal auf Ihrem Gerät berechnet und nie an einen Server gesendet. Sie können vertrauliche Dokumente, proprietären Code und sensible Anweisungen bedenkenlos einfügen.