# context-engineering-domain-understanding-johnson-2025-07-23 ## Veille Context Engineering - Domain Understanding - DICE - Rod Johnson - LLM - Domain Model - Embabel ## Titre Article Context Engineering Needs Domain Understanding ## Date 2025-07-23 ## URL https://medium.com/@springrod/context-engineering-needs-domain-understanding-b4387e8e4bf8 ## Keywords Context Engineering, Domain Understanding, LLM, Gen AI, Domain-Integrated Context Engineering (DICE), KI-Agenten, Geschäftlicher Wert, Domain Model, Embabel, Prompt Engineering, bidirektionale Kommunikation, strukturierter Kontext, Testbarkeit ## Authors Rod Johnson ## Ton **Profil:** Professionell-technisch | Thought-Leader in der Ich-Perspektive | Analytisch-präskriptiv | Experte Johnson (Schöpfer des Spring-Frameworks) nimmt eine autoritative technische Stimme an, die Software-Architektur-Expertise mit Gen-AI-Einsicht kombiniert. Die Einführung des neuen Konzepts DICE (Domain-Integrated Context Engineering) offenbart eine Framework-Builder-Denkweise. Selbstsichere technische Sprache (Domänenobjekte, bidirektionale Kommunikation, strukturierte Persistenz, Cypher-Abfragen), die sich an Enterprise-Architekten richtet. Die Struktur Kritik → Vorschlag → Vorteile spiegelt systematisches Denken wider. Die Betonung der Integration mit bestehenden Systemen statt isolierter Fähigkeiten zeigt einen pragmatischen Enterprise-Fokus. Gemessener, autoritativer Ton, der sowohl abschätzige Skepsis als auch naiven Enthusiasmus vermeidet. Typisch für technische Thought Leadership (im Stil von Martin Fowler, Kent Beck), die architektonische Muster vorschlägt, die in praktischer Erfahrung verankert sind. ## Pense-betes - **"Context Engineering"** präziser als "Prompt Engineering" für LLM-Anwendungen - **Traditionelles Context Engineering** vernachlässigt die bidirektionale Natur (Eingaben UND Ausgaben) sowie die Beziehung zu bestehenden Geschäftsanwendungen - **DICE (Domain-Integrated Context Engineering)** vorgeschlagen: Betonung des Domänenmodells zur Strukturierung des Kontexts und Berücksichtigung der LLM-Ausgaben - **Domänenobjekte** definieren gezielte Verhaltensweisen, die manuellem Code UND LLMs als Tools zugänglich gemacht werden können - **DICE-Vorteile**: Code zur Strukturierung des Kontexts, einfachere/sicherere Integration mit bestehenden Systemen, schnellere Auslieferung durch Wiederverwendung, strukturierte Persistenz, verbesserte Testbarkeit, besseres Debugging/Tracing, robustere Kontextverwaltung in mehrstufigen Abläufen - **LLMs glänzen bei natürlicher Sprache, aber das Hinzufügen von Struktur** macht sie sicherer und zuverlässiger - **Der reale geschäftliche Wert von Gen AI** erfordert die Überbrückung der Kluft zwischen LLM-Fähigkeiten und bewährten bestehenden Systemen - **Domänenintegration ist entscheidend**, um den vollen geschäftlichen Wert zu erschließen; bestehende Geschäftsanwendungen = zentrale Adjazenz für Gen AI ## RésuméDe400mots Der Artikel "Context Engineering Needs Domain Understanding" von Rod Johnson stellt **Domain-Integrated Context Engineering (DICE)** als Weiterentwicklung des Context Engineering für den Aufbau effektiverer und robusterer LLM-Anwendungen vor. Johnson erkennt zunächst "Context Engineering" als wertvollen Fortschritt gegenüber "Prompt Engineering" an und definiert es als die Kunst und Wissenschaft, das Kontextfenster des LLM mit relevanten Informationen zu füllen. Er argumentiert jedoch, dass diese Definition unvollständig ist, da sie zwei entscheidende Aspekte vernachlässigt: die bidirektionale Natur der Kommunikation mit LLMs (was gesendet *und* was empfangen wird) sowie die Integration von LLM-Anwendungen mit dem Geschäftsverständnis und bestehenden Systemen. **DICE: Konzeptionelle Erweiterung** Um diese Lücken zu schließen, schlägt Johnson DICE vor, das Context Engineering erweitert, indem es die Verwendung eines Domänenmodells zur Strukturierung des Kontexts betont und zusätzlich zu den Eingaben auch die Ausgaben der LLMs berücksichtigt. Die zentrale Idee: Obwohl LLMs bei natürlicher Sprache glänzen, macht sie **das Hinzufügen von Struktur zu Ein- und Ausgaben** sicherer und zuverlässiger. DICE ermöglicht es LLMs, unter Verwendung der etablierten Terminologie und Konzepte eines Unternehmens zu "kommunizieren", was eine bessere Integration mit bestehenden Anwendungen fördert. In diesem Kontext sind Domänenobjekte nicht bloß Datenstrukturen, sondern definieren gezielte Verhaltensweisen, die sowohl manuell geschriebenem Code ALS AUCH LLMs als Tools zugänglich gemacht werden können. **Überzeugende Vorteile von DICE** Der Artikel hebt mehrere überzeugende Vorteile der Einführung von DICE hervor. Erstens ermöglicht es, Code zur Strukturierung des Kontexts zu verwenden, wodurch eine "heikle Kunst" zu einem wissenschaftlicheren Prozess wird, in dem der Kontext verfeinert, durchdacht und getestet werden kann. Dies ermöglicht zudem eine präzise Inhaltsfilterung, die Ergebnisse verbessert und Tokens spart. Zweitens erleichtert DICE eine einfachere und sicherere Integration mit bestehenden Systemen und geht über "Demo"-Gen-AI-Anwendungen hinaus hin zu realen Szenarien, in denen Agenten Zugriff auf bestehende Funktionalität benötigen. Durch die Arbeit mit Domänenobjekten können Unternehmen ihre bestehenden Domänenmodelle wiederverwenden und von hart erarbeitetem Geschäftsverständnis profitieren. **Weitere Vorteile** Weitere Vorteile umfassen eine schnellere Auslieferung und verbesserte Qualität durch die Wiederverwendung von Domänenmodellen über Anwendungen und Agenten hinweg. DICE bietet zudem strukturierte Persistenzoptionen, die einen präziseren Abruf über bestehende Technologien wie SQL oder Cypher ermöglichen — eine mögliche Ergänzung zur Vektorsuche. Die durch das Domänenmodell hinzugefügte Struktur und Kapselung stärkt Testbarkeit, Debugging und Tracing, da Informationen in Observability-Tools in strukturierter, verständlicher Form erscheinen. Schließlich hilft die Domänenintegration, den Kontext in mehrstufigen Abläufen zu verwalten, Qualitätsverluste zu verhindern und Token-Kosten zu kontrollieren. **Strategische Positionierung** Johnson kommt zu dem Schluss, dass Domänenintegration von größter Bedeutung ist, um den vollen geschäftlichen Wert generativer KI zu erschließen, und positioniert bestehende Geschäftsanwendungen als die zentrale Adjazenz für Gen AI, statt Data Science oder LLMs allein. **Das zentrale Argument**: Die Struktur des Domänenmodells verwandelt die Fähigkeiten von LLMs von mächtig-aber-chaotisch in kontrolliert-und-zuverlässig, eine wesentliche Voraussetzung für die Unternehmensakzeptanz. Indem Domänenobjekte als Entitäten konzeptualisiert werden, die Verhaltensweisen tragen, die als Tools zugänglich gemacht werden können, überbrückt DICE die konzeptionelle Kluft zwischen dem Potenzial von LLMs und der Unternehmensrealität und bietet einen Rahmen für eine systematische, zuverlässige, wertschöpfende Integration von Gen AI in bestehende Geschäftsabläufe. Diese pragmatische Perspektive erkennt an, dass **der Wert von Gen AI nicht in der Isolation liegt**, sondern in der harmonischen Integration mit den bewährten Systemen, in denen das Domänenwissen verankert ist. ## GrapheDeConnaissance - Rod Johnson —a_créé→ DICE (METHODOLOGIE, 0.99) - Rod Johnson —a_créé→ Spring (TECHNOLOGIE, 0.99) - Rod Johnson —a_créé→ Embabel (ORGANISATION, 0.99) - DICE —est_basé_sur→ context engineering (METHODOLOGIE, 0.98) - DICE —améliore→ context engineering (METHODOLOGIE, 0.97) - context engineering —améliore→ prompt engineering (METHODOLOGIE, 0.95) - Andrej Karpathy —a_créé→ context engineering (METHODOLOGIE, 0.97) - DICE —utilise→ modèle de domaine (CONCEPT, 0.97) - modèle de domaine —améliore→ intégration systèmes existants (CONCEPT, 0.93) - Embabel —utilise→ DICE (METHODOLOGIE, 0.9) - MCP —s_oppose_à→ DICE (METHODOLOGIE, 0.75) - Martin Fowler —a_créé→ bounded contexts (CONCEPT, 0.92) - bounded contexts —fait_partie_de→ modèle de domaine (CONCEPT, 0.9) --- Canonical: https://www.thekb.eu/de/fiches/context-engineering-domain-understanding-johnson-2025-07-23/