Paste your prompt as labeled sections — system prompt, retrieved docs, conversation history. Each paste is token-estimated client-side, then laid against every selected model’s context window. Pick models above to see fill bars, free headroom, and overflow warnings.
Was es tut
Der Context-Window-Planer zeigt, wie ein echter Prompt das Context-Fenster eines Modells füllt. Füge die Bestandteile deiner Anfrage als benannte Abschnitte ein - System-Prompt, abgerufene Docs, Konversationsverlauf - und das Tool schätzt die Tokens jedes Abschnitts, summiert sie und legt das Gesamtergebnis als Füllbalken gegen das Fenster jedes gewählten Modells.
Es beantwortet die zwei Fragen, die LLM-Anfragen im Production-Einsatz brechen: Passt dieser Prompt überhaupt? und Wenn er passt, wie viel Raum bleibt dann für die Antwort? Setze eine Output-Reserve, und jedes Modell meldet, ob der freie Spielraum sie deckt - so wird ein Prompt, der technisch passt, aber die Antwort aushungert, markiert, bevor du ihn auslieferst.
So verwendest du es
- Füge deinen System-Prompt, deine Docs und die History in die gestapelten Abschnitte ein. Füge Abschnitte hinzu oder entferne sie, damit deine echte Prompt-Form abgebildet wird.
- Setze die Output-Reserve - die Tokens, die du für die Antwort des Modells freigehalten willst (eine häufige Ursache abgeschnittener Ausgaben ist eine Reserve von null).
- Schalte die Modell-Chips um (breiteste Fenster zuerst), um die Füllung über Anbieter und Tiers hinweg zu vergleichen.
- Lies die Füllbalken: blau, solange die Eingabe passt; rot mit der Überlauf-Menge, wenn sie nicht passt; „reserve short“ markiert Eingaben, die passen, aber weniger Spielraum als deine Reserve lassen.
- Copy summary oder Copy share link, um das exakte Szenario zu versenden.
Beispiele
Ein Zwei-Abschnitte-Prompt gegen ein 1M-Token-Fenster
Jeder Abschnitt unten ist eine 1,600-Zeichen-Zeile Prosa (≈400 Tokens bei 4 Zeichen/Token):
System: 1,600 chars → 400 tokens
Docs: 1,600 chars → 400 tokens
beta-pro (1,000,000 ctx): 800 / 1,000,000 · free 999,200 · fits yes · reserve okDerselbe Prompt, der passt, aber die Reserve aushungert
input 800 · output reserve 1,000,000
beta-pro: fits yes · reserve SHORT ← raw fit passes, no room for the answerEin Überlauf, mit der Menge markiert
Ein einzelner 4.4M-Zeichen-Paste (≈1.1M Tokens) gegen ein 1M-Fenster:
beta-pro: 1,100,000 / 1,000,000 · overflow −100,000 · fits NOGut zu wissen
- Ins Fenster passen ist nicht dasselbe wie Platz für die Antwort.
fitsbedeutet, dass die rohe Eingabe innerhalb des Context-Fensters liegt; die Reserve-Prüfung bedeutet, dass noch Raum für die Antwort bleibt. Beides muss für einen gesunden Request bestehen. - Token-Anzahlen sind heuristische Schätzungen (±15%), pro Zeile klassifiziert als Prosa, Code, JSON oder CJK - kein echter BPE-Tokenizer-Lauf. Nur für die Schätz-Aufschlüsselung sieh dir den Token Estimator an.
- Modell-Spezifikationen sind ein Snapshot. Fenstergrößen und Output-Obergrenzen fließen aus einem datierten Modell-Snapshot - prüfe die „Data as of“-Zeile für den Aktualitätsstand.
- Privat: alles läuft 100 % clientseitig - kein Prompt-Text verlässt jemals deinen Browser.
- Verwandte Tools: Token Estimator, Model Picker, LLM Cost Calculator.