Spatial Context Engineering für ortsbezogene KI

Eine Praxis für Spatial Context Engineering wählt den Ort, die Zeit, die Route und die Geschäftsfakten aus, die ein Modell vor seiner Antwort verwenden darf. Ein Prompt kann nach der nächstgelegenen Ladestation fragen. Eine brauchbare Antwort braucht trotzdem die Route, die aktuelle Zeit und nur die Fakten, die der Host freigegeben hat. Ein räumlicher Dienst berechnet die Geografie, und das Modell erklärt dieses Ergebnis.

Was ist Spatial Context Engineering?

Eine Übersichtsarbeit aus dem Jahr 2025, die mehr als 1.400 Forschungsarbeiten auswertet, behandelt Context Engineering als Disziplin, die über Prompt-Design hinausgeht und die Informationen, die ein Sprachmodell erhält, systematisch optimiert (Mei et al., 2025). Die Arbeit gliedert diese Aufgabe in Kontextabruf und -erzeugung, Kontextverarbeitung und Kontextverwaltung. Spatial Context Engineering wendet dieselbe Disziplin auf Orte an. Die Nutzlast muss angeben, wo sich das Subjekt befindet, wann die Fakten galten, welche Route oder welches Gebiet wichtig ist und welche Geschäftsdatensätze der Aufrufer verwenden darf.

Mehr Kontext ist nicht automatisch besser. Liu und Kollegen stellten fest, dass Sprachmodelle oft am besten abschneiden, wenn relevante Informationen am Anfang oder Ende der Eingabe stehen, und dass die Leistung deutlich sinkt, wenn das Modell Informationen aus der Mitte eines langen Kontexts nutzen muss (Liu et al., 2024). Ein räumliches Paket sollte daher klein bleiben: die zulässigen Orte, die berechneten Entfernungen oder Enthaltensein-Ergebnisse, die Aktualität dieser Ergebnisse und die Aktionen, die der Aufrufer ausführen darf. Alle Ebenen der aktuellen Kartenansicht einfach mitzuschicken, besteht diesen Test nicht.

Praxisleitfäden verwenden den Begriff bereits. Der Entwicklerleitfaden von Vercel nennt vier Muster: Abruf, Gedächtnis, Komprimierung und Werkzeugkontext (Vercel, 2026). Ein Kartenprodukt verwendet alle vier, und keines davon ersetzt eine räumliche Berechnung. Der Abruf kann einen Richtlinienabschnitt liefern, das Gedächtnis eine frühere Präferenz, und die Komprimierung kann den Rest des Katalogs weglassen. Der Werkzeugkontext kann das Ergebnis einer Route oder einer Enthaltensein-Prüfung enthalten, und das Modell sollte dieses Ergebnis erklären, statt eine Ersatzzahl zu erfinden.

Wie unterscheidet sich ein Prompt vom Kontext?

Ein Prompt stellt die Frage. Kontext ist die Evidenz, die vor der Antwort zusammengestellt wird. „Finde die nächstgelegenen Ladestationen für eine Lieferroute“ ist eine Anweisung, und eine Anweisung allein kann eine generische Liste von Ladestationen erzeugen, die Fahrzeug, Uhrzeit und tatsächlich offene Straßen ignoriert. Die Abbildung stellt dieser dünnen Antwort ein Paket gegenüber, das Ort, Zeit, Route, Geschäftszustand, Berechtigungen und Kartenstatus benennt.

Die linke Seite zeigt eine kurze Anweisung und eine generische Antwort zu nahegelegenen Ladestationen. Die rechte Seite ergänzt vor einer ortsbezogenen Antwort Ort, Zeit, Route, Geschäftszustand, Berechtigungen und Kartenstatus. Die Orts-ID, der Zeitstempel Juni 2024, das 5,2-km-Badge und die Ladepunkt-Pins sind Beispielbeschriftungen. Das Paket rechts ist eine Referenzskizze und kein Kaleidr-Anfrageformat.

Die dünne Antwort ist grammatikalisch nicht falsch. Als operativer Schritt ist sie unbrauchbar, weil „in der Nähe“ keinen Ausgangspunkt, keinen maximalen Umweg und keine Regel dafür enthält, welche Ladestationen die Flotte nutzen darf. Auch die reichhaltigere Seite der Abbildung verwendet Beispielkennungen, daher sind diese Werte keine Live-Abfrage. Ein Produktionspaket würde die eigenen IDs des Hosts und die eigenen Zahlen des räumlichen Dienstes tragen.

Warum ist Retrieval nur eine Quelle?

Retrieval holt Textpassagen aus Dokumenten, Richtlinien, Beschreibungen und Hilfeartikeln. Diese Passagen können eine Regel erklären. Sie können einem Disponenten aber nicht sagen, ob ein Stopp innerhalb eines Servicegebiets liegt, weil eine Polygonprüfung eine Berechnung und kein Absatz ist. Räumlicher Kontext behält den abgerufenen Text bei und ergänzt strukturierte Fakten, ein Autorisierungsergebnis, den aktuellen Kartenstatus und das räumliche Ergebnis.

Die linke Spalte ruft Dokumente, Richtlinientexte, Beschreibungen und Wissen als Textpassagen ab. Die rechte Spalte ergänzt diesen Text um strukturierte Geschäftsfakten, Autorisierung, Kartenstatus und räumliche Berechnungen. Das Ergebnis der Abbildung ist ein Entscheidungspaket für eine ortsbezogene Antwort. Die eingezeichnete Route und der Pin sind Beispielgrafiken und keine gemessene Fahrt.

Ein Team, das bei abgerufenem Text stehen bleibt, wird informiert klingen und trotzdem bei der Karte falsch liegen. Der Richtlinienabschnitt kann sagen, dass späte Lieferungen einen besetzten Standort benötigen. Nur der Öffnungszeiten-Feed, die Enthaltensein-Prüfung und die Berechtigung des Aufrufers können sagen, ob dieser Standort jetzt zulässig ist. Im Entscheidungspaket der Abbildung treffen diese Teile zusammen.

Warum müssen aktuelle Nachweise veraltete Erinnerungen überstimmen?

Memory ist für eine Präferenz nützlich, die nicht abläuft, etwa ein gespeichertes Depot oder eine Sprache. Memory ist eine schlechte Quelle für Verkehr, Schließungen, Bestand oder dafür, wer heute einen privaten Standort sehen darf. Ein erinnerter „bester Stopp“ von letzter Woche kann der Route widersprechen, die der räumliche Dienst gerade zurückgegeben hat. Wenn beides kollidiert, sollten die aktuelle Berechnung und die aktuelle Autorisierung gewinnen, und die Erinnerung sollte als Präferenz statt als Fakt gekennzeichnet bleiben.

Dasselbe gilt für eine früher in der Sitzung geschriebene Zusammenfassung. Eine komprimierte Zusammenfassung kann eine Schließung oder eine widerrufene Berechtigung auslassen. Der nächste Turn sollte die veränderlichen Felder erneut lesen, oder der Aufrufer sollte sich weigern, auf Basis einer Zusammenfassung ohne Zeitstempel zu handeln. Aktualität gehört als Datenfeld in das Paket und nicht als Hoffnung, dass die frühere Antwort noch stimmt.

Warum kommt die Ortsidentität vor der Suche?

Zwei Datensätze können denselben Namen haben und trotzdem unterschiedliche Orte sein. Eine Suche nach „dem Laden in der Innenstadt“ ist keine ID. Das Paket sollte eine stabile Orts-ID aus dem eigenen System des Hosts enthalten, zusammen mit den Koordinaten oder der Geometrie, die der räumliche Dienst verwendet; der Anzeigename sollte eine Beschriftung und nicht der Schlüssel bleiben. Ohne diese ID kann ein späterer Turn einen umbenannten Laden nicht von einem zweiten Laden unterscheiden, und eine Quellenangabe kann nicht auf den tatsächlich zulässigen Datensatz zeigen.

Welche Geometrie sollte das Paket tragen?

Die Geometrie muss zur Frage passen. Eine Frage nach der nächstgelegenen Ladestation braucht Punkte und eine Route. Eine Frage zum Servicegebiet braucht ein Polygon und ein Enthaltensein-Ergebnis. Eine Korridorfrage braucht eine Linie und den Abstand zu dieser Linie. GeoJSON definiert ein Geometrieobjekt, und Point ist einer der Geometrietypen in diesem Format, sodass ein Paket den Typ benennen kann, statt die Form in Prosa zu verstecken (IETF, 2016). Einen Punkt zu senden, wenn die Entscheidung von einem Polygon abhängt, lässt die spätere Erklärung präzise wirken, obwohl der Test nie ausgeführt wurde.

Warum ist der Viewport keine Berechtigung?

Ein Ort kann im Kamerabereich liegen und trotzdem verboten sein. Die Abbildung zeigt drei Beispielstandorte in derselben Ansicht: zwei öffentliche Geschäfte, die der Aufrufer verwenden darf, und eine private Einrichtung, die aus dem Kontext ausgeschlossen bleibt, obwohl ihr Pin sichtbar ist. Sichtbarkeit ist ein Hinweis darauf, worauf der Nutzer schaut. Autorisierung ist eine separate Prüfung dessen, was die Anfrage enthalten darf.

Das gestrichelte Feld ist die aktuelle Kartenansicht, und drei Beispielorte liegen darin. Public Store A und Public Store B sind als autorisiert markiert. Private Facility C bleibt außerhalb des Modellkontexts, obwohl der Pin auf dem Bildschirm sichtbar ist. Ein Viewport liefert Ortskontext, und eine separate Berechtigungsprüfung entscheidet, was verwendet werden darf.

Dieselbe Trennung gilt auf einer Host-Karte. Die Kaleidr-Entwicklerdokumentation sagt, dass Chat eigene Marker hinzufügt, die Kamera bewegt und Routen zeichnet und dass Chat die Ebenen, Quellen oder Marker der Seite weder verändert noch diese Objekte an Kaleidr sendet (Kaleidr, 2026). Ein sichtbarer Pin ist keine Freigabe. Der Host entscheidet, welche Fakten die Grenze überschreiten, und das Paket sollte diese Entscheidung festhalten, statt anzunehmen, die Kamera habe sie bereits getroffen.

Was sollte ein räumlicher Dienst zuerst berechnen?

Lege die Zahlen in einem räumlichen Dienst fest und bitte dann das Modell, sie zu erklären. Die Abbildung zeigt einen Routenumweg, ein Ergebnis „innerhalb des Servicegebiets“ und eine Fahrzeit, die zusammen erklären, warum ein Geschäft passt. Ein separates Feld verwirft eine geschätzte Fahrzeit. Das Modell ist eine schlechte Quelle für Entfernung, Enthaltensein-Prüfung oder Ankunftsschätzung, weil diese Werte aus Straßennetz, Polygon und Uhrzeit stammen.

Ein räumlicher Dienst meldet einen sechsminütigen Routenumweg, eine positive Prüfung innerhalb des Servicegebiets und eine Fahrzeit von vierzehn Minuten. Die Erklärung sagt anschließend, warum Store 104 in der Abbildung als Stopp ausgewählt wurde. Das verworfene Feld zeigt ein Sprachmodell, das eine Fahrzeit erfindet, statt das Dienstergebnis zu verwenden. Minuten, Geschäftsnummern und die zitierte Schätzung sind Beispielbeschriftungen in der Grafik.

Die Erklärung kann trotzdem nützlich sein. Nachdem der Dienst den zulässigen Stopp zurückgegeben hat, kann das Modell in der Sprache des Aufrufers erklären, welcher berechnete Fakt diesen Stopp passend gemacht hat. Die Erklärung sollte das Dienstergebnis wiedergeben und nicht ersetzen. Geschäftsnummern und Minuten-Badges in der Abbildung sind Beschriftungen und kein Kaleidr-Benchmark.

Wann ist ein Kontextpaket klein genug?

Ein Paket sollte klein genug zum Lesen und vollständig genug sein, damit die Entscheidung nicht von einer versteckten Tabelle abhängt. Die Abbildung beginnt mit Rohsystemen wie Geschäftsdatenbank, Bestand, Öffnungszeiten, Routing und Berechtigungen und endet in einem kurzen Objekt: eine Aufgabe, einige Kandidaten, Zulässigkeit, ein Routenumweg, ein Aktualitätszeitstempel und die erlaubten Aktionen. Alles, was die Zulässigkeit nicht beeinflusst hat, kann im Quellsystem bleiben.

Rohdaten aus einer Geschäftsdatenbank, Bestand, Öffnungszeiten, Routing und Berechtigungen fließen in einen Kontext-Builder. Der Builder gibt ein kurzes Paket mit einer Aufgabe, einigen Kandidatengeschäften, Zulässigkeits-Flags, einem Routenumweg, einem Zeitstempel und erlaubten Aktionen aus. Das Paket soll klein genug zum Prüfen und vollständig genug für eine Entscheidung sein. Geschäfts-IDs, Entfernungen und der Zeitstempel Juni 2024 sind Beispielbeschriftungen, und das JSON ist eine Referenzskizze statt einer Kaleidr-API.

Dieses Ergebnis zu langen Kontexten ist der Grund zum Weglassen. Kandidaten-Retrieval kann breit beginnen und sich dann verengen: unzulässige Orte fallen heraus, bevor das Modell sie sieht, und das Paket behält den Grund, etwa eine Schließzeit oder eine fehlgeschlagene Enthaltensein-Prüfung. Kaleidrs öffentliche Chat-Anfrage ist ein engerer Vertrag als diese Skizze, und der nächste Abschnitt beschreibt, was diese Anfrage tatsächlich trägt. Teams sollten das JSON der Abbildung nicht per POST senden, als hätte die Plattform dieses Objekt dokumentiert.

Was enthält eine Referenz-Pipeline?

Eine praktische Pipeline benennt die Stufe, die jedes Risiko besitzt. Aufgabe analysieren, Aufrufer identifizieren, Autorisierung prüfen, geografischen Bereich festlegen, Kandidaten abrufen, Geschäftszustand anhängen, räumliche Berechnung ausführen, Zulässigkeit anwenden, Paket zusammenstellen, Paket an das Modell senden, Kartenaktion ausführen, volatile Felder erneut validieren und das Ergebnis protokollieren. Die Abbildung ergänzt oben vier Kontrollen: Quelle, Aktualitätsregel, Richtlinie und Trace-ID.

Die Leiste verläuft von Aufgabenanalyse über Identität, Autorisierung, geografischen Bereich, Kandidaten-Retrieval, Geschäftszustand, räumliche Berechnung, Zulässigkeit, Kontextpaket, Modell, Kartenaktion, erneute Validierung und Beobachtung. Quelle, Aktualität, Richtlinie und Trace-ID liegen als Kontrollen über jeder Stufe. Das Diagramm ist eine Referenz-Pipeline für ein Team, das seinen eigenen Kontext-Builder entwirft. Die darunter gezeichnete Route ist Beispielgrafik.

Die Reihenfolge ist eine Designhilfe und keine Kaleidr-Produktsequenz. Manche Teams werden Kandidaten-Retrieval und räumliche Berechnung zusammenführen. Sichtbar bleiben sollten Autorisierung, Berechnung, Zulässigkeit und eine erneute Validierung unmittelbar vor einer Aktion wie der Zuweisung eines Stopps. Grounded Spatial AI für Geschäftsdaten ist der zugehörige Kaleidr-Leitfaden für Autorisierung, Retrieval und Ranking.

Wo zieht Kaleidr die Kontextgrenze?

Auf einer Host-Karte ist die Grenze ausdrücklich definiert. Der Leitfaden zu unterstützten Karten beschreibt das Anhängen von Kaleidr Chat an Mapbox GL JS, MapLibre GL JS, Google Maps und Leaflet sowie weitere Bibliotheken; ein Google-Maps-Schlüssel bleibt zwischen Seite und Google, weil Kaleidr diesen Schlüssel nicht erhält (Kaleidr, 2026). Pins, die Bewegung zu einem Ort und eine Routenlinie sind Zeichnungen, die das Panel hinzufügt. Diese Zeichnungen sind keine Kopie der privaten Tabellen des Hosts.

Die Host-Anwendung behält Nutzer, private Daten, Bestand, Richtlinien, benutzerdefinierte Ebenen und Geschäftsaktionen. Nur ein expliziter Ausschnitt, etwa ein autorisierter Ort, der Karten-Zoom, die Sitzung und freigegebene Fakten, überschreitet in der Abbildung die Grenze. Kaleidr Chat auf der rechten Seite löst Orte auf, plant Routen und führt Kartenaktionen aus diesem freigegebenen Ausschnitt aus. Die Fußzeile ist eine Abbildungsbeschriftung, Geschäfts- und Fahrzeugnamen sind Beispiele, und das Anhängen von Chat sendet nicht automatisch die Ebenen oder Geschäftssysteme des Hosts.

Die Platform API dokumentiert eine entsprechende Begrenzung der Chat-Anfrage. messages enthält die Unterhaltung, das location-Objekt ist das Karten­zentrum zur Interpretation von „in der Nähe“, map_zoom ist die Zoomstufe und lang ist die Antwortsprache. Dieselbe Seite sagt, dass es kein Feld für Systemanweisungen, Persona, Tools oder den eigenen Kontext des Aufrufers gibt und dass unbekannte Felder akzeptiert und ignoriert werden. app_snapshot und auto_actions werden akzeptiert, sind aber nicht erforderlich; die Seite empfiehlt daher, sie wegzulassen (Kaleidr, 2026).

Hochgeladene Geschäftsdaten sind ein separater Pfad von dieser Anfrage. Das Hochladen eigener Geschäftsdaten einer Organisation für KI-Antworten ist ausschließlich Enterprise, ebenso schlüsselgestützte Antworten, die auf diesen hochgeladenen Daten basieren, wie How Kaleidr works festhält. Eine begleitende Seite, wie man einen map-aware AI assistant baut, behandelt den Assistenten, den ein Team um dieselbe Grenze herum baut.

Wie kann dieselbe Seite gefunden und zitiert werden?

Eine Seite über diese Praxis sollte leicht zitierbar sein. Die Abbildung teilt diese Aufgabe in normale Suche, Antwortmaschinen und generative Zitation. Suche braucht die kanonische Formulierung, einen Cluster verwandter Methoden und Links zu unterstützenden Leitfäden. Antwortmaschinen brauchen eine direkte Definition, einige konkrete Fragen und einen Vergleich, etwa Retrieval gegenüber einem räumlichen Paket.

Im Zentrum der Abbildung steht Spatial Context Engineering, umgeben von Suche, Antwortmaschinen und generativer Zitation als drei Oberflächen. Suche umfasst ein kanonisches Keyword, einen Themencluster und interne Links. Antwortmaschinen brauchen direkte Definitionen, häufig gestellte Fragen und Vergleiche. Generative Zitation braucht ein originäres Framework, ein beschriebenes Schema, eine Fehlerliste und zitierte Quellen; keines dieser Felder ist ein Ranking-Versprechen.

Die Felder in dieser Abbildung sind eine Schreib-Checkliste und keine Traffic-Garantie. Kaleidr rankt die Seite nicht, und die Abbildung berichtet keine Messung. Die Seite kann die Definition an einer Stelle formulieren, das Paket als Referenzskizze statt als Wire-Format zeigen und die Standards sowie Dokumentationen zitieren, auf denen die Aussagen beruhen. So kann ein Leser erkennen, welcher Satz eine Definition und welcher Satz eine Produktgrenze ist.

Was sollte ein Team als Nächstes tun?

Schreibe das Paket für eine echte Aufgabe, bevor du den Prompt änderst. Füge Orts-ID, Zeit, Geometrietyp, räumliches Ergebnis und die Berechtigung hinzu, die jeden Fakt zugelassen hat. Vergleiche diese Liste dann mit der Chat-Anfrage, die ein Host heute senden kann: Unterhaltung, Kartenmittelpunkt, Zoom und Sprache, ohne Feld für den privaten Kontext des Hosts. Wenn Antworten auf hochgeladenen Geschäftsdaten basieren müssen, beginne mit Kaleidr Enterprise.

Hinweis: Kaleidr verwendet in seinen kreativen und Entwicklungs-Workflows KI-gestützte Werkzeuge für Bilderstellung, Inhaltsverfeinerung und Recherche.

FAQs

Ist Spatial Context Engineering dasselbe wie Prompt Engineering?

Nein. Prompt Engineering verändert die Formulierung der Anweisung. Spatial Context Engineering verändert die Evidenz, die diese Anweisung verwenden kann, darunter Ort, Zeit, Route oder Gebiet sowie die Geschäftsfakten, die der Aufrufer sehen darf. Ein besserer Satz kann kein Enthaltensein-Ergebnis liefern, das der räumliche Dienst nie berechnet hat.

Liest das Anhängen von Kaleidr Chat die Ebenen der Host-Karte?

Nein. Auf einer Seite, auf der Chat im Host-Dokument läuft, fügt Chat eigene Marker hinzu, bewegt die Kamera und zeichnet Routen. Chat verändert die Ebenen, Quellen oder Marker der Seite nicht und sendet diese Objekte nicht an Kaleidr. Private Tabellen bleiben auf der Host-Seite der Grenze, sofern nicht ein separater Enterprise-Pfad hochgeladene Geschäftsdaten abdeckt.

Kann die öffentliche Chat-Anfrage ein benutzerdefiniertes Kontextpaket tragen?

Die dokumentierte Anfrage trägt die Unterhaltung, einen Ort für den Kartenmittelpunkt, optionalen Zoom und eine Sprache. Es gibt kein Feld für Systemanweisungen, Persona, Tools oder den eigenen Kontext des Aufrufers. app_snapshot und auto_actions werden akzeptiert und nicht benötigt, daher sollte ein Team sie nicht als das in diesem Leitfaden skizzierte Paket behandeln. Unbekannte Felder werden akzeptiert und ignoriert.

Warum sollte die Fahrzeit in einem räumlichen Dienst bleiben?

Eine Fahrzeit hängt vom Straßennetz und von der Uhrzeit ab, und ein geschätzter Minutenwert kann der Route widersprechen, die der Dienst gerade berechnet hat. Das verworfene Feld in der Berechnungsabbildung zeigt diesen Fehlermodus mit einem Beispielzitat statt einem Live-Ergebnis. Halte die Zahl im räumlichen Dienst und lasse das Modell sie erklären.

References

1. Mei, L., et al. A Survey of Context Engineering for Large Language Models. A review of more than 1,400 papers that treats context engineering as more than prompt design and splits it into retrieval and generation, processing, and management. arXiv:2507.13334. 2025. https://arxiv.org/abs/2507.13334
2. Liu, N. F., et al. Lost in the Middle: How Language Models Use Long Contexts. Transactions of the Association for Computational Linguistics, 12, 157–173. Performance is often highest when relevant information is at the start or end of the input and degrades significantly in the middle of long contexts. 2024. https://doi.org/10.1162/tacl_a_00638
3. Vercel. What is context engineering? A developer's guide. A practitioner guide naming four patterns: retrieval, memory, compression, and tool context. Accessed October 22, 2026. https://vercel.com/i/context-engineering
4. IETF. RFC 7946: The GeoJSON Format. GeoJSON defines a geometry object, and a Point is one of the geometry types. 2016. https://www.rfc-editor.org/info/rfc7946
5. Kaleidr Developer Docs. How Kaleidr works. Chat adds its own markers, moves the camera, and draws routes, and does not change the page's layers, sources, or markers or send them to Kaleidr. Uploaded business data for AI answers, and key-backed answers that draw on that data, are Enterprise only. Accessed October 22, 2026. https://docs.kaleidr.com/concepts/how-kaleidr-works
6. Kaleidr. Grounded Spatial AI for Business Data. A related guide covering authorization, retrieval, ranking, evaluation, and a narrow pilot. Accessed October 22, 2026. https://kaleidr.com/blog/grounded-spatial-ai-business-data
7. Kaleidr Developer Docs. Supported maps. Attach targets include Mapbox GL JS, MapLibre GL JS, Google Maps, and Leaflet. A Google Maps key stays between the page and Google; Kaleidr does not receive it. Accessed October 22, 2026. https://docs.kaleidr.com/chat/supported-maps
8. Kaleidr Developer Docs. Platform API endpoints. The chat request carries the conversation, a map-center location, optional zoom, and a language. There is no field for system instructions, a persona, tools, or the caller's own context. app_snapshot and auto_actions are accepted and not needed. Accessed October 22, 2026. https://docs.kaleidr.com/platform-api/endpoints
9. Kaleidr. Map-Aware AI Assistant: How to Build One. A companion guide for building the assistant around a map. Accessed October 22, 2026. https://kaleidr.com/blog/how-to-build-a-map-aware-ai-assistant
10. Kaleidr. Kaleidr Enterprise. The enterprise page for spatial AI integrated with a customer's own data. Accessed October 22, 2026. https://kaleidr.com/enterprise

References in BibTeX

@misc{mei_context_engineering_survey_2025,
  title         = {A Survey of Context Engineering for Large Language Models},
  author        = {Mei, Lingrui and others},
  year          = {2025},
  eprint        = {2507.13334},
  archivePrefix = {arXiv},
  url           = {https://arxiv.org/abs/2507.13334}
}

@article{liu_lost_in_the_middle_2024,
  title   = {Lost in the Middle: How Language Models Use Long Contexts},
  author  = {Liu, Nelson F. and Lin, Kevin and Hewitt, John and Paranjape, Ashwin and Bevilacqua, Michele and Petroni, Fabio and Liang, Percy},
  journal = {Transactions of the Association for Computational Linguistics},
  volume  = {12},
  pages   = {157--173},
  year    = {2024},
  doi     = {10.1162/tacl_a_00638}
}

@misc{vercel_context_engineering_2026,
  title  = {What is context engineering? A developer's guide},
  author = {{Vercel}},
  year   = {2026},
  url    = {https://vercel.com/i/context-engineering}
}

@misc{ietf_rfc7946_2016,
  title  = {RFC 7946: The GeoJSON Format},
  author = {{IETF}},
  year   = {2016},
  url    = {https://www.rfc-editor.org/info/rfc7946}
}

@misc{kaleidr_how_it_works_2026,
  title  = {How Kaleidr works},
  author = {{Kaleidr Developer Docs}},
  year   = {2026},
  url    = {https://docs.kaleidr.com/concepts/how-kaleidr-works}
}

@misc{kaleidr_grounded_spatial_ai_2026,
  title  = {Grounded Spatial AI for Business Data},
  author = {{Kaleidr}},
  year   = {2026},
  url    = {https://kaleidr.com/blog/grounded-spatial-ai-business-data}
}

@misc{kaleidr_supported_maps_2026,
  title  = {Supported maps},
  author = {{Kaleidr Developer Docs}},
  year   = {2026},
  url    = {https://docs.kaleidr.com/chat/supported-maps}
}

@misc{kaleidr_platform_api_endpoints_2026,
  title  = {Platform API endpoints},
  author = {{Kaleidr Developer Docs}},
  year   = {2026},
  url    = {https://docs.kaleidr.com/platform-api/endpoints}
}

@misc{kaleidr_map_aware_assistant_2026,
  title  = {Map-Aware AI Assistant: How to Build One},
  author = {{Kaleidr}},
  year   = {2026},
  url    = {https://kaleidr.com/blog/how-to-build-a-map-aware-ai-assistant}
}

@misc{kaleidr_enterprise_2026,
  title  = {Kaleidr Enterprise},
  author = {{Kaleidr}},
  year   = {2026},
  url    = {https://kaleidr.com/enterprise}
}