Prompt Engineering lernen: Anleitung in 8 Schritten
So lernst du Prompt Engineering am besten: ein Weg in 8 Schritten von den Grundlagen bis zu Agenten, die kostenlosen Anbieter-Guides und eine Übung pro Schritt.
In diesem Artikel
Am besten lernst du Prompt Engineering, indem du einem festen Weg aus acht Schritten folgst, vom Schreiben klarer Anweisungen bis zur Absicherung von KI-Agenten, und jeden Schritt an echten Eingaben übst, statt nur darüber zu lesen. Nimm die kostenlosen Prompting-Guides von OpenAI, Anthropic und Google als Tutorial, teste dich an einzelnen Prompting-Entscheidungen und schließe mit zwei oder drei kleinen Projekten ab, die du an einem Testsatz misst.
Dieser Guide zeigt dir den Weg der Reihe nach, mit Lesestoff und einer Übung pro Schritt, dazu die Projekte, die aus Wissen echtes Können machen. Was ein Prompt tut, lernst du, indem du ihn an Eingaben scheitern siehst, mit denen du nicht gerechnet hast. Deshalb endet jeder Schritt mit einem Test.
Das Wichtigste in Kürze
- Lerne in fester Reihenfolge: Grundlagen, System-Prompts, Beispiele, Reasoning, strukturierte Ausgabe, Grounding, Tools, Sicherheit.
- Die Prompting-Guides von OpenAI, Anthropic und Google sind das beste kostenlose Prompt-Engineering-Tutorial, das es gibt.
- Übe die Entscheidungen, nicht nur das Lesen. Sich selbst abzufragen schlägt Wiederlesen (Roediger und Karpicke, 2006).
- Bau zwei oder drei kleine Projekte mit einem Testsatz von 20–30 Eingaben. Dort bleibt das Können hängen.
Wie sieht der Weg zum Prompt Engineering Schritt für Schritt aus?
Der Weg besteht aus acht Schritten, und jeder baut auf dem vorigen auf. Zu jedem Schritt gibt es, was du lernst, woran du merkst, dass du es kannst, und eine Übung.
Schritt 1: Grundlagen. Klare Aufgaben, Kontext zu Zielgruppe und Zweck, ausdrückliches Ausgabeformat, Vorgaben. Du beherrschst diesen Schritt, wenn du bei einem schwachen Prompt benennen kannst, was fehlt, bevor du ihn ausführst. Übung: Nimm drei Prompts, die du letzte Woche geschrieben hast, und schreib jeden neu, mit Zielgruppe, Ziel und Format. Was ist Prompt Engineering deckt die Grundlagen ab, das Thema Fundamentals hat Übungsfragen, und bessere ChatGPT-Prompts schreiben zeigt die Überarbeitungen in Aktion.
Schritt 2: Rolle, Kontext und System-Prompts. Was in einen System-Prompt gehört, was in die Nutzernachricht, und warum eine Rollenangabe ohne Kontext wenig bringt. Du kannst es, wenn du einen System-Prompt mit Behandlung von Sonderfällen schreiben kannst, der einen Satz kniffliger Testnachrichten übersteht. Übung: Schreib einen System-Prompt für einen Support-Bot und schick ihm dann fünf Nachrichten, die ihn aus dem Konzept bringen sollen. Siehe wie du einen System-Prompt schreibst.
Schritt 3: Beispiele. Zero-Shot vs. Few-Shot, wie Beispiele kopiert werden, Ausgewogenheit der Labels. Du kannst es, wenn du vorhersagen kannst, wie ein Beispiel die Ausgabe verzerrt, bevor du sie siehst. Übung: Lass denselben Klassifikations-Prompt mit null, einem und drei Beispielen auf denselben zehn Eingaben laufen und vergleiche. Hintergrund: Zero-Shot vs. Few-Shot Prompting.
Schritt 4: Reasoning. Chain-of-Thought, Begründung vor der Antwort, und wann Reasoning-Modelle das überflüssig machen. Du kannst es, wenn du ganz selbstverständlich das Feld reasoning vor das Feld answer setzt. Übung: Gib einem Modell fünf mehrstufige Textaufgaben mit und ohne "think step by step" und zähle die richtigen Antworten. Siehe Chain-of-Thought Prompting erklärt.
Schritt 5: Strukturierte Ausgabe. JSON-Schemas, die API-Funktionen, die sie durchsetzen, Validierung und Wiederholungen. Übung: Extrahiere fünf Felder aus zehn unordentlichen E-Mails als JSON und zähle, wie viele Ausgaben sich parsen lassen. Siehe zuverlässiges JSON von LLMs.
Schritt 6: Grounding. Retrieval-Augmented Generation, nur aus Quellen antworten, Quellenangaben, ausdrückliche "nicht gefunden"-Antworten. Übung: Stell einem Dokument-Q&A-Setup zehn Fragen, deren Antworten nicht in den Dokumenten stehen. Siehe was ist RAG.
Schritt 7: Tools und Agenten. Tool-Beschreibungen, Agenten-Schleifen, Abbruchbedingungen. Übung: Gib einem Modell ein Tool, das manchmal einen Fehler zurückgibt, und beobachte, was es als Nächstes tut. Siehe Tool Calling und KI-Agenten: die Grundlagen.
Schritt 8: Sicherheit. Prompt Injection, direkt und indirekt, und die Gegenmaßnahmen in der Architektur. Heb dir das auf, bis du Tools verstehst, denn Injection wird dann am wichtigsten, wenn ein Modell handeln kann. Übung: Versteck eine Anweisung in einem Dokument, das dein Setup aus Schritt 6 abruft, und schau, ob das Modell sie befolgt. Siehe Prompt Injection erklärt.
Du musst nicht jeden Schritt abschließen, bevor du den nächsten beginnst. Aber wenn Schritt 7 verwirrend wirkt, liegt die Lücke meist in Schritt 1 oder 5. Falls du dich auch auf eine Zertifizierung vorbereitest: Die Prüfung AWS Certified AI Practitioner testet Prompt-Engineering-Techniken in ihrer größten Domäne. Unsere AIF-C01-Beispielfragen zeigen, wie das aussieht.
Welche Prompt-Engineering-Guides und Tutorials lohnen sich?
Lohnend sind die kostenlosen Guides, die die Modellanbieter veröffentlichen, dazu eine Handvoll Forschungsarbeiten und ein oder zwei Quellen zur Sicherheit. Das ist weniger, als das Internet nahelegt. Eine kurze Liste:
Prompting-Guides der Anbieter. Der Prompt-Engineering-Guide von OpenAI, die Prompt-Engineering-Dokumentation von Anthropic und Googles Prompt-Design-Strategien für Gemini. Sie sind kostenlos, konkret, einigermaßen aktuell und stammen von Leuten, die enorm viele echte Fehlschläge sehen. Lies alle drei: Die Überschneidungen zeigen dir, was allgemeingültig ist, und die Unterschiede, was modellspezifisch ist. Anthropic hat außerdem ein interaktives Prompt-Engineering-Tutorial auf GitHub veröffentlicht, das sich durchzuarbeiten lohnt.
Ein paar Forschungsarbeiten. Du musst keine Forschung lesen, um gut zu prompten, aber einige Arbeiten erklären, warum Techniken funktionieren:
- Brown et al. (2020), "Language Models are Few-Shot Learners": der Ursprung des Few-Shot Prompting.
- Wei et al. (2022), "Chain-of-Thought Prompting Elicits Reasoning in Large Language Models".
- Lewis et al. (2020), die ursprüngliche Arbeit zu Retrieval-Augmented Generation.
- Yao et al. (2022), "ReAct", zum Muster aus Denken und Handeln hinter den meisten Agenten.
Lies das Abstract, die wichtigsten Abbildungen und die Beispiele. Für die Praxis reicht das.
Texte zur Sicherheit. Simon Willisons Blog, wo der Begriff "Prompt Injection" 2022 geprägt wurde, ist die beste laufende Quelle zu dem Thema. Die OWASP Top 10 for LLM Applications geben einen strukturierten Überblick über die Risiken.
Was du überspringen kannst: Listen mit "100 magischen Prompts" und Kurse, deren Hauptinhalt Prompt-Vorlagen sind. Vorlagen bringen dir das Kopieren bei, nicht das Diagnostizieren.
Warum Lesen nicht reicht
Die meisten lernen Prompting, indem sie Tipps lesen und zustimmend nicken. Dann setzen sie sich hin, um einen Prompt zu schreiben, und die Tipps fallen ihnen nicht ein, denn gute Ratschläge wiederzuerkennen ist etwas anderes, als sie aus eigener Kraft anzuwenden.
Die Lernforschung hat für die Abhilfe einen Namen. Retrieval Practice, auch Testeffekt genannt, ist der Befund, dass aktives Abrufen von Wissen das Gedächtnis stärker festigt als erneutes Durchlesen. Die Studie "Test-Enhanced Learning" von Roediger und Karpicke aus dem Jahr 2006 ist eine bekannte Demonstration. Wenn du die Übung über mehrere Tage verteilst, hilft das zusätzlich.
Beim Prompting entspricht dem Test eine Entscheidung unter Unsicherheit:
- Hier ist ein Prompt mit seiner schlechten Ausgabe. Was hat sie verursacht?
- Hier sind vier mögliche Anweisungen. Welche behebt das?
- Hier ist ein RAG-Prompt. Was passiert, wenn das Retrieval nichts liefert?
Solche Fragen zu beantworten und dabei manchmal falschzuliegen, baut das Gespür auf, das du vor einem leeren Prompt brauchst. Du kannst eigene Fragen bauen: Nimm Prompts, die bei dir gescheitert sind, schreib auf, warum, und schau sie eine Woche später noch einmal an, ohne in deine Notizen zu blicken.
Das ist auch die Idee hinter TokIQ, einer Quiz-App, die wir bauen (bei Google Play, bald auch für das iPhone). Jede Frage ist eine Prompting-Entscheidung, und wenn du eine falsch hast, kannst du eine kurze Erklärung lesen und Anschlussfragen zur selben Idee beantworten. Das ist eine Möglichkeit, regelmäßig und zeitlich verteilt zu üben. Es ersetzt nicht das Bauen, und das ist der nächste Schritt.
Welche Projekte solltest du bauen?
Klein, echt und testbar. Ein paar Ideen, bei denen du viel lernst:
Ein Klassifikator für deine eigenen Daten. Sortiere deine E-Mails, Support-Nachrichten oder Notizen in Kategorien. Schreib Definitionen für die Labels, sammle 30 Beispiele mit korrekten Labels, miss die Genauigkeit und verbessere sie. In einem Nachmittag lernst du mehr über Anweisungen und Beispiele als in einer Woche Lesen.
Version 1: "Ordne diese E-Mail einer Kategorie zu."
Version 5: Feste Labelmenge mit Definitionen, eine Regel für Grenzfälle,
zwei unterschiedliche Beispiele pro Label, Ausgabe = nur das Label.
Die Genauigkeit auf deinen 30 Test-E-Mails zeigt, welche Version besser ist.
Ein Extraktor, der JSON ausgibt. Zieh strukturierte Felder aus Rechnungen, Rezepten oder Stellenanzeigen. Nutze ein Schema, validiere die Ausgabe und zähle die Fehlschläge. Das bringt dir zuverlässige strukturierte Ausgabe besser bei als jede Erklärung.
Ein kleines Q&A über Dokumente. Nimm 20 Seiten, die du gut kennst (ein Handbuch, das Wiki deines Teams), und bau ein einfaches Retrieval-Setup. Stell ihm dann zehn Fragen, deren Antworten nicht in den Dokumenten stehen, und zähle, wie oft es etwas erfindet. Diese eine Übung vermittelt den Kern von Grounding.
Ein Skript mit Tool-Nutzung. Ein Modell mit einem oder zwei Tools, etwa einer Wetter-API und einem Kalender. Beobachte, wie es entscheidet, wann es sie aufruft, und was passiert, wenn ein Tool einen Fehler zurückgibt.
Führe für jedes Projekt ein Protokoll: Prompt-Versionen, was sich geändert hat, und die Ergebnisse auf deinem Testsatz. Dieses Protokoll ist zugleich das Portfolio, das zeigt, dass du die Arbeit kannst.
Woran merkst du, dass du besser wirst?
Ein paar Anzeichen, die meist in dieser Reihenfolge auftauchen:
- Du erkennst fehlenden Kontext in einem Prompt, bevor du ihn ausführst.
- Deine ersten Entwürfe brauchen weniger Korrekturrunden.
- Wenn die Ausgabe falsch ist, kannst du die Ursache benennen, statt wahllos umzuschreiben.
- Du schreibst Testfälle, bevor du einen Prompt änderst.
- Du suchst nicht mehr nach Zauberformeln, sondern nach fehlender Information.
Wie viel Zeit brauchst du?
Mit ein paar Stunden pro Woche sitzen die Grundlagen nach wenigen Wochen: Deine Alltags-Prompts werden spürbar besser. Verlässliche Prompts in Anwendungen zu bauen dauert länger, eher Monate als Wochen, weil es auf angesammelter Erfahrung mit Fehlerfällen beruht.
Zwanzig Minuten aktives Üben am Tag plus ein kleines Projekt im Monat bringen die meisten weiter als ein Wochenendkurs. Wenn du einen strukturierten Überblick über die Stufen möchtest, zeigt die Seite So funktioniert's, wie TokIQ sie organisiert, und typische Prompt-Fehler ist ein guter Selbstcheck, sobald du die Grundlagen hast.
Häufige Fragen
Wie lernt man Prompt Engineering am besten?
Geh die Themen in fester Reihenfolge durch: klare Anweisungen und Kontext, Beispiele, Reasoning, strukturierte Ausgabe, Retrieval, Tools und Sicherheit. Lies die kostenlosen Prompting-Guides von OpenAI, Anthropic und Google, teste dich an einzelnen Prompting-Entscheidungen und bau zwei oder drei kleine Projekte mit einem Satz Testeingaben.
Wie lange dauert es, Prompt Engineering zu lernen?
Die Grundlagen, also Kontext geben, das Format festlegen und Beispiele nutzen, lassen sich mit regelmäßiger Übung in wenigen Wochen lernen. Verlässliche Prompts für Anwendungen, mit Tests, Retrieval und Tools, brauchen Monate praktischer Arbeit.
Kann ich Prompt Engineering kostenlos lernen?
Ja. Die Prompting-Guides von OpenAI, Anthropic und Google sind kostenlos und von hoher Qualität, die wichtigsten Forschungsarbeiten sind frei zugänglich, und zum Üben reichen die kostenlosen Stufen der KI-Assistenten.
Brauche ich ein Zertifikat, um im Prompt Engineering zu arbeiten?
Arbeitgeber achten meist mehr auf nachweisbare Arbeit, etwa Prompts, die du für echte Aufgaben gebaut und getestet hast, als auf Zertifikate. Ein kleines Portfolio mit Vorher-nachher-Ergebnissen überzeugt mehr.
Was sollte ich im Prompt Engineering zuerst lernen?
Beginne mit den Grundlagen: klare Aufgaben, Kontext, Ausgabeformat und Beispiele. Danach folgen Reasoning, strukturierte Ausgabe, Retrieval, Tools und Sicherheit, ungefähr in dieser Reihenfolge.
- #Prompt Engineering lernen
- #Prompt-Engineering-Guide
- #Lernpfad
- #Übung
- #Active Recall