Was ist Prompt Engineering? Praxisguide mit Beispielen
Prompt Engineering heißt, Eingaben so zu schreiben, dass KI-Modelle verlässliche Ergebnisse liefern. Die Bausteine eines guten Prompts, mit Beispielen.
In diesem Artikel
- Warum ist die Formulierung eines Prompts so wichtig?
- Wie sieht ein guter Prompt aus?
- Aus welchen Bausteinen besteht ein guter Prompt?
- Ist Prompt Engineering nur etwas für Chatbots?
- Ein durchgespieltes Beispiel: von vage zu verlässlich
- Welche Prompting-Techniken solltest du zuerst kennen?
- Was Prompt Engineering nicht ist
- Wie wirst du darin besser?
Prompt Engineering ist die Praxis, die Eingabe für ein Large Language Model (Anweisungen, Kontext, Beispiele und Formatvorgaben) so zu gestalten, dass die Ausgabe nützlich, korrekt und konsistent ist. In der Praxis heißt das: entscheiden, was das Modell wissen muss, was es tun soll und wie das Ergebnis aussehen soll, und dann testen, ob der Prompt das tatsächlich liefert.
Die Definition klingt abstrakt, deshalb besteht dieser Guide größtenteils aus Beispielen. Wenn du dir nur eins merkst: Ein Modell kann nur mit dem arbeiten, was vor ihm liegt. Die meisten schlechten Ausgaben kommen von einem Prompt, in dem etwas fehlt, was der Schreibende wusste, aber nie gesagt hat.
Warum ist die Formulierung eines Prompts so wichtig?
Ein Sprachmodell sagt die Fortsetzung des Textes voraus, den es bekommen hat. Es hat keinen Zugriff auf dein Projekt, deine Zielgruppe, deine früheren Entwürfe oder das Gespräch, das du mit deiner Chefin über den Ton geführt hast. Alles, was es über deine Situation weiß, stammt aus dem Prompt (und in Chat-Apps aus früheren Nachrichten und eventuellen Memory-Funktionen).
Wenn ein Prompt also lautet "schreib eine Zusammenfassung dieses Berichts", füllt das Modell jede Lücke mit einer Vermutung. Wie lang? Für wen? Stichpunkte oder Fließtext? Soll es Risiken benennen oder neutral bleiben? Die Vermutung ist plausibel und allgemein, denn allgemein ist die sicherste Wette, wenn Information fehlt.
Prompt Engineering ist zum großen Teil die Disziplin, diese Lücken gezielt zu schließen.
Wie sieht ein guter Prompt aus?
Hier eine Anfrage, die jeden Tag an Chat-Assistenten geschickt wird:
Schreibe eine E-Mail an mein Team über den neuen Termin.
Das Modell erzeugt eine höfliche, blasse E-Mail mit Platzhaltern wie "[neues Datum]". Nicht falsch, nur ohne Nacharbeit nutzlos.
Nun eine Fassung von jemandem, der das schon ein paar Mal gemacht hat:
Schreibe eine kurze E-Mail an mein Team aus fünf Backend-Entwicklern.
Kontext: Die Deadline für die API-Migration wurde vom 14. März auf den 28. März
verschoben, weil der Zahlungsanbieter seine Sandbox verspätet
bereitgestellt hat. Im Team trägt niemand Schuld an der Verzögerung.
Zwei Personen hatten Urlaub rund um den alten Termin geplant.
Ziel: Nenne den neuen Termin, erkläre den Grund in einem Satz und
sag, dass sich an den Urlaubsplänen nichts ändern soll.
Ton: direkt und ruhig, keine Floskeln. Unter 120 Wörter.
Unterschreibe mit "Dana".
Daran war nichts Raffiniertes. Der zweite Prompt enthält einfach die Fakten, die Zielgruppe, das Ziel, den Ton und eine Längenbegrenzung. Das ist im Alltag der Großteil von Prompt Engineering.
Aus welchen Bausteinen besteht ein guter Prompt?
Verschiedene Guides benennen sie unterschiedlich, aber dieselben Teile tauchen immer wieder auf. Du brauchst nicht in jedem Prompt jeden davon.
Aufgabe. Das Verb und das Objekt. "Zusammenfassen", "klassifizieren", "umschreiben", "extrahieren", "vergleichen". Vage Verben wie "helfen bei" oder "anschauen" zwingen das Modell zu raten, was du erledigt haben willst.
Kontext. Hintergrund, den das Modell nicht erschließen kann: wer die Zielgruppe ist, wofür das Dokument gebraucht wird, was schon versucht wurde. Hier entsteht der größte Teil der Qualität. Wir behandeln das ausführlich im Thema Rolle und Kontext.
Vorgaben. Länge, Ton, Leseniveau, was zu vermeiden ist, was enthalten sein muss. Vorgaben sind schnell geschrieben und ersparen viel Hin und Her.
Ausgabeformat. Stichpunkte, eine Tabelle, JSON mit bestimmten Schlüsseln, ein einzelnes Wort. Wenn ein Programm die Ausgabe liest, ist das Format nicht optional. Das Thema Strukturierte Ausgabe behandelt diesen Fall im Detail.
Beispiele. Ein bis wenige Eingabe-Ausgabe-Paare, die das gewünschte Muster zeigen. Beispiele sind mächtig und leicht falsch einzusetzen, deshalb haben wir einen eigenen Artikel zu Zero-Shot vs. Few-Shot Prompting geschrieben.
Eine Rolle ("Du bist ein erfahrener Steuerberater") wird manchmal ebenfalls als Baustein aufgeführt. Sie kann Wortschatz und Tiefe setzen, doch eine Rolle ohne Kontext bewirkt weit weniger, als viele erwarten. "Du bist ein Marketing-Experte" bringt wenig, "Die Leser sind Einkaufsleiter in Krankenhäusern, die auf dem Handy überfliegen" bringt viel.
Ist Prompt Engineering nur etwas für Chatbots?
Nein, und genau hier verdient der Begriff das Wort "Engineering". Zwei ziemlich verschiedene Tätigkeiten teilen sich den Namen.
Die erste ist Prompting im Gespräch: Du tippst in ChatGPT, Claude oder Gemini und iterierst, bis die Antwort gut ist. Hier kannst du in der nächsten Runde nachsteuern, ein etwas schwacher Prompt kostet dich also eine Minute.
Die zweite sind Prompts in Software: ein Support-Bot, ein Dokumentklassifikator, ein Tool für Code-Reviews, ein Agent, der APIs aufruft. Der Prompt läuft tausendfach auf Eingaben, die du nie gesehen hast. Niemand ist da, der sagt "nein, kürzer". Eine kleine Mehrdeutigkeit, die du im Chat sofort beheben würdest, wird in der Produktion zu einer Fehlerquote von 4%.
Die zweite Tätigkeit bringt Dinge mit, die die erste selten braucht:
- Einen System-Prompt, der das Verhalten über jedes Gespräch hinweg festlegt (so schreibst du einen).
- Strikte Ausgabeformate, damit Code das Ergebnis parsen kann.
- Grounding des Modells in abgerufenen Dokumenten, damit es keine Fakten erfindet.
- Schutz gegen Prompt Injection, weil Nutzereingaben und Dokumente eigene Anweisungen enthalten können.
- Einen Testsatz: ein paar Dutzend echte Eingaben, die du bei jeder Änderung des Prompts erneut laufen lässt.
Der letzte Punkt ist der, den Einsteiger überspringen und Profis nie. Wenn du einen Produktiv-Prompt änderst, ohne deine Testfälle erneut laufen zu lassen, rätst du.
Ein durchgespieltes Beispiel: von vage zu verlässlich
Angenommen, ein Modell soll eingehende Kundennachrichten in Kategorien sortieren. Erster Versuch:
Kategorisiere diese Kundennachricht.
Nachricht: "Meine Märzrechnung wurde doppelt abgebucht, bitte beheben."
Du bekommst etwa zurück: "Diese Nachricht fällt in die Kategorie Abrechnung, da der Kunde eine doppelte Abbuchung meldet." Für einen Menschen in Ordnung, für Code mühsam. Und die nächste Nachricht kommt vielleicht als "Zahlungen" statt "Abrechnung" zurück, weil du nie gesagt hast, welche Kategorien es gibt.
Zweiter Versuch:
Ordne die Kundennachricht genau einer Kategorie zu.
Kategorien:
- billing: Abbuchungen, Erstattungen, Rechnungen, Zahlungsmethoden
- account: Login, Passwort, Profil, Konto löschen
- bug: Etwas im Produkt ist kaputt oder verhält sich falsch
- other: alles andere
Antworte nur mit dem Kategorienamen in Kleinbuchstaben, sonst nichts.
Nachricht: """Meine Märzrechnung wurde doppelt abgebucht, bitte beheben."""
Drei Änderungen haben die Arbeit gemacht. Die Menge der Labels ist festgelegt, jedes Label hat eine kurze Definition, damit Grenzfälle einen Platz haben, und das Ausgabeformat ist ausformuliert. Die dreifachen Anführungszeichen markieren, wo der Text des Nutzers beginnt und endet, was dem Modell hilft, Daten und Anweisungen auseinanderzuhalten (als Sicherheitsgrenze gegen gezielte Angriffe taugen sie aber nicht).
Dann testest du das an zwanzig echten Nachrichten, auch an unbequemen wie "Ich kann mich nicht einloggen, um meine Rechnung zu sehen". Ist das billing oder account? Deine Definitionen sollten das beantworten. Tun sie es nicht, wählt das Modell uneinheitlich, und die Lösung ist eine schärfere Definition, kein strengerer Ton.
Welche Prompting-Techniken solltest du zuerst kennen?
Eine kurze, ehrliche Liste, in der Reihenfolge, in der sie meist wichtig werden:
- Sei konkret bei Aufgabe und Ausgabeformat. Das deckt die meisten Alltagsprobleme ab.
- Gib Kontext. Zielgruppe, Zweck, Vorgaben, woran man "gut" erkennt.
- Zeig Beispiele, wenn sich Format oder Stil schlecht in Worten beschreiben lassen.
- Verlang bei mehrstufigen Problemen die Begründung vor der Antwort. Das ist die Idee hinter Chain-of-Thought Prompting, auch wenn neuere Reasoning-Modelle vieles davon selbst erledigen.
- Verankere Antworten in Quellen, wenn es auf Fakten ankommt, mit Retrieval. Darum geht es im Thema Grounding (RAG).
- Definiere Tools klar, wenn das Modell Aktionen ausführen kann.
Du wirst merken, dass auf dieser Liste keine Zauberformeln stehen. Anfangs tauschten Leute Beschwörungen wie "atme tief durch" oder boten dem Modell Trinkgeld an. Manche davon hatten bei bestimmten älteren Modellen messbare Effekte, aber sie übertragen sich nicht verlässlich und ersetzen keinen Prompt, der sagt, was du willst.
Was Prompt Engineering nicht ist
Es ist kein Weg, ein Modell Dinge wissen zu lassen, die es nicht weiß. Wenn die Antwort von der internen Richtlinie deines Unternehmens abhängt, liefert sie keine Formulierung, solange die Richtlinie nicht im Prompt steht oder dort hineingeholt wird.
Es ist auch keine einmalige Handlung. Modelle werden aktualisiert, Eingaben driften, und ein Prompt, der bei einem Modell funktionierte, kann sich bei einem anderen anders verhalten. Teste mit dem Modell, das du wirklich nutzt, und teste erneut, wenn es sich ändert.
Und es ist nicht nur Schreiben. Ein großer Teil der Arbeit besteht darin, Ausgaben kritisch zu lesen: erkennen, wo das Modell den Buchstaben der Anweisung befolgt, die Absicht aber verfehlt hat, und herausfinden, welcher fehlende Satz das verursacht hat.
Wie wirst du darin besser?
Schreib Prompts für echte Aufgaben, lies die Ausgaben genau und ändere immer nur eine Sache. Lies die Prompting-Guides, die OpenAI, Anthropic und Google für ihre eigenen Modelle veröffentlichen: Sie sind kostenlos, konkret und von Leuten geschrieben, die viele Fehlerfälle sehen.
Es hilft auch, einzelne Entscheidungen isoliert zu üben: Welche dieser vier Anweisungen behebt diese Ausgabe, wo genau scheitert dieser Prompt. Genau dafür ist TokIQ gedacht, eine Quiz-App, die wir bauen (bei Google Play, bald auch für das iPhone). Womit du auch übst, die Gewohnheit, auf die es ankommt, ist dieselbe: Behandle jede enttäuschende Ausgabe als Information über deinen Prompt. Für einen strukturierten Weg siehe Prompt Engineering lernen oder starte mit dem Thema Fundamentals.
Häufige Fragen
Was ist Prompt Engineering in einfachen Worten?
Prompt Engineering heißt, die Anweisungen, den Kontext und die Beispiele, die du einem KI-Modell gibst, so zu schreiben, dass es die Ausgabe liefert, die du wirklich brauchst. Es umfasst sowohl die Formulierung einer einzelnen Anfrage als auch das Design wiederverwendbarer Prompts in Apps.
Ist Prompt Engineering noch relevant, jetzt wo Modelle klüger sind?
Ja. Bessere Modelle verzeihen vage Formulierungen öfter, können aber weiterhin keinen Kontext erraten, den du nie gegeben hast, auch nicht deinen Qualitätsanspruch oder das genaue Format, das dein Code erwartet. Die Arbeit hat sich von Tricks hin zu klarer Spezifikation und Tests verschoben.
Muss ich programmieren können, um Prompt Engineering zu machen?
Nein. Der größte Teil des Könnens ist klares Schreiben und sorgfältiges Testen. Programmieren hilft, wenn du Prompts in Software einbaust, etwa um JSON-Ausgaben zu validieren oder denselben Prompt gegen viele Testeingaben laufen zu lassen.
Aus welchen Teilen besteht ein Prompt?
Ein brauchbarer Prompt hat meist eine Aufgabe, den Kontext, den das Modell braucht, Vorgaben wie Länge oder Ton, das Ausgabeformat und manchmal Beispiele. Nicht jeder Prompt braucht alles, aber fehlender Kontext und fehlendes Format sind die häufigsten Ursachen für schwache Ergebnisse.
- #Prompt Engineering
- #Grundlagen
- #Prompt-Beispiele
- #LLM