Die gleiche KI liefert bei der einen Person brillante Ergebnisse und bei der anderen nur belanglose Allgemeinplätze. Der Unterschied liegt selten am Modell – er liegt an der Formulierung der Anweisung, dem sogenannten Prompt. Prompt Engineering ist die Kunst und Handwerkskunst, mit Sprachmodellen so zu kommunizieren, dass sie zuverlässig genau das tun, was du brauchst. Dieser Artikel zeigt dir die wichtigsten Techniken, die in der Praxis den größten Unterschied machen.
Warum die Formulierung so viel ausmacht
Ein großes Sprachmodell ist kein Suchsystem, das eine richtige Antwort nachschlägt. Es sagt auf Basis deiner Eingabe das wahrscheinlichste nächste Wort voraus – immer wieder, bis eine vollständige Antwort entsteht. Deine Eingabe bestimmt also den gesamten Kontext, aus dem das Modell seine Antwort ableitet. Je präziser, vollständiger und strukturierter dein Prompt ist, desto enger lenkst du das Modell in die gewünschte Richtung.
Vage Eingaben führen zu vagen Ausgaben. „Schreib etwas über Marketing" produziert beliebigen Text. „Schreib drei konkrete Betreffzeilen für eine E-Mail-Kampagne an Bestandskunden eines Online-Shops für Sportbekleidung, jeweils unter 50 Zeichen, mit klarem Mehrwert" produziert brauchbares Material. Der Unterschied ist allein die Formulierung.
Die Bausteine eines guten Prompts
Ein durchdachter Prompt besteht oft aus mehreren Komponenten, die du je nach Aufgabe kombinierst:
1. Rolle (Persona)
Indem du dem Modell eine Rolle zuweist, aktivierst du den passenden Stil und das passende Vokabular. „Du bist eine erfahrene Steuerberaterin" führt zu anderen Antworten als „Du bist ein Grundschullehrer, der einem Kind etwas erklärt". Die Rolle setzt den Ton und das Fachniveau.
2. Aufgabe
Beschreibe klar und in einem aktiven Satz, was getan werden soll. Verben wie „fasse zusammen", „vergleiche", „erstelle eine Liste", „übersetze" oder „korrigiere" sind eindeutiger als Wünsche wie „hilf mir mit".
3. Kontext
Gib dem Modell die nötigen Hintergrundinformationen. Für wen ist der Text? Was ist das Ziel? Welche Vorgaben gelten? Modelle können nicht erraten, was nur in deinem Kopf existiert – alles Relevante muss in den Prompt.
4. Format
Lege fest, wie die Antwort aussehen soll: als Tabelle, als nummerierte Liste, als JSON, als Fließtext mit maximal drei Absätzen. Klare Formatvorgaben sparen dir nachträgliches Aufräumen und machen Ausgaben maschinell weiterverarbeitbar.
5. Einschränkungen
Grenzen helfen: „maximal 100 Wörter", „ohne Fachbegriffe", „nur auf Basis des folgenden Textes", „keine Aufzählungen". Solche Leitplanken verhindern, dass das Modell abschweift oder erfindet.
Few-Shot-Prompting: mit Beispielen führen
Eine der wirkungsvollsten Techniken ist das Few-Shot-Prompting. Statt nur zu beschreiben, was du willst, zeigst du es an ein oder mehreren Beispielen. Das Modell erkennt das Muster und überträgt es auf deinen neuen Fall.
Möchtest du zum Beispiel Produktnamen in eine bestimmte Kategorie einsortieren, gibst du erst zwei, drei korrekt zugeordnete Beispiele vor und stellst dann die eigentliche Frage. Diese demonstrierte Erwartung ist oft präziser als jede verbale Beschreibung. Man unterscheidet:
- Zero-Shot: nur die Anweisung, kein Beispiel – funktioniert bei einfachen, eindeutigen Aufgaben.
- One-Shot: ein einziges Beispiel, das das gewünschte Muster zeigt.
- Few-Shot: mehrere Beispiele – besonders hilfreich bei Klassifizierungen, festen Formaten oder eigenwilligem Stil.
Chain-of-Thought: das Modell laut denken lassen
Bei Aufgaben, die mehrere Denkschritte erfordern – Rechenaufgaben, Logikrätsel, komplexe Entscheidungen – hilft die Technik Chain-of-Thought. Du forderst das Modell auf, seinen Lösungsweg Schritt für Schritt darzulegen, bevor es eine endgültige Antwort gibt. Ein einfaches „Denke Schritt für Schritt nach" am Ende des Prompts genügt häufig schon.
Der Effekt: Das Modell verteilt die Rechenarbeit über mehrere Zwischenschritte, statt sofort zu einem (oft falschen) Ergebnis zu springen. Das verbessert die Trefferquote bei logischen Aufgaben spürbar. Für den Endnutzer kannst du das Modell anschließend bitten, nur das Endergebnis sauber zusammenzufassen.
Iteration statt Perfektion beim ersten Versuch
Ein verbreiteter Irrtum ist, dass der perfekte Prompt auf Anhieb sitzen muss. In der Praxis ist Prompting ein iterativer Prozess: Du formulierst, betrachtest das Ergebnis, erkennst, was fehlt, und schärfst nach. Häufige Nachschärfungen:
- „Das ist zu lang – kürze auf die Hälfte."
- „Formelle Ansprache, bitte Sie statt Du."
- „Gib stattdessen drei Alternativen mit jeweils einem Satz Begründung."
- „Belege jede Behauptung mit einem konkreten Beispiel."
Weil das Modell den bisherigen Gesprächsverlauf kennt, musst du nicht alles wiederholen. Du baust auf der vorherigen Antwort auf und steuerst gezielt nach.
Strukturierte Ausgaben erzwingen
Wenn du KI-Ausgaben weiterverarbeiten willst – etwa in einer Tabelle, einer Datenbank oder einem Skript – ist ein vorhersehbares Format entscheidend. Bitte das Modell ausdrücklich um valides JSON, eine CSV-Struktur oder eine Markdown-Tabelle und gib das exakte Schema vor. Beispiel: „Antworte ausschließlich mit einem JSON-Objekt mit den Feldern titel, kategorie und prioritaet."
Solche Ausgaben lassen sich dann automatisiert prüfen. Wenn du etwa JSON aus einer KI weiterverwendest, kannst du die Struktur mit einem passenden Werkzeug aus unserem Webtools-Bereich validieren und formatieren, bevor du sie in deine Anwendung übernimmst. Das fängt Tippfehler und fehlende Klammern ab, bevor sie Probleme verursachen.
Typische Fehler beim Prompten
- Zu vage: „Mach das besser" sagt dem Modell nicht, was „besser" bedeutet. Benenne das konkrete Ziel.
- Zu viel auf einmal: Fünf unterschiedliche Aufgaben in einem Prompt führen zu Halbgarem. Teile große Aufgaben in Schritte.
- Fehlender Kontext: Das Modell kennt deine Branche, deine Zielgruppe und deine Vorgeschichte nicht, wenn du sie nicht nennst.
- Verneinungen statt Vorgaben: „Schreib nicht so förmlich" ist schwächer als „Schreib locker und in der Du-Form". Sage, was du willst, nicht nur, was du nicht willst.
- Blindes Vertrauen: Modelle erfinden mitunter plausibel klingende, aber falsche Fakten (sogenannte Halluzinationen). Prüfe kritische Angaben immer nach.
Prompts wiederverwenden und systematisieren
Wer KI regelmäßig nutzt, sollte bewährte Prompts speichern. Eine kleine persönliche Bibliothek mit Vorlagen für wiederkehrende Aufgaben – Zusammenfassungen, E-Mail-Entwürfe, Übersetzungen, Code-Reviews – spart enorm Zeit. Viele Profis arbeiten mit Platzhaltern, in die sie nur noch den konkreten Inhalt einsetzen.
Für komplexere Anwendungen, die Sprachmodelle programmatisch ansprechen, kommen sogenannte System-Prompts ins Spiel: feste Grundanweisungen, die das Verhalten über alle Nutzeranfragen hinweg bestimmen. Wer eigene KI-Anwendungen baut, etwa auf Basis eines lokalen Modells mit Ollama, profitiert besonders von durchdachten System-Prompts.
Fazit
Prompt Engineering ist keine Geheimwissenschaft, sondern klares Denken in Worten. Wer Rolle, Aufgabe, Kontext, Format und Einschränkungen bewusst formuliert, mit Beispielen führt und bei Bedarf nachschärft, holt aus jedem Modell deutlich mehr heraus. Die Technik entwickelt sich weiter, doch das Grundprinzip bleibt: Je präziser du kommunizierst, desto besser arbeitet die KI für dich. Probiere die Techniken aus diesem Artikel an deinen eigenen Aufgaben aus – der Unterschied wird sofort sichtbar.
Häufige Fragen
Funktionieren Prompt-Techniken bei allen KI-Modellen gleich?
Die Grundprinzipien – Klarheit, Kontext, Beispiele, Formatvorgaben – funktionieren modellübergreifend. Im Detail reagiert jedes Modell etwas anders, weshalb ein bewährter Prompt bei einem Modellwechsel manchmal leicht angepasst werden muss.
Muss ich Englisch prompten, um gute Ergebnisse zu bekommen?
Moderne Modelle verstehen Deutsch sehr gut. Für deutschsprachige Ausgaben ist es meist sinnvoll, auch auf Deutsch zu prompten. Bei sehr speziellem Fachvokabular kann Englisch gelegentlich präziser sein, weil mehr Trainingsmaterial existiert.
Was ist der Unterschied zwischen einem System-Prompt und einem normalen Prompt?
Ein System-Prompt legt das grundsätzliche Verhalten und die Rolle des Modells fest und gilt für die gesamte Unterhaltung. Der normale Prompt ist die einzelne Nutzeranfrage. In Chat-Oberflächen ist der System-Prompt oft unsichtbar voreingestellt; bei eigenen Anwendungen setzt du ihn selbst.
Wie verhindere ich, dass die KI Dinge erfindet?
Vollständig verhindern lässt es sich nicht, aber du kannst das Risiko senken: Weise das Modell an, nur auf Basis bereitgestellter Informationen zu antworten, fordere Quellenangaben oder die explizite Aussage „weiß ich nicht" ein, und prüfe kritische Fakten grundsätzlich selbst nach.
Lohnt sich das Lernen von Prompt Engineering überhaupt noch, wenn Modelle immer besser werden?
Ja. Auch leistungsfähigere Modelle liefern bessere Ergebnisse, wenn sie klar und kontextreich angewiesen werden. Präzise Kommunikation bleibt wertvoll – sie verschiebt sich nur von Tricks hin zu klarem, strukturiertem Denken.