Grundlagen des Prompt Engineering: Die Kerntechniken
Rolle, Kontext, Vorgaben, Format, Beispiele. Die sechs Bausteine, auf denen fast jeder starke Prompt beruht – erklärt mit Beispielen zum Wiederverwenden.
Bitte zwei Leute, einen Prompt für denselben Job zu schreiben, und aus demselben Modell kommen zwei völlig unterschiedliche Ergebnisse. Der Unterschied liegt selten am Modell. Es sind die Anweisungen. Ein starker Prompt wird zusammengesetzt, nicht erraten, und sobald du die Bausteine kennst, aus denen er besteht, kannst du sie bewusst kombinieren, statt dieselbe Anfrage achtmal umzuschreiben in der Hoffnung, dass eine Version sitzt. Sechs Teile erledigen den Großteil der Arbeit, und zwei Gewohnheiten trennen Menschen, die mit dem Modell ringen, von denen, die es steuern.
Gib dem Modell eine Rolle
Eine Rolle legt Vokabular, Annahmen und Standardtiefe des Modells fest, noch bevor du um irgendetwas gebeten hast. „Erklär diesen Bug" und „Du bist ein erfahrener Backend-Entwickler, der den Pull Request eines Juniors prüft; erklär diesen Bug" holen Antworten aus verschiedenen Ecken. Die zweite weiß, dass sie Randfälle, Benennung und die Korrektur ansprechen sollte, die ein Reviewer tatsächlich hinterlassen würde.
Halte die Rolle konkret und an das gewünschte Ergebnis gebunden. „Du bist ein hilfreicher Assistent" bringt nichts. „Du bist ein Fachredakteur für ein Entwicklerpublikum, der Füllwörter streicht und unbelegte Behauptungen markiert" verändert jeden Satz, der folgt.
Formuliere die Aufgabe mit einem Handlungsverb
Die Aufgabe ist die eine Sache, die du erledigt haben willst, und sie sollte mit einem Verb beginnen, das keinen Interpretationsspielraum lässt. „Fasse zusammen", „vergleiche", „schreibe um", „klassifiziere", „extrahiere", „entwirf", „kritisiere". Vage Einstiege wie „hilf mir mit" oder „schau dir an" zwingen das Modell zu raten, ob du eine Zusammenfassung, eine Meinung oder eine Umschreibung willst – und es rät oft falsch.
Ein Prompt, ein Hauptverb. Wenn du dich dabei ertappst, drei Anfragen zu stapeln, sind das meist zwei Prompts im Trenchcoat. Trenn sie. Eine Anfrage, „extrahiere die Action Items und ordne sie dann nach Dringlichkeit und entwirf dann E-Mails", ist als Schritte, die du dazwischen prüfen kannst, sauberer.
Ergänze den Kontext, den es nicht erraten kann
Das Modell kennt Sprache. Es kennt deine Situation nicht. Kontext ist alles Spezifische an deinem Fall, das die richtige Antwort verändert: wer die Zielgruppe ist, was schon versucht wurde, was das Quellenmaterial tatsächlich sagt, wie „gut" hier aussieht.
- Für wen ist das, und was weiß diese Person bereits?
- Was ist der Quelltext, die Daten oder die Vorgabe, die die Antwort beachten muss?
- Was haben frühere Versuche falsch gemacht, das du vermeiden willst?
Füge das echte Material ein, statt es zu beschreiben. „Fasse unsere Rückerstattungsrichtlinie zusammen" liefert eine generische Antwort. Die Richtlinie einzufügen und um eine Zusammenfassung zu bitten, liefert deine Antwort. Wenn du nicht sicher bist, wie viel Hintergrund du mitgeben sollst, zeigt unsere Anleitung zum Schreiben von Prompts von Grund auf, wie du Kontext schichtest, ohne die Aufgabe zu verschütten.
Setze Vorgaben und lege das Ausgabeformat fest
Vorgaben sind die Leitplanken: Länge, Ton und die Dinge, die vermieden werden sollen. Das Format ist die Form, die du zurückhaben willst. Beides zählt, weil ein Modell ohne Grenzen auf einen mittellangen, mittelförmlichen Absatz zurückfällt, der fast nie genau das ist, was du brauchst.
Nenne die Grenzen, die dir wichtig sind:
- Länge: „unter 80 Wörter", „genau drei Stichpunkte", „ein Satz".
- Ton: „schlicht und direkt, keine Ausrufezeichen", „warm, aber professionell".
- Zu vermeiden: „kein Fachjargon", „erwähne keine Preise", „vermeide das Wort ‚Lösung'".
- Format: JSON mit benannten Schlüsseln, eine Markdown-Tabelle, eine nummerierte Liste, ein einzelner Codeblock.
Wenn du strukturierte Ausgabe brauchst, beschreibe die Struktur genau, und das Modell hält sich daran.
Sobald du einen Prompt hast, der weitgehend funktioniert, zeigt dir ein Durchlauf durch die Prompt-Analyse, wo deine Vorgaben noch vage sind, und der Prompt-Optimierer kann die Formulierung für dich straffen.
Zeig ihm ein Beispiel
Dem Modell zu sagen, was du willst, ist gut. Es ihm zu zeigen, ist besser. Ein, zwei ausgearbeitete Beispiele legen Ton, Struktur und die Behandlung von Randfällen präziser fest, als es ein ganzer Absatz Beschreibung je könnte. Das ist der Unterschied zwischen Zero-Shot- und Few-Shot-Prompting, und es lohnt sich zu verstehen, wann sich was auszahlt – was der Ratgeber Zero-Shot vs. Few-Shot ausführlich behandelt.
Ein Beispiel wirkt wie eine Vorlage, an der das Modell Muster abgleicht. Zeig die Eingabe und die exakte Ausgabe, die du akzeptieren würdest, und gib ihm dann die echte Eingabe.
Zwei Beispiele, die verschiedene Fälle abdecken (eine lange Notiz, eine geschwätzige), bringen dem Modell die Grenzen schneller bei als fünf fast identische. Qualität und Vielfalt schlagen Quantität.
Lass es begründen, dann iteriere
Bei allem mit Schritten, Vergleichen oder der Chance auf einen Fehltritt bitte das Modell, vor der Antwort zu begründen. „Durchdenke die Abwägungen Schritt für Schritt, dann gib deine Empfehlung" verbessert die Genauigkeit bei Logik, Mathe und mehrteiligen Entscheidungen zuverlässig, weil das Modell Zwischenschritte durcharbeitet, statt zu einer Vermutung zu springen. Wenn du die Begründung geformt und über mehrere Durchläufe konsistent haben willst, legt ein Gerüst wie der Chain-of-Thought-Prompt-Generator die Schritte für dich aus.
Eine Warnung: Wenn du für ein nachgelagertes System eine saubere Endantwort brauchst, bitte das Modell, intern zu begründen und dann nur das Ergebnis auszugeben – sonst landet die Begründung in deinem JSON.
Die zweite Gewohnheit ist Iteration. Dein erster Prompt ist ein Entwurf. Führ ihn aus, lies, was zurückkam, und behandle jeden Fehlschlag als fehlende Anweisung statt als kaputtes Modell. Zu lang? Ergänze eine Längenbegrenzung. Zu förmlich? Benenne den Ton. Vom Thema abgekommen? Straffe das Aufgabenverb oder ergänze eine Zu-vermeiden-Zeile. Ändere jeweils eine Variable, damit du weißt, was es behoben hat.
- Führ den Prompt aus und vergleiche die Ausgabe mit dem, was du eigentlich wolltest.
- Finde die einzelne größte Lücke und ergänze eine Anweisung, die sie schließt.
- Wiederhole, bis es langweilig und verlässlich ist, und speichere diesen Prompt dann als deine Vorlage.
Diese Schleife ist das ganze Handwerk. Um die häufige Sorge direkt zu beantworten: Bessere Modelle machen das nicht überflüssig. Sie heben die Obergrenze, aber Konsistenz und Kontrolle kommen weiterhin vom Prompt, nicht vom Hoffen. Sobald sich diese sechs Bausteine automatisch anfühlen, behandelt der Ratgeber zu fortgeschrittenen Techniken, was als Nächstes kommt – inklusive Prompt-Chaining, Selbstkritik und Evaluierung.