KI-Prompt-Optimierer

Warum Struktur wichtiger ist als Länge

Wer schlechte Antworten bekommt, schreibt meistens keine zu kurzen Prompts. Er schreibt formlose. Ein 400-Wörter-Absatz ohne Gliederung gibt dem Modell keine Ankerpunkte: Es muss raten, welcher Satz die Anweisung ist, welcher Hintergrund liefert und wie die Antwort aussehen soll. Ein 120-Wörter-Prompt, aufgeteilt in Rolle, Aufgabe, Kontext, Vorgaben und Ausgabeformat, liefert fünf Anker und kaum noch etwas zu raten.

Genau darum geht es hier. Der Optimizer bläst deine Anfrage nicht auf. Er sortiert sie.

Dahinter steckt ein mechanischer Grund. Modelle sagen das nächste Token aus allem Vorherigen voraus, und Überschriften filtern diese Vorhersage. Sobald das Modell "Vorgaben:" liest, behandelt es die folgenden Zeilen als Regeln, nicht als Vorschläge. Sobald es "Ausgabeformat:" liest, formt es die Antwort schon, bevor es ein Wort schreibt. Du trickst es nicht aus — du nimmst ihm eine Mehrdeutigkeit ab, die es sonst mit einer durchschnittlichen, vergessenswerten Antwort auflösen würde. Warum das so ist, erklären die Grundlagen des Prompt Engineering.

Länge zählt trotzdem, nur anders als gedacht. Zusätzliche Wörter helfen nur, wenn sie Information tragen, die das Modell nicht ableiten kann. Der Rest ist Rauschen, das du doppelt bezahlst: einmal in Tokens, einmal in verwässerter Aufmerksamkeit.

Was die einzelnen Blöcke leisten

Der erzeugte Prompt hat fünf Blöcke. Jeder löst ein anderes Problem.

• Rolle. Legt Vokabular, angenommene Expertise und Standardtiefe fest. Ein Steuerberater und ein Finanzblogger beantworten dieselbe Frage in völlig anderer Tonlage.
• Aufgabe. Ein Satz, ein Verb. Steht darin "und außerdem", hast du zwei Prompts.
• Kontext. Was das Modell nicht erraten kann: Zielgruppe, Produkt, frühere Entscheidungen, was du schon probiert hast. Genau hier sind schwache Prompts tatsächlich schwach.
• Vorgaben. Länge, Dinge, die wegbleiben, verbotene Behauptungen. Negative Anweisungen gehören hierher, formuliert als Regel statt als Bitte.
• Ausgabeformat. Tabelle, Stichpunkte, JSON, Abschnitte. Sag es, sonst bekommst du Fließtext.

Lass einen weg und du kannst vorhersagen, was schiefgeht. Keine Rolle, generischer Text. Keine Vorgaben, 900 Wörter statt der gewünschten 200. Kein Ausgabeformat, ein Aufsatz, den du von Hand umbaust.

Rolle, Tonfall und wann Schritt für Schritt sinnvoll ist

Eine Rolle verdient ihren Platz nur, wenn ein Austausch die Antwort verändern würde. "Du bist ein hilfreicher Assistent" fällt durch. "Du bist ein Tech-Recruiter, der 500 Backend-Entwickler gescreent hat" besteht: Das impliziert Maßstäbe, Fachsprache und Prioritäten, die das Modell anwendet.

Drei Dinge machen eine Rolle wirksam:

• Erfahrungsstufe. "Senior" oder "macht X seit N Jahren" verschiebt die Tiefe spürbar.
• Ein Standpunkt. Ein Growth Marketer und ein Brand Strategist sind sich über dieselbe Landingpage uneinig. Wähle den, dessen Widerspruch du hören willst.
• Ein Verhältnis zur Zielgruppe. "erklärt es einem Gründer ohne Technikhintergrund" verändert die Satzlänge stärker als jede Tonfall-Anweisung.

Der Tonfall ist ein eigener Regler. Stell ihn auf deine Leser ein, nicht auf deine Laune: "direkt, keine Weichmacher" für interne Dokumente, "freundlich, aber nicht plaudernd" für Support-Antworten. Vage Tonwörter wie "professionell" bewirken fast nichts. Nenn stattdessen eine Vorgabe — keine Ausrufezeichen, kurze Sätze, keine Werbeadjektive.

Der Schritt-für-Schritt-Schalter fordert das Modell auf, vor der Antwort zu denken. Bei mehrstufiger Mathematik, Debugging und Abwägungsvergleichen bringt das echt etwas — überall dort, wo ein falscher Zwischenschritt das Ergebnis vergiftet. Bei Tonfall-Umschriften, kurzen Texten und Formatierungsaufgaben ist er nahezu nutzlos: Du zahlst Tokens und wartest länger auf dieselbe Antwort, manchmal auf eine schlechtere, weil sich das Modell in eine überkonstruierte Lösung hineinredet.

Als Faustregel: einschalten, wenn ein menschlicher Experte Schmierpapier bräuchte. Sonst aus lassen. Damit das Denken Struktur bekommt und nicht ausufert, nimm den Chain-of-Thought-Builder und lies, wann Chain-of-Thought hilft und wann es schadet.

Den Prompt an das Modell anpassen

Derselbe optimierte Prompt ist nicht überall gleich gut.

• Claude belohnt langen, geordneten Kontext und explizite Vorgaben und verträgt Details. Siehe den Claude Prompting Guide.
• GPT-Modelle reagieren stark auf Rolle und Format, verlieren aber bei langen Vorgabenlisten den Faden — behalte die fünf, die zählen.
• Gemini kommt besser klar, wenn der Aufgabensatz früh steht und der Kontext danach, nicht umgekehrt.
• Bildmodelle ignorieren diese Struktur. Beschreibe stattdessen Motiv, Stil, Licht und Bildaufbau, im Bild-Prompt-Builder.

Was du wiederverwendest, gehört zum stabilen Teil in einen System-Prompt — in der User-Nachricht bleibt nur die Anfrage.

Ein Beispiel: vorher und nachher

Ein typisch schlechter Prompt:

Nichts grenzt die Antwort ein. "Was" kann eine Headline sein oder ein 2.000-Wörter-Beitrag. "Gut" ist nicht messbar. Du bekommst solide Füllmasse. Optimiert:

Dieselbe Anfrage, aber jeder Satz nimmt jetzt eine Unsicherheit weg. Schick das Ergebnis durch den Prompt-Analyzer, um Restvages aufzuspüren; wenn du bei null statt bei einem Entwurf startest, bringt dich der KI-Prompt-Generator schneller in diese Form. Nach Mustern zum Abschauen suchst du am besten zuerst in der Prompt-Bibliothek.