Prompt-Engineering in der Praxis: hochwertige Prompts schreiben
Mit demselben Modell führen unterschiedliche Prompts oft zu dramatisch anderen Ergebnissen. Dieses Tutorial bündelt die praxistauglichsten Prompting-Techniken, damit du verlässlich hochwertige Ausgaben bekommst.
VonAI Resource Hub
Gib klare, konkrete Anweisungen
Auf vage Fragen gibt es nur vage Antworten. Sag dem Modell genau, was du willst: Je konkreter Aufgabe, Ziel, Ausgabeformat, Länge und Ton, desto besser.
Statt „hilf mir, einen Text zu schreiben“ also besser: „Schreibe 3 Slogans mit je maximal 10 Wörtern für ein KI-Tool für Entwickler, knapp und professionell im Stil.“
Liefere Kontext und Beispiele
Gib dem Modell den nötigen Hintergrund, damit die Antwort zu deinem Szenario passt: Packe relevantes Material und Einschränkungen direkt in den Prompt.
Soll die Ausgabe einem bestimmten Format folgen, wirken ein bis zwei Beispiele (Few-Shot) meist besser als jede lange Erklärung.
Führe das Modell zum schrittweisen Denken
Bei Denk- und Rechenaufgaben steigert ein Zusatz wie „denke Schritt für Schritt“ (Chain-of-Thought) die Genauigkeit deutlich.
Du kannst eine komplexe Aufgabe auch in mehrere Schritte zerlegen, jeden einzeln abfragen und das Modell am Ende die Ergebnisse zusammenführen lassen.
Lege Rolle und Ausgabeformat fest
Weist man dem Modell eine Rolle zu, etwa „du bist ein Senior-Frontend-Engineer“, werden die Antworten professioneller und fokussierter.
Brauchst du strukturierte Ergebnisse, fordere explizit JSON, eine Markdown-Tabelle oder eine nummerierte Liste an – das erleichtert die Weiterverarbeitung enorm.
Typische Stolperfallen
Stopfe nicht zu viele widersprüchliche Anforderungen in eine Anfrage; setze nicht voraus, dass das Modell deine stillen Annahmen kennt; und plane bei Fakten immer einen Prüfschritt ein.
Behandle den Prompt wie ein iterierbares „Programm“: Starte mit einer ersten Version und verfeinere sie anhand der Ausgabe, bis du dich dem Ideal näherst.
Fortgeschrittene Muster
Über Grundtechniken hinaus können einige fortgeschrittene Muster die Ergebnisse deutlich verbessern. Chain-of-Thought (CoT) lässt das Modell vor der Antwort laut denken, was die Genauigkeit bei Mathe- und Logikaufgaben erhöht. ReAct kombiniert Denken und Handeln: Das Modell überlegt, ruft ein Tool auf, beobachtet das Ergebnis und iteriert. Tree-of-Thought erkundet mehrere Denkwege parallel und wählt den besten. Self-Consistency erzeugt mehrere Antworten und nimmt die Mehrheitswahl, um Einzelfehler zu reduzieren.
Iterativer Verfeinerungs-Workflow
Betrachte Prompting als einen iterativen Engineering-Kreislauf, nicht als einen einzigen Schuss. Schritt 1: Schreibe einen Entwurfs-Prompt und teste ihn mit 5–10 repräsentativen Eingaben. Schritt 2: Prüfe die Ausgaben – wo scheitern sie? Fehlender Kontext? Falsches Format? Falscher Ton? Schritt 3: Füge gezielte Constraints hinzu und führe erneut aus. Schritt 4: Wenn die Qualität akzeptabel ist, automatisiere mit strukturiertem Output (JSON-Modus, Function Calling) und füge Evaluationsmetriken hinzu. Dieser Build-Measure-Learn-Zyklus ist es, wie Prompt-Systeme in der Produktion wirklich funktionieren.