Inhalt dieser Seite
Das Wichtigste in Kürze
- Ein Prompt ist die Anweisung an ein Sprachmodell. Je genauer er Aufgabe und gewünschtes Ergebnis beschreibt, desto weniger Nacharbeit fällt an.
- Beispiele für ein gutes Ergebnis gehören in fast jeden Prompt. Google empfiehlt sie ausdrücklich, Anthropic nennt drei bis fünf Beispiele als guten Wert.
- Neues Wissen bringt ein Prompt dem Modell nicht bei. Fakten, die stimmen müssen, geben Sie deshalb als Material im Prompt mit.
- Bewährte Prompts gehören als Vorlage ins Team, mit Beispiel und Prüfschritt. Dann arbeiten alle nach denselben Vorgaben.
- Ein neues Modell kann dieselbe Vorlage anders umsetzen. Testen Sie wichtige Prompts nach jedem Modellwechsel erneut.
Beispiel aus der Praxis
Ein Onlinehändler für Arbeitskleidung lässt ein Sprachmodell Beschreibungen für neue Sicherheitsschuhe schreiben. Der erste Prompt lautet „Schreibe eine Produktbeschreibung für diesen Schuh“. Die Texte klingen austauschbar, und die Schutzklasse fehlt in manchen Entwürfen oder ist falsch angegeben.
Das Team baut daraufhin eine Vorlage. Sie beschreibt Zielgruppe und Tonfall und legt Länge und Aufbau fest. Die Produktdaten kommen direkt aus dem Shopsystem, und zwei freigegebene Beschreibungen dienen als Beispiel. Seitdem brauchen die Entwürfe weniger Nacharbeit, und jede Schutzklasse stammt aus den Produktdaten.
Was gehört in einen guten Prompt?
Ein guter Prompt enthält alles, was eine neue Kollegin für dieselbe Aufgabe wissen müsste. Anthropic beschreibt das Modell als fähige, aber neue Mitarbeiterin, die Ihre Abläufe nicht kennt. Als Faustregel empfiehlt der Anbieter, einen Prompt testweise einer Person ohne Vorwissen zu geben. Versteht sie ihn falsch, tut es das Modell auch.
Diese fünf Bestandteile empfehlen die Leitfäden der großen Modellanbieter in ähnlicher Form.
- Kontext. Das Modell erfährt, wer das Ergebnis liest und wofür es gebraucht wird. Anthropic rät, auch den Grund einer Anweisung zu nennen.
- Aufgabe. Eine klare Anweisung mit Verb, etwa „Fasse zusammen“ oder „Vergleiche“. Mehrere Schritte stehen als nummerierte Liste.
- Material. Datenblätter oder Produktdaten, aus denen das Modell arbeiten soll. Lange Dokumente stehen laut Anthropic am besten oben und die Frage am Ende. Bei komplexen Eingaben mit mehreren Dokumenten verbesserte das in Tests des Anbieters die Antworten um bis zu 30 Prozent.
- Format. Länge und Aufbau des Ergebnisses, etwa „drei Absätze in der Sie-Form“. Google rät, auch Einschränkungen ausdrücklich zu nennen.
- Beispiele. Muster für ein gutes Ergebnis. Google empfiehlt, Prompts möglichst immer mit Beispielen zu versehen, warnt aber vor zu vielen.
Welche Techniken gibt es im Prompt Engineering?
Die Tabelle zeigt verbreitete Techniken, jeweils mit einem Beispiel aus dem Marketing.
| Technik | Was sie bewirkt | Beispiel |
|---|---|---|
| Few-Shot-Prompting | Das Modell übernimmt Aufbau und Tonfall aus Beispielen | zwei freigegebene Produkttexte als Muster |
| Schritt für Schritt (Chain of Thought) | Das Modell arbeitet Zwischenschritte ab, bevor es antwortet | erst Kriterien sammeln, dann Angebote vergleichen |
| Rolle | Eine Rolle im Systemprompt lenkt Tonfall und Blickwinkel | Lektorin für technische Fachtexte |
| Struktur | Überschriften oder XML-Tags trennen Anweisung und Material | Datenblatt in einem eigenen, markierten Abschnitt |
| Prompt-Kette | Eine große Aufgabe wird auf mehrere Prompts verteilt | erst die Gliederung, dann jeden Abschnitt einzeln |
Die Forschung zu GPT-3 zeigte 2020, dass ein Modell Aufgaben allein anhand weniger Beispiele im Prompt lösen kann, ohne zusätzliches Training (Brown et al.). Die Technik Chain of Thought beschrieben Forscher von Google 2022. Beispiele mit Zwischenschritten verbesserten in ihren Tests das Lösen von Rechen- und Logikaufgaben.
So führen Sie Prompt-Vorlagen im Team ein
- Wiederkehrende Aufgaben sammeln. Typisch sind Produkttexte und Zusammenfassungen von Kundengesprächen.
- Erfolgskriterien festlegen. Vorher steht fest, woran ein gutes Ergebnis erkennbar ist, etwa an korrekten technischen Werten und der passenden Länge.
- Vorlage mit Platzhaltern bauen. Der feste Teil beschreibt Aufgabe und Format. Platzhalter nehmen das Material für den einzelnen Einsatz auf.
- Mit echten Fällen testen. Ihr Team spielt typische Eingaben durch und prüft die Ergebnisse gegen die Kriterien.
- Zentral ablegen und pflegen. Jede Vorlage hat eine verantwortliche Person und ein Änderungsdatum. Nach einem Modellwechsel wird sie erneut getestet.
Wie aus einzelnen Prompts feste Vorlagen mit Prüfschritt werden, übt Ihr Team im Inhouse-Workshop KI im Marketing.
Typische Fehler beim Prompting
- Zu wenig Kontext. Ohne Zielgruppe und Zweck schreibt das Modell allgemein und austauschbar.
- Fakten aus dem Modellwissen. Preise oder technische Werte gehören als Material in den Prompt. Fragt das Team sie beim Modell ab, drohen KI-Halluzinationen.
- Nur Verbote. Anthropic empfiehlt, zu beschreiben, was das Modell tun soll, und nicht nur, was es lassen soll.
- Alles in einem Prompt. Google rät, komplexe Aufgaben in mehrere Prompts zu zerlegen.
- Kein Test nach Modellwechsel. OpenAI empfiehlt, produktive Anwendungen an eine feste Modellversion zu binden und Prompts mit Testfällen zu prüfen.
- Vertrauliche Daten im falschen Dienst. Kundendaten gehören nur in Anwendungen, die Ihr Datenschutzbeauftragter freigegeben hat.
Wo liegen die Grenzen von Prompt Engineering?
Ein Prompt verbessert, wie ein Modell sein Wissen und das mitgegebene Material nutzt. Fehlendes Wissen ersetzt er nicht. Für aktuelle oder interne Informationen braucht es einen Abruf aus Datenquellen, etwa über RAG. Soll ein Modell ein Format oder einen Stil sehr zuverlässig einhalten, kann eine Feinabstimmung sinnvoll sein. Diese Einteilung beschreibt auch OpenAI in seinem Leitfaden zur Genauigkeit von LLMs.
Eine zweite Grenze betrifft die Sicherheit. Liest ein Modell Webseiten oder Dateien, können darin versteckte Anweisungen stehen, die sein Verhalten ändern. Die OWASP führt diese Prompt Injection an erster Stelle ihrer Top 10 für LLM-Anwendungen 2025. Für KI-Agenten mit Zugriff auf Postfach oder CRM sind deshalb enge Berechtigungen wichtig.
Verwandte Begriffe
Quellen
- OpenAI: Prompt engineering
- OpenAI: Optimizing LLM accuracy
- Anthropic: Prompting best practices
- Google AI for Developers: Prompt design strategies
- Brown et al.: Language Models are Few-Shot Learners (arXiv 2005.14165, 2020)
- Wei et al.: Chain-of-Thought Prompting Elicits Reasoning in Large Language Models (arXiv 2201.11903, 2022)
- OWASP Gen AI Security Project: LLM01:2025 Prompt Injection