Prompt Engineering — der komplette Guide
Vom ersten „Hallo ChatGPT" zu professionellen KI-Workflows. Lernen Sie, wie Sie mit präzisen Prompts bessere Ergebnisse aus LLMs herausholen.
Der Unterschied zwischen einem mittelmäßigen und einem exzellenten Ergebnis liegt oft nicht am Modell — sondern am Prompt.
Ein Prompt ist die Eingabe oder Anweisung, die Sie einem Large Language Model wie ChatGPT, Claude oder Gemini geben. Der Prompt ist das zentrale Steuerungselement — er bestimmt, was das Modell tun soll, wie es antworten soll und welche Perspektive es einnehmen soll. Klarheit, Kontext und konkrete Erwartungen sind entscheidend.
Was ist ein Prompt?
Jede Form von Eingabe an ein LLM. Das kann eine einfache Frage sein („Was ist die Hauptstadt von Österreich?"), eine komplexe Anweisung oder ein mehrteiliger Dialog.
Schreib was über KI.
Erkläre mir als Lehrer, wie ich ChatGPT im Geschichtsunterricht für kritisches Quellenarbeiten einsetzen kann. Gib mir drei konkrete Unterrichtsbeispiele mit Zeitangaben.
Der gute Prompt ist präziser: Er definiert eine Rolle (Lehrer), ein konkretes Ziel (Einsatz im Geschichtsunterricht), einen Fokus (kritisches Quellenarbeiten) und ein Format (drei Beispiele mit Zeitangaben).
Anatomie eines starken Prompts
Professionelle Prompts folgen einer bewährten Struktur mit vier Elementen:
1. Rolle / Kontext
„Du bist ein erfahrener Geschichtslehrer für die 10. Schulstufe."
2. Aufgabe
„Erstelle eine Unterrichtseinheit zum Thema Industrielle Revolution, die kritisches Denken fördert."
3. Format
„Strukturiere in: Einstieg (10 min), Hauptteil (30 min), Reflexion (10 min). Verwende Bullet-Points."
4. Constraints
„Nutze keine Jahreszahlen ohne Quellenverweis. Die Sprache soll für 15-Jährige verständlich sein."
Tipp: Sie müssen nicht immer alle vier Elemente verwenden — aber je komplexer die Aufgabe, desto wichtiger die Struktur.
Prompt-Typen im Überblick
Je nach Aufgabe und Komplexität eignen sich unterschiedliche Strategien:
Zero-Shot Prompting
Die einfachste Form: Eine Anweisung ohne Beispiele. Ideal für einfache Aufgaben und erste Experimente.
Few-Shot Prompting
Sie geben zwei bis fünf Beispiele vor, das Modell erkennt das Muster. Perfekt für spezifische Formatierungen oder Stile.
Chain-of-Thought (CoT)
Das Modell denkt Schritt für Schritt. Deutlich bessere Ergebnisse bei komplexen Aufgaben — Mathematik, Logik, mehrstufige Probleme.
Role Prompting
„Du bist ein…" — Rollenzuweisungen ändern Ton, Perspektive und Expertise-Level der Antworten.
System Prompts
Permanente Anweisungen, die das Verhalten des Modells über gesamte Konversationen steuern.
Do's und Don'ts
Do — Best Practices
- Sei spezifisch. „Schreib eine E-Mail" wird zu „Schreib eine formelle E-Mail an meinen Vorgesetzten, max. 150 Wörter".
- Gib Kontext. Das Modell kennt Ihre Situation nicht — erklären Sie den Hintergrund.
- Iteriere. Erste Antwort nicht perfekt? Verfeinern Sie den Prompt schrittweise.
- Nutze Beispiele. Bei spezifischen Formaten zeigen Sie dem Modell, was Sie wollen.
- Fordere Nachfragen. „Frag mich nach fehlenden Infos" führt zu besseren Ergebnissen.
Don't — häufige Fehler
- Zu vage. „Mach was mit Marketing" — das Modell rät nur.
- Zu komplex. Zehn Anweisungen in einem Prompt — lieber aufteilen.
- Keine Constraints. Ohne Vorgaben zu Länge, Ton, Format ist das Ergebnis Glückssache.
- Blind vertrauen. LLMs halluzinieren — prüfen Sie Fakten immer nach.
- Statisch bleiben. Ein Prompt ist kein Einzelschuss — verfeinern Sie iterativ.
Fortgeschrittene Techniken
1. Der Dialog-Ansatz
Profis schreiben nicht den perfekten Prompt auf Anhieb. Stattdessen iterieren sie:
- Erster Prompt: grobe Richtung vorgeben
- Feedback: „Das ist gut, aber zu technisch — vereinfache die Sprache"
- Verfeinern: „Ergänze zwei Praxisbeispiele"
- Finalisieren: „Fasse das Ganze in drei Bullet-Points zusammen"
2. Constraints für bessere Kontrolle
Je mehr Einschränkungen Sie definieren, desto präziser das Ergebnis:
- Länge: „Max. 150 Wörter" oder „Genau fünf Bullet-Points"
- Ton: „Professionell, aber nicht steif" oder „Humorvoll ohne albern zu sein"
- Vermeide: „Nutze keine Fachbegriffe ohne Erklärung"
- Muss enthalten: „Integriere diese drei Keywords: [X, Y, Z]"
- Perspektive: „Schreibe aus Sicht eines skeptischen Kunden"
3. Halluzinationen vermeiden
LLMs halluzinieren manchmal. So minimieren Sie das Risiko:
- Fragen Sie nach Quellen: „Gib mir Quellen für jede Behauptung"
- Fordern Sie Unsicherheits-Marker: „Markiere unsichere Aussagen mit [?]"
- Verifizieren Sie kritische Fakten manuell
- Bei Code: Testen Sie jeden generierten Code
Achtung
Verlassen Sie sich niemals blind auf LLM-Outputs bei medizinischen oder rechtlichen Ratschlägen, bei finanziellen Entscheidungen, bei historischen Fakten ohne Quellencheck oder bei sicherheitskritischem Code.
Drei praktische Prompts, die fast immer helfen
Fasse den folgenden Text in fünf Bullet-Points zusammen. Zielgruppe: Entscheider ohne technischen Hintergrund. Format: jeder Bullet maximal 20 Wörter. Am Schluss: die eine Frage, die sich aus dem Text zwingend stellt. [Text einfügen]
Spiele die Rolle eines skeptischen Prüfers. Finde drei Schwachstellen in der folgenden Argumentation. Für jede Schwachstelle: Was genau ist das Problem? Welchen Gegenbeweis könnte man finden? [Text einfügen]
Ich stehe vor folgender Entscheidung: [X]. Entwirf drei Szenarien: optimistisch, wahrscheinlich, pessimistisch. Pro Szenario: die drei wichtigsten Annahmen, die erwartbaren Konsequenzen in 6, 12 und 24 Monaten, und das eine Signal, das ich beobachten sollte.
Quellen & weiterführend
- Anthropic: Prompt Engineering Guide. Offizielle Claude-Dokumentation.
- OpenAI: GPT-4 Prompt Engineering Best Practices.
- Brown et al.: Language Models are Few-Shot Learners. NeurIPS 2020 — ursprüngliche Zero-/Few-Shot-Arbeit.
- Wei et al.: Chain-of-Thought Prompting Elicits Reasoning in Large Language Models. NeurIPS 2022.
Prompts, die in Ihrem Alltag tragen.
Im Erstgespräch schauen wir uns Ihre realen Aufgaben an und bauen die Prompt-Patterns, die dort tatsächlich Arbeit abnehmen — statt generischer Beispiele.