Prompt Engineering ist die Methodik, Eingabeaufforderungen (Prompts) für KI-Sprachmodelle und generative KI-Systeme so zu formulieren, zu strukturieren und zu optimieren, dass das Modell die gewünschten Ausgaben möglichst präzise, vollständig und qualitativ hochwertig produziert.
Rubrik: GenAI & Content Creation · Unterrubrik: Grundlagen · Niveau: Einsteiger Synonyme / Auch bekannt als: Prompt Design, Prompt Craft, KI-Eingabeformulierung, Instructional Design für KI
Was ist Prompt Engineering?
Ein Prompt ist jede Eingabe, die man an ein KI-Modell (wie ChatGPT, Claude, Gemini oder Midjourney) richtet. Prompt Engineering bezeichnet die Fähigkeit, diese Eingaben so zu gestalten, dass das Modell bestmögliche Ergebnisse liefert. Wer Prompts beherrscht, nutzt KI-Systeme um ein Vielfaches effektiver – dies gilt für Text-, Bild-, Code- und Videogenerierung gleichermaßen.
Erklärung
Grundelemente eines guten Prompts:
- Rolle / Kontext: „Du bist ein erfahrener Grafikdesigner..." definiert den Ausgangspunkt
- Aufgabe / Instruktion: Was soll das Modell tun? (Schreibe, analysiere, erstelle, übersetze...)
- Format / Struktur: Wie soll die Ausgabe aussehen? (Liste, Tabelle, Fließtext, JSON...)
- Beispiele: Was ist ein gutes Ergebnis? (Few-Shot Prompting)
- Einschränkungen: Was soll vermieden werden? (Kein Jargon, max. 200 Wörter, ohne...)
Wichtige Prompt-Techniken:
Zero-Shot Prompting: Direkte Instruktion ohne Beispiele. Funktioniert gut bei einfachen Aufgaben. Beispiel: „Schreibe eine Produktbeschreibung für einen Bluetooth-Lautsprecher."
Few-Shot Prompting: Dem Modell werden 2–5 Beispiele des gewünschten Formats gegeben, bevor die eigentliche Aufgabe folgt. Deutlich höhere Qualität bei Format-sensitiven Aufgaben.
Chain of Thought (CoT): Das Modell wird angewiesen, Schritt für Schritt zu denken, bevor es die Antwort formuliert: „Denke Schritt für Schritt nach..." Erhöht Qualität bei komplexen Analyse- und Rechenaufgaben.
Role Prompting: Das Modell erhält eine Expertenrolle: „Du bist ein erfahrener Journalist mit 20 Jahren Erfahrung in der Wirtschaftsberichterstattung..." – beeinflusst Ton, Perspektive und Wissenstiefe der Antwort.
System Prompt vs. User Prompt: In API-Zugängen (Claude API, OpenAI API) gibt es den System Prompt (dauerhafte Instruktionen, Persönlichkeit des Modells) und den User Prompt (die aktuelle Anfrage). Für wiederkehrende Aufgaben werden Anweisungen in den System Prompt ausgelagert.
Negative Prompts: In Bildgeneratoren (Stable Diffusion, Midjourney) definiert der Negative Prompt, was nicht im Bild erscheinen soll: „ohne Wasserzeichen, ohne deformierte Hände, ohne Text..."
Prompt Chaining: Mehrere Prompts werden sequenziell verknüpft – die Ausgabe von Prompt 1 wird Input für Prompt 2. Für komplexe mehrstufige Aufgaben (Recherche → Strukturierung → Texterstellung → Überarbeitung).
Beispiele
- Content-Marketing (Few-Shot): Drei Beispiel-Headlines für Blog-Posts im gewünschten Stil werden dem Modell gezeigt, dann wird es aufgefordert, 10 weitere in diesem Stil zu erzeugen – konsistente Ergebnisse statt zufälliger Variationen.
- Code-Generierung (Chain of Thought): „Erkläre zunächst, welche Komponenten diese Funktion braucht, dann schreibe den Python-Code Schritt für Schritt." – strukturierterer, fehlerfreier Code als bei direktem „Schreibe mir Python-Code für...".
- Midjourney Bildprompt: „A minimalist logo for a coffee brand, flat vector illustration, black and white, clean lines, geometric shapes, professional, --ar 1:1 --style raw --no text, shadows, gradients" – präzise Parameter für reproduzierbare Ergebnisse.
- SEO-Texterstellung (Rollenpromt): „Du bist ein erfahrener SEO-Texter. Schreibe einen 800-Wörter-Artikel über [Thema] für die Zielgruppe [Beschreibung]. Nutze das Keyword [Keyword] 3–5× natürlich eingebettet. Struktur: Einleitung, 3 Abschnitte mit H2, FAQ mit 2 Fragen, Fazit."
- Claude als Analyse-Tool: „Analysiere folgendes Nutzerfeedback und kategorisiere alle Kritikpunkte nach: 1. UX-Probleme, 2. Feature-Wünsche, 3. Bug-Reports. Gib das Ergebnis als Tabelle aus." – strukturierte Datenextraktion aus unstrukturiertem Text.
In der Praxis
Für systematisches Prompt Engineering empfiehlt sich ein Prompt-Bibliothek-Ansatz: Gut funktionierende Prompts für wiederkehrende Aufgaben werden dokumentiert und wiederverwendet. Tools wie Notion, Obsidian oder PromptHero eignen sich zur Verwaltung.
Alle großen KI-Modelle (Claude, ChatGPT, Gemini) haben eigene Dokumentationen und Best Practices für Prompting. Besonders hilfreich: Anthropics Prompt Engineering Guide (docs.anthropic.com) und OpenAIs Prompt Engineering Guide (platform.openai.com).
Vergleich & Abgrenzung
Prompt Engineering ≠ Fine-Tuning. Fine-Tuning verändert das Modell selbst durch weiteres Training auf eigenen Daten. Prompt Engineering verändert nur die Eingabe, nicht das Modell. RAG (Retrieval Augmented Generation) ist eine Technik, dem Modell durch Datenbankabfragen zusätzliches Wissen zur Verfügung zu stellen – ergänzt Prompt Engineering, ersetzt es nicht.
Häufige Fragen (FAQ)
Gibt es eine universelle Formel für gute Prompts? Ja: Kontext + Aufgabe + Format + Einschränkungen. Wer diese vier Elemente bei jedem Prompt berücksichtigt, erhält deutlich bessere Ergebnisse. Dazu: konkret statt vage, spezifisch statt allgemein, Beispiele statt Beschreibungen.
Wie unterscheiden sich Prompts für verschiedene KI-Modelle? Claude reagiert besonders gut auf strukturierte Aufgaben mit klaren Rollen. ChatGPT (GPT-4) ist stark bei Coding und Analyse. Gemini (Google) hat Stärken bei aktuellen Informationen. Midjourney nutzt eine eigene Prompt-Syntax mit Parametern (--ar, --style, --v). Die Grundprinzipien guter Prompts sind aber modellübergreifend.
Verwandte Einträge
Weiterführend
- White, J. / et al. (2023): „A Prompt Pattern Catalog to Enhance Prompt Engineering with ChatGPT." arXiv:2302.11382.
- Anthropic Prompt Engineering Guide – docs.anthropic.com/de/docs/build-with-claude/prompt-engineering
- OpenAI Prompt Engineering Guide – platform.openai.com/docs/guides/prompt-engineering
