Prompt Engineering ist die Disziplin, Eingabeaufforderungen (Prompts) an KI-Sprachmodelle so zu formulieren und zu strukturieren, dass die Modelle zuverlässig nützliche, präzise und kontextgerechte Ausgaben erzeugen.
Rubrik: GenAI & Content Creation · Unterrubrik: Prompt Engineering · Niveau: Einsteiger
Synonyme / Auch bekannt als: Prompt-Gestaltung, LLM-Prompting, KI-Eingabeoptimierung, Prompt Design, Prompt Craft
Was ist Prompt Engineering?
Ein Prompt ist jede Eingabe, die an ein KI-Modell wie ChatGPT, Claude, Gemini oder Midjourney gesendet wird. Prompt Engineering gilt für Text-, Bild-, Code- und Videogenerierung gleichermaßen. Auf den ersten Blick scheint es trivial: Man schreibt, was man möchte, und das Modell antwortet. In der Praxis zeigt sich jedoch, dass die Art der Formulierung, Struktur, Kontext, Ton, Beispiele, Einschränkungen, den Unterschied zwischen einer brauchbaren und einer exzellenten Antwort ausmacht.
Prompt Engineering hat sich als eigenständige Disziplin etabliert, seit Large Language Models (LLMs) wie GPT-3 (Brown et al., 2020) gezeigt haben, dass Sprachmodelle auf die Struktur des Inputs in überraschend sensitiver Weise reagieren. Kleine Änderungen in der Formulierung können zu dramatisch unterschiedlichen Ergebnissen führen.
Die Disziplin verbindet Sprachgefühl, Verständnis für Modellverhalten und experimentelle Methodik. Es gibt keine universellen Regeln, aber gut dokumentierte Muster (Patterns), die in vielen Kontexten funktionieren.
Erklärung
Die drei Grundstrategien
Zero-Shot Prompting Das Modell wird direkt nach einer Aufgabe gefragt, ohne Beispiele zu liefern. Es nutzt ausschließlich sein vortrainiertes Wissen.
Beispiel: `` Übersetze den folgenden Text ins Französische: "Die Sonne scheint heute besonders hell." ``
Zero-Shot-Prompting funktioniert gut bei klar definierten, häufigen Aufgaben. Bei komplexen oder ungewöhnlichen Anfragen stoßen Modelle schneller an Grenzen.
Few-Shot Prompting Dem Modell werden einige Beispiel-Paare (Input → Output) mitgegeben, bevor die eigentliche Aufgabe gestellt wird. Das Modell erkennt das Muster und wendet es an (Brown et al., 2020).
`` Klassifiziere den Satz als positiv, negativ oder neutral: "Das Essen war köstlich." → positiv "Der Service war langsam." → negativ "Es ist Dienstag." → neutral "Die Präsentation war informativ." → ? ``
Few-Shot-Prompting ist besonders wirksam bei Aufgaben mit spezifischen Formaten oder ungewöhnlichen Klassifikationsschemas.
Chain-of-Thought Prompting (CoT) Das Modell wird aufgefordert, seinen Gedankengang Schritt für Schritt zu erläutern, bevor es eine Antwort gibt. Wei et al. (2022) zeigten, dass CoT bei komplexen Reasoning-Aufgaben die Genauigkeit erheblich verbessert.
``` Beantworte die Frage Schritt für Schritt: "Ein Zug fährt 120 km/h. Er hat um 9:30 Uhr abgefahren und kommt um 11:00 Uhr an. Wie weit ist die Strecke?"
Schritt 1: Fahrzeit berechnen... Schritt 2: Distanz berechnen... ```
Aktuelle Modelle mit eingebautem „Thinking“ entscheiden teils selbst, wie viel sie vorab überlegen (etwa die adaptive Thinking-Funktion der Claude-Modelle laut Anthropic). Details erklärt Chain-of-Thought Prompting.
Weitere Techniken
Role Prompting: Das Modell erhält eine Expertenrolle, etwa „Du bist ein erfahrener Journalist mit 20 Jahren Erfahrung in der Wirtschaftsberichterstattung …“. Das beeinflusst Ton, Perspektive und Wissenstiefe der Antwort (siehe Rollen-Prompting (Roleplay Prompting)).
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 (siehe System Prompts).
Prompt Chaining: Mehrere Prompts werden nacheinander verknüpft, die Ausgabe von Prompt 1 wird Input für Prompt 2. Das eignet sich für mehrstufige Aufgaben wie Recherche, Strukturierung, Texterstellung und Überarbeitung (siehe Prompt Chaining).
Negative Prompts: In Bildgeneratoren wie Stable Diffusion legt der Negative Prompt fest, was nicht im Bild erscheinen soll (etwa Wasserzeichen oder Text); Midjourney nutzt dafür den Parameter --no (siehe Negative Prompts in Bildgeneratoren).
Aufbau eines guten Prompts
Ein strukturierter Prompt besteht idealerweise aus mehreren Komponenten:
| Komponente | Funktion | Beispiel |
|---|---|---|
| Rolle/Persona | Definiert Perspektive und Expertise | "Du bist ein erfahrener Medizinjournalist..." |
| Kontext | Liefert relevantes Hintergrundwissen | "...der für ein Fachmagazin schreibt..." |
| Aufgabe | Klare Handlungsanweisung | "...schreibe eine verständliche Zusammenfassung..." |
| Format | Struktur der Ausgabe | "...in 3 Absätzen mit max. 200 Wörtern..." |
| Einschränkungen | Was vermieden werden soll | "...ohne Fachjargon, für Laien geeignet." |
Häufige Fehler beim Prompting
- Zu vage: „Schreib etwas über KI." → Besser: Spezifische Aufgabe, Format, Zielgruppe
- Zu viel auf einmal: Ein Prompt, der zehn Anforderungen stellt, wird selten alle erfüllen
- Keine Kontext-Information: Das Modell kennt die eigene Situation nicht, man muss sie beschreiben
- Format nicht spezifiziert: Ohne Formatvorgabe antwortet das Modell beliebig strukturiert
- Keine Beispiele bei ungewöhnlichen Aufgaben: Few-Shot deutlich besser als Zero-Shot
Beispiele
Beispiel 1, Schlecht: `` Schreibe eine Email. ``
Beispiel 1, Gut: `` Du bist ein Business-Schreibcoach. Schreibe eine professionelle Entschuldigungs-Email an einen Kunden wegen einer verspäteten Lieferung. Format: 3 kurze Absätze (Entschuldigung, Erklärung, Lösung). Ton: professionell, empathisch, nicht übertrieben. ``
Beispiel 2, Few-Shot für Stilanpassung: ``` Schreibe den folgenden Satz im Stil der Beispiele um:
Original: "Das Buch ist gut." Im Stil von Hesse: "Das Buch birgt jene stille Wahrheit, die nur wenigen vergönnt ist zu finden." Im Stil von Kafka: "Es schien ein Buch zu sein, das gut war, obwohl die Umstände seiner Entstehung dunkel blieben."
Original: "Der Kaffee war heiß." Im Stil von Hesse: [?] ```
Beispiel 3, Code mit Chain of Thought: „Erkläre zunächst, welche Komponenten diese Funktion braucht, dann schreibe den Python-Code Schritt für Schritt.“ Das liefert meist strukturierteren Code als ein direktes „Schreibe mir Python-Code für …“.
Beispiel 4, 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 machen die Ergebnisse reproduzierbarer.
Beispiel 5, Datenextraktion: „Analysiere folgendes Nutzerfeedback und kategorisiere alle Kritikpunkte nach: 1. UX-Probleme, 2. Feature-Wünsche, 3. Bug-Reports. Gib das Ergebnis als Tabelle aus.“ So entsteht aus unstrukturiertem Text eine strukturierte Übersicht.
In der Praxis
Iteratives Vorgehen
Prompt Engineering ist selten ein Einschuss-Prozess. Die Praxis:
- Erster Versuch: Klare, direkte Formulierung
- Auswertung: Was fehlt, was ist falsch, was ist überflüssig?
- Verfeinerung: Kontext hinzufügen, Format spezifizieren, Beispiele ergänzen
- Iteration: Wiederholen bis das Ergebnis überzeugt
- Dokumentation: Funktionierende Prompts in einer Prompt-Bibliothek aufbauen speichern, etwa in Notion, Obsidian oder PromptHero
- Erster Versuchklare und direkte Formulierung
- Auswertungprüfen, was fehlt oder überflüssig ist
- VerfeinerungKontext, Format und Beispiele ergänzen
- Iterationwiederholen, bis das Ergebnis überzeugt
- Dokumentationfunktionierende Prompts in einer Bibliothek speichern
Alle großen Anbieter veröffentlichen eigene Prompting-Leitfäden, besonders hilfreich sind die Dokumentationen von Anthropic (platform.claude.com/docs) und OpenAI (platform.openai.com).
Modellunterschiede beachten
Unterschiedliche Modellfamilien (etwa GPT, Claude, Gemini oder Llama) und auch verschiedene Versionen derselben Familie reagieren unterschiedlich auf denselben Prompt. Was bei einem Modell gut funktioniert, liefert beim anderen schwächere Ergebnisse. Besonders relevant:
- Instruktionsfolge: Wie streng Format- und Längenvorgaben eingehalten werden, unterscheidet sich je Modell und sollte getestet werden
- Modellwechsel: Nach einem Update auf eine neue Modellversion lohnt es sich, wichtige Prompts erneut zu prüfen
- Länge: Modelle haben unterschiedliche Kontextfenster (wie viel Text sie gleichzeitig verarbeiten können)
Vergleich & Abgrenzung
Prompt Engineering vs. Fine-Tuning: Fine-Tuning passt die Modellgewichte auf eigene Daten an, ein teurer, technischer Prozess. Prompt Engineering nutzt das Modell as-is und steuert es durch Eingabegestaltung. Für die meisten Anwendungsfälle ist Prompt Engineering effizienter.
Prompt Engineering vs. RAG: Retrieval-Augmented Generation (RAG) fügt dem Prompt externe Wissensdaten hinzu. Es ist eine Erweiterung des Prompt Engineering, kein Ersatz.
Häufige Fragen (FAQ)
Gibt es eine universelle Formel für gute Prompts? Eine bewährte Faustregel lautet: Kontext + Aufgabe + Format + Einschränkungen. Wer diese vier Elemente berücksichtigt, erhält meist deutlich bessere Ergebnisse. Dazu: konkret statt vage, spezifisch statt allgemein, Beispiele statt Beschreibungen.
Wie unterscheiden sich Prompts für Text- und Bildmodelle? Die Grundprinzipien sind modellübergreifend. Bildgeneratoren wie Midjourney nutzen zusätzlich eine eigene Parameter-Syntax (etwa --ar, --style, --no), und die Anbieter von Sprachmodellen veröffentlichen eigene Leitfäden mit modellspezifischen Hinweisen.
Brauche ich technisches Wissen für Prompt Engineering? Nein, aber ein konzeptionelles Verständnis des Modellverhaltens (Tokenisierung, Kontextfenster, Temperatur-Parameter) macht Prompts deutlich effektiver.
Wie lang sollte ein Prompt sein? So lang wie nötig, so kurz wie möglich. Unnötige Füllwörter belasten das Kontextfenster. Wichtiger Kontext und klare Struktur haben Priorität.
Funktionieren Prompts auf Deutsch genauso gut wie auf Englisch? Für die meisten kommerziellen Modelle ist Englisch nach wie vor die stärkste Sprache. Für deutschsprachige Aufgaben sind auf Deutsch geschriebene Prompts aber oft besser geeignet.
Verwandte Einträge
- Chain-of-Thought Prompting
- Few-Shot Prompting
- Rollen-Prompting (Roleplay Prompting)
- System Prompts
- Prompt-Bibliothek aufbauen
- Prompt Evaluation
- Meta-Prompting
Weiterführend
- Brown, Tom B. et al. (2020): Language Models are Few-Shot Learners. NeurIPS 2020, arXiv:2005.14165. (GPT-3)
- Wei, Jason et al. (2022): Chain-of-Thought Prompting Elicits Reasoning in Large Language Models. NeurIPS 2022, arXiv:2201.11903.
- DAIR.AI: Prompt Engineering Guide. (kostenlos)
- Liu, Pengfei et al. (2023): Pre-train, Prompt, and Predict: A Systematic Survey of Prompting Methods in Natural Language Processing. ACM Computing Surveys 55, DOI 10.1145/3560815.
- White, Jules et al. (2023): A Prompt Pattern Catalog to Enhance Prompt Engineering with ChatGPT. arXiv:2302.11382.
- OpenAI: Prompt engineering.
- Anthropic: Prompt engineering overview. Claude-Dokumentation,
