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
Was ist Prompt Engineering?
Ein Prompt ist jede Texteingabe, die an ein Sprachmodell gesendet wird. 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 hat 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... ```
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 Ihre Situation nicht – sie müssen 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: [?] ```
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
Modellunterschiede beachten
Unterschiedliche Modelle (GPT-4, Claude 3.5, Gemini, Llama 3) reagieren unterschiedlich auf denselben Prompt. Was bei einem Modell exzellent funktioniert, liefert beim anderen mittelmäßige Ergebnisse. Besonders relevant:
- Instruktionsfolge: Claude gilt als besonders präzise im Befolgen von Formatvorgaben
- Kreativität: GPT-4 wird oft für kreativere Outputs bevorzugt
- 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)
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 Deutsche-spezifische 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. (GPT-3)
- Wei, Jason et al. (2022): Chain-of-Thought Prompting Elicits Reasoning in Large Language Models. NeurIPS 2022.
- DAIR.AI (2023): Prompt Engineering Guide. promptingguide.ai. (Kostenlos, umfassend)
- Liu, Pengfei et al. (2023): Pre-train, Prompt, and Predict: A Systematic Survey of Prompting Methods. ACM Computing Surveys.
- Anthropic (2024): Anthropic's Prompt Engineering Guide. docs.anthropic.com/prompt-library.
