System Prompts sind Instruktionen, die vor dem eigentlichen Nutzergespräch an ein Sprachmodell übergeben werden und das Verhalten, die Persona und die Grenzen des Modells für die gesamte Konversation festlegen.
Rubrik: GenAI & Content Creation · Unterrubrik: Prompt Engineering · Niveau: Fortgeschritten
Synonyme / Auch bekannt als: System Message, System Instruction, Developer Message, Developer Prompt
Was ist ein System Prompt?
In der Architektur von LLM-Konversationssystemen gibt es typischerweise drei Ebenen von Nachrichten:
- System (vor dem Gespräch): Dauerhafte Instruktionen, unsichtbar für normale Nutzer
- User (Nutzereingabe): Was der Mensch eintippt
- Assistant (Modellantwort): Was das Modell generiert
Der System Prompt ist der mächtigste Einstiegspunkt: Er legt fest, wer das Modell ist, wie es sich verhält, was es darf und was nicht, und wie es antwortet. Bei APIs wie OpenAI, Anthropic oder Google ist er ein technisch getrenntes Feld; in ChatGPT kommen ihm die „Custom Instructions" am nächsten, die Nutzer/innen selbst festlegen.
Erklärung
Instruktions-Hierarchie
Moderne LLMs werden darauf trainiert, Anweisungen nach Rang zu gewichten. OpenAI hat dieses Prinzip als „Instruction Hierarchy" beschrieben (Wallace et al., 2024), Anthropic unterscheidet bei Claude ähnlich zwischen Anbieter- und Nutzerebene:
- Training des Modellanbieters (oberste Priorität): In das Modell eintrainierte Werte und Sicherheitsgrenzen
- System Prompt (Entwickler- bzw. Betreiber-Ebene): Konfiguration durch Entwickler/Anbieter
- User Prompt (Nutzer-Ebene): Eingaben der Endnutzer
Anweisungen auf einer höheren Ebene haben im Konfliktfall Vorrang. Nutzer/innen sollen einen System Prompt also nicht einfach aushebeln können. Zuverlässig ist das nicht: Prompt Injection und Jailbreaks zeigen, dass die Hierarchie durchbrochen werden kann.
Aufbau eines professionellen System Prompts
Ein strukturierter System Prompt enthält typischerweise:
``` [1. IDENTITÄT / PERSONA] Du bist [Name], [Beschreibung der Rolle].
[2. AUFGABE UND KONTEXT] Du arbeitest für [Unternehmen/Kontext]. Deine Hauptaufgabe ist [Beschreibung].
[3. VERHALTENSREGELN]
- Antworte immer auf Deutsch.
- Sei freundlich und professionell.
- Gib keine medizinischen Diagnosen.
[4. FORMAT-VORGABEN]
- Nutze kurze Absätze (max. 3-4 Sätze).
- Verwende Bulletpoints für Listen.
- Fasse komplexe Antworten mit einer kurzen Zusammenfassung ab.
[5. GRENZEN / VERBOTE]
- Gib keine persönlichen Daten von Kunden weiter.
- Beantworte keine Fragen außerhalb des Themas [X].
- Leite bei ernsteren Problemen an [Ansprechpartner] weiter.
```
- IdentitätWer ist das Modell, welche Rolle hat es
- Aufgabe und Kontextfür wen, mit welcher Hauptaufgabe
- Verhaltensregelnetwa Sprache, Ton, keine Diagnosen
- FormatAbsatzlänge, Listen, Zusammenfassung
- GrenzenDatenschutz, Themengrenzen, Weiterleitung
Beispiel: Vollständiger System Prompt für Support-Bot
``` Du bist "Max", der KI-Assistent der Medienschule Muster (fiktives Beispiel).
ROLLE: Du hilfst Lernenden, Fragen zu Kursinhalt, Anmeldung und Technik zu beantworten. Du bist freundlich, geduldig und präzise.
VERHALTEN:
- Antworte immer auf Deutsch, auch wenn der Nutzer auf Englisch fragt.
- Nutze einfache Sprache (keine Fachbegriffe ohne Erklärung).
- Bei Fragen zu Preisen und Rabatten: verweise immer auf die Preisseite unter example.org/preise.
- Du weißt nicht, wer der Nutzer persönlich ist, mache keine Annahmen.
FORMAT:
- Maximal 150 Wörter pro Antwort.
- Nutze Bulletpoints für Listen von mehr als 2 Punkten.
- Beginne bei unklaren Anfragen mit einer Rückfrage.
GRENZEN:
- Gib keine Bewertungen anderer Bildungsanbieter ab.
- Bei Beschwerden: nimm sie ernst, biete konkrete nächste Schritte an.
- Du kannst keine Buchungen durchführen, leite dazu an support@example.org weiter.
```
Fortgeschrittene Techniken
XML-Tags für Klarheit (Anthropic-Empfehlung): ``` <system> <role>Du bist ein professioneller Texteditor.</role> <task>Du überarbeitest Texte auf Klarheit und Präzision.</task> <constraints>
- Verändere nie den inhaltlichen Sinn.
- Behalte immer die Originalstimme des Autors.
</constraints> </system> ```
Markdown-Struktur: ``` Du bist...
Kernaufgaben
- ...
- ...
Einschränkungen
- ...
```
Beispiele im System Prompt einbetten (Few-Shot im System): ``` Beispiel für guten Ton: User: "Ich verstehe das nicht." Du: "Kein Problem! Lassen Sie mich das anders erklären..."
Beispiel für schlechten Ton (vermeiden): User: "Ich verstehe das nicht." Du: "Das wurde bereits erklärt." ```
Beispiele
Beispiel Redaktions-Tool: `` Du bist ein KI-Schreibassistent für die Redaktion eines Medienhauses. Du überprüfst Texte auf: Klarheit, Stilkonsistenz mit unserem Styleguide [hier Styleguide-Auszug einfügen], korrekte Quellenangaben (Chicago-Stil), und sachliche Fehler. Antworte mit: (1) Liste der gefundenen Probleme, (2) korrigierten Textvarianten. ``
Beispiel Lern-KI: `` Du bist ein Socratic Tutor. Du gibst NIE direkte Antworten, sondern führst Lernende durch gezielte Fragen selbst zur Lösung. Bei jeder Antwort: Stelle eine Rückfrage, die eine Ebene tiefer geht. ``
In der Praxis
System Prompts in verschiedenen Plattformen
| Plattform | Zugang | Hinweise |
|---|---|---|
| OpenAI API | system- bzw. developer-Rolle | Länge begrenzt durch das Kontextfenster |
| Anthropic API | system-Parameter | Separat vom Human Turn |
| Google Gemini API | system_instruction | Ähnlich wie OpenAI |
| ChatGPT Custom Instructions | Einstellungen → Angepasste Anweisungen | Für Endnutzer, limitierte Länge |
| Microsoft Copilot Studio | Anweisungen (Instructions) des Agenten | Visuell konfigurierbar |
Häufige Fehler bei System Prompts
- Zu lang und unstrukturiert: Sprachmodelle nutzen Informationen am Anfang und Ende langer Kontexte oft besser als in der Mitte (Liu et al., 2024, „Lost in the Middle"). Wichtige Regeln deshalb klar gliedern und nicht im Fließtext verstecken.
- Widersprüchliche Anweisungen: „Sei präzise" und „Sei ausführlich" ohne Kontext schlägt sich schlecht
- Fehlende Beispiele: Bei ungewöhnlichen Verhaltensanforderungen helfen Beispiele
- Keine Fallback-Regeln: Was soll das Modell tun, wenn es nicht weiß, wie es reagieren soll?
Vergleich & Abgrenzung
System Prompt vs. User Prompt: System Prompts sind dauerhaft und instruierend; User Prompts sind einmalig und anfragend. System Prompts konfigurieren, User Prompts nutzen.
System Prompt vs. [Rollen-Prompting (Roleplay Prompting)](/wiki/genai-content-creation/prompt-engineering/rollenprompting/) im User Turn: Eine Rolle im User Turn zu setzen ("Du bist...") ist weniger verbindlich als ein System Prompt. Das Modell kann bei langen Gesprächen aus einer User-Turn-Rolle herausfallen.
System Prompt vs. Fine-Tuning: Fine-Tuning verändert Modellgewichte dauerhaft. System Prompts steuern das Modell-as-is. System Prompts sind flexibler, Fine-Tuning ist konsistenter.
Häufige Fragen (FAQ)
Können Nutzer den System Prompt sehen? In der Regel nicht direkt. Manche Anbieter veröffentlichen ihre System Prompts sogar selbst, Anthropic etwa für Claude.ai in den Release Notes. Und oft lässt sich ein Modell durch geschickte Eingaben dazu bringen, den System Prompt zu wiederholen. Vertrauliche Informationen deshalb nie im System Prompt speichern.
Wie lang sollte ein System Prompt sein? So kurz wie möglich, so lang wie nötig. Eine feste Wortzahl gibt es nicht. Wichtiger als die Länge sind klare Gliederung, widerspruchsfreie Regeln und Tests mit echten Anfragen.
Wie teste ich, ob der System Prompt funktioniert? Systematisches Testen mit Edge Cases: Wie reagiert das Modell bei Fragen außerhalb des Scopes? Bei Widersprüchen? Bei Manipulation-Versuchen?
Verwandte Einträge
- Prompt Engineering, Grundlagen
- Rollen-Prompting (Roleplay Prompting)
- Prompt Chaining
- Meta-Prompting
- Prompt-Bibliothek aufbauen
Weiterführend
- Anthropic: Prompting best practices: Give Claude a role und System Prompts (Release Notes). platform.claude.com/docs (abgerufen November 2026).
- Wallace, Eric et al. (2024): The Instruction Hierarchy: Training LLMs to Prioritize Privileged Instructions. arXiv:2404.13208.
- Liu, Nelson F. et al. (2024): Lost in the Middle: How Language Models Use Long Contexts. Transactions of the ACL, 12. DOI: 10.1162/tacla00638
- Schulhoff, Sander et al. (2024): The Prompt Report: A Systematic Survey of Prompt Engineering Techniques. arXiv:2406.06608.
- White, Jules et al. (2023): A Prompt Pattern Catalog to Enhance Prompt Engineering with ChatGPT. arXiv:2302.11382.
