Prompt Engineering lernen: klare Prompts systematisch entwickeln

1. Was bedeutet Prompt Engineering?

Prompt Engineering ist das planvolle Entwerfen und Prüfen von Eingaben für ein KI-Modell. Dazu gehören nicht nur die Wörter im Chatfenster, sondern auch bereitgestellte Dokumente, Systemregeln, Beispiele, Werkzeuge und Vorgaben für die Ausgabe. Das Ziel ist nicht ein einmalig beeindruckender Text, sondern ein Ablauf, der bei vergleichbaren Aufgaben verlässlich brauchbare Ergebnisse erzeugt.

Wie viel Struktur nötig ist, hängt von der Aufgabe ab. Für eine Ideensammlung kann ein kurzer Satz genügen. Eine Produktdaten-Klassifikation braucht dagegen erlaubte Kategorien, Grenzfälle und ein festes Format. Anbieter empfehlen teilweise unterschiedliche Techniken; ihre aktuellen Leitfäden stimmen aber bei einem Punkt überein: klare Anweisungen, relevanter Kontext und Iteration sind wichtiger als vermeintliche „Geheimformeln“.

2. Was soll das Ergebnis leisten?

Beginne mit dem gewünschten Ergebnis und nicht mit „Du bist ein weltbester Experte“. Schreibe auf, wer die Ausgabe verwendet, welche Entscheidung sie unterstützt und woran du eine gute Antwort erkennst. „Erstelle eine Zusammenfassung“ ist offen. Präziser wäre: „Fasse die drei wichtigsten Vertragsänderungen für die Projektleitung in höchstens 180 Wörtern zusammen; nenne zu jedem Punkt die Abschnittsnummer und markiere fehlende Angaben.“

Erfolgskriterien sollten beobachtbar sein. Dazu zählen Pflichtfelder, erlaubte Quellen, maximale Länge, Tonalität oder die Regel, Unsicherheit ausdrücklich zu markieren. Bei kreativen Aufgaben darf der Spielraum größer sein. Bei faktischen oder automatisierten Aufgaben brauchst du engere Grenzen und eine nachgelagerte Validierung.

3. Welche Bausteine braucht ein guter Prompt?

Eine belastbare Reihenfolge lautet: Aufgabe, Kontext, Eingabedaten, Regeln, Ausgabeformat und Prüfschritt. Trenne die Teile mit klaren Überschriften oder Tags. Dadurch wird erkennbar, welche Textteile Anweisungen sind und welche nur bearbeitet werden sollen. Das ist besonders wichtig, wenn du fremde E-Mails, Webseiten oder Dokumente einfügst.

• Aufgabe: ein konkretes Verb wie vergleichen, extrahieren oder überarbeiten.
• Kontext: nur Informationen, die für die Aufgabe tatsächlich nötig sind.
• Eingabe: der zu bearbeitende Text oder Datensatz, klar abgegrenzt.
• Regeln: Quellen, Ausschlüsse, Stil und Umgang mit fehlenden Angaben.
• Format: etwa Tabelle, Gliederung oder definierte JSON-Felder.
• Kontrolle: Bitte um fehlende Angaben oder Kennzeichnung unsicherer Stellen.

Eine Rolle kann nützlich sein, wenn sie Perspektive und Wortwahl klärt, etwa „Redakteur für eine technische Einsteiger-Zielgruppe“. Sie verleiht dem Modell aber keine nachweisbare Qualifikation. Verwende Rollen deshalb nicht als Ersatz für Quellen oder eine echte Fachprüfung.

4. Wann helfen Beispiele im Prompt?

Wenige Beispiele – oft als Few-Shot-Prompting bezeichnet – zeigen ein Muster besser als eine lange abstrakte Erklärung. Das hilft bei wiederkehrenden Labels, einer bestimmten Tabellenstruktur oder einem klar definierten Schreibstil. Die Beispiele sollten dieselbe Form haben und auch einen schwierigen Fall abdecken. Sonst lernt das Modell möglicherweise nur den einfachsten Fall.

Verwende keine echten vertraulichen Kundendaten als bequeme Muster. Anonymisiere Beispiele oder erstelle realistische Testdaten. Prüfe außerdem, ob ein Beispiel unbeabsichtigt eine falsche Regel enthält. Das Modell kann ein fehlerhaftes Muster ebenso konsequent fortsetzen wie ein gutes.

5. Wie verbessert man einen Prompt systematisch?

Bewerte nicht nur eine besonders gelungene Antwort. Stelle ein kleines Testset aus normalen Fällen, Grenzfällen, fehlenden Angaben und bewusst ungeeigneten Eingaben zusammen. Speichere Promptversion, Modell, Datum und Resultat. Ändere anschließend möglichst nur einen Baustein, beispielsweise die Kategorien oder das Ausgabeformat. So siehst du, welche Änderung tatsächlich geholfen hat.

Für häufige Aufgaben lohnt eine einfache Bewertungsmatrix: Pflichtfelder vorhanden, Fakten durch Material gedeckt, Ton passend, Format gültig und keine unerlaubten Inhalte. Ein Prompt gilt erst als verbessert, wenn er das gesamte Testset zuverlässiger bearbeitet – nicht wenn eine einzelne Antwort schöner klingt. Bei produktiven Abläufen gehören solche Tests nach Modell- oder Anbieteränderungen erneut ausgeführt.

6. Warum bleibt die Ausgabeprüfung unverzichtbar?

Ein klarer Prompt reduziert Missverständnisse, garantiert aber keine Wahrheit. Kontrolliere Tatsachen an belastbaren Quellen und Zitate direkt im Original. Bei Berechnungen, Code oder strukturierten Daten helfen automatische Prüfungen. Entscheidungen mit rechtlichen, finanziellen, gesundheitlichen oder sonstigen erheblichen Folgen benötigen qualifizierte menschliche Kontrolle.

Wenn KI-Ausgaben einen weiteren Systemschritt auslösen, reicht „sieht plausibel aus“ nicht. Erlaube nur definierte Werte, prüfe Datentypen und behandle fehlende oder unerwartete Felder als Fehler. Für diesen technischen Einsatz erklärt KI-Workflows nachvollziehbar dokumentieren die nächsten Schritte. Bei Kundendaten gelten zusätzlich die Regeln aus Kundendaten in KI-Tools.

7. Welche Prompt-Vorlage eignet sich für den Einstieg?

Ziel: [Was soll das Ergebnis ermöglichen?]
Zielgruppe: [Wer nutzt die Ausgabe?]
Aufgabe: [Konkrete Tätigkeit]
Kontext: [Nur notwendiger Hintergrund]
Eingabe: <daten>...</daten>
Regeln: [Quellen, Grenzen, fehlende Angaben]
Ausgabe: [Struktur, Felder, Umfang]
Prüfung: [Was soll markiert oder zurückgewiesen werden?]

Die Vorlage ist ein Startpunkt, kein universeller Master-Prompt. Entferne Bausteine, die für deine Aufgabe nichts beitragen. Dokumentiere funktionierende Varianten zusammen mit Testfällen und Zweck. So entsteht eine kleine, wartbare Prompt-Bibliothek statt einer unübersichtlichen Sammlung fremder Vorlagen.