Was ist Prompt Engineering?

Prompt Engineering ist das gezielte Formulieren und Strukturieren von Eingaben (Prompts), mit denen man ein KI-Sprachmodell so anleitet, dass es brauchbare, präzise und passende Ausgaben erzeugt. Ein Prompt ist die Anweisung, die man dem Modell gibt – Prompt Engineering ist die Praxis, diese Anweisung so zu schreiben, dass das Ergebnis dem entspricht, was man tatsächlich braucht.

Moderne KI-Modelle erzeugen Text auf Basis dessen, was man ihnen vorgibt. Dieselbe Frage kann je nach Formulierung sehr unterschiedliche Antworten liefern. Wer eine vage Anweisung gibt, bekommt oft eine vage Antwort. Prompt Engineering ist die Arbeit daran, diese Vagheit zu reduzieren – durch klare Anweisungen, passenden Kontext und ein definiertes Ausgabeformat. Es ersetzt kein gutes Modell, holt aber aus einem vorhandenen Modell deutlich mehr heraus.

Warum die Formulierung einen Unterschied macht

Ein Large Language Model (LLM) hat kein eigenes Verständnis Ihrer Absicht. Es sagt anhand der Eingabe und seines Trainings das jeweils wahrscheinlichste nächste Wort voraus. Deshalb hängt die Qualität der Antwort stark davon ab, wie genau die Eingabe das gewünschte Ergebnis beschreibt.

Ein einfaches Beispiel: Die Eingabe „Schreib etwas über unser Produkt" liefert ein beliebiges Ergebnis. Die Eingabe „Schreibe drei Bulletpoints für eine Landingpage, Zielgruppe Einkaufsleiter im Maschinenbau, Tonalität nüchtern, jeweils maximal 15 Wörter" liefert ein Ergebnis, das man tatsächlich verwenden kann. Der Unterschied liegt nicht im Modell, sondern in der Anweisung.

Bausteine eines guten Prompts

Ein durchdachter Prompt besteht meist aus mehreren Teilen, die man bewusst kombiniert:

• Aufgabe: Was genau soll das Modell tun? Eine konkrete Verbformulierung („Fasse zusammen", „Klassifiziere", „Entwirf") ist klarer als eine offene Frage.
• Kontext: Hintergrundinformationen, ohne die das Modell raten müsste – etwa Zielgruppe, Zweck oder relevante Fakten.
• Format: Wie soll die Ausgabe aussehen? Liste, Tabelle, JSON, maximale Länge.
• Einschränkungen: Was soll vermieden werden? Zum Beispiel keine erfundenen Zahlen, keine Fachbegriffe, eine bestimmte Sprache.
• Beispiele: Vorgaben, an denen sich das Modell orientieren kann.

Es hat sich bewährt, Anweisung und Eingabedaten klar zu trennen, etwa durch Überschriften oder Trennzeichen. So weiß das Modell, was Befehl ist und was zu verarbeitende Inhalte sind.

Gängige Techniken

In der Praxis haben sich einige Vorgehensweisen etabliert, die je nach Aufgabe sinnvoll sind:

Zero-Shot

Das Modell erhält nur die Aufgabe, ohne Beispiele. Das funktioniert bei einfachen, klar beschriebenen Aufgaben gut – etwa beim Zusammenfassen oder Übersetzen eines Textes.

Few-Shot

Man gibt dem Modell einige Beispiele für die gewünschte Eingabe-Ausgabe-Beziehung mit. Bei Aufgaben mit festem Muster – etwa „klassifiziere diese Anfrage in eine von vier Kategorien" – erhöht das die Treffsicherheit deutlich, weil das Modell am Beispiel sieht, was gemeint ist.

Chain-of-Thought

Bei dieser Technik fordert man das Modell auf, schrittweise vorzugehen und seine Zwischenschritte auszuformulieren, bevor es eine Antwort gibt. Das hilft besonders bei Aufgaben mit mehreren Denkschritten, etwa bei Rechen- oder Logikproblemen, weil die Aufgabe in Teilschritte zerlegt wird.

Rollen- und System-Prompts

Hier gibt man dem Modell eine Rolle und einen Rahmen vor („Du bist ein erfahrener Lektor und prüfst auf sachliche Fehler"). Ein System-Prompt setzt dabei einen festen Rahmen, der für alle folgenden Eingaben gilt – etwa Tonalität, erlaubte Themen und Verbote.

Prompt Engineering im Betrieb

In produktiven Anwendungen ist Prompt Engineering kein einmaliges Schreiben, sondern eine laufende Aufgabe. Übliche Praxis ist das iterative Testen: Man formuliert eine Anweisung, prüft die Ergebnisse an realistischen Fällen und passt die Formulierung an. Prompts, die im Produktivbetrieb laufen, werden versioniert und dokumentiert, damit Änderungen nachvollziehbar bleiben.

Ein einzelner Prompt stößt allerdings an Grenzen, wenn das Modell auf aktuelles oder firmeninternes Wissen zugreifen oder eigenständig Aktionen ausführen soll. Hier kommen ergänzende Verfahren ins Spiel: Retrieval-Augmented Generation (RAG) versorgt das Modell mit relevanten Dokumenten, und Tool Calling erlaubt es ihm, externe Funktionen aufzurufen. Prompt Engineering bleibt dabei die Schicht, die festlegt, wie das Modell diese Bausteine nutzt.

Bezug zu AI-Mitarbeitern

Ein AI-Mitarbeiter ist eine fest definierte Rolle mit Aufgabe, Tonalität und Verhaltensregeln. Diese Rolle wird unter anderem über sorgfältig gestaltete Prompts beschrieben: Was die Rolle tun soll, was nicht, in welchem Stil sie kommuniziert und wie sie mit Unsicherheiten umgeht. So ist etwa bei Carl, dem Sales Assistant, genau festgelegt, wie er Leads anspricht und qualifiziert.

In der Praxis ist Prompt Engineering damit ein Baustein unter mehreren. Es bestimmt die Tonalität und die Spielregeln, während Wissensanbindung und Werkzeuge dafür sorgen, dass die Rolle auf verlässlichen Daten arbeitet und konkrete Aufgaben übernehmen kann. Wer beides kombiniert, kommt von einem beliebigen Textgenerator zu einer Rolle, die eine klar umrissene Aufgabe dauerhaft und konsistent erledigt – und genau das unterscheidet einen produktiven Einsatz von einem einmaligen Experiment.