Was ist Prompt Engineering? Praktischer Guide

OpenAI beschreibt Prompt Engineering als das Schreiben wirksamer Anweisungen, damit ein Modell konsistent Inhalte erzeugt, die Ihren Anforderungen entsprechen. Google beschreibt Prompt Design als das Formulieren natürlichsprachlicher Anfragen, die genaue und hochwertige Antworten auslösen. Anthropic versteht Prompting als iteratives Handwerk: Erfolgskriterien definieren, dagegen testen und den Prompt-Entwurf verbessern.

Im Arbeitsalltag formen Sie damit:

• die Aufgabe, die das Modell ausführen soll
• den Kontext, den es für ein gutes Ergebnis braucht
• die Einschränkungen, die die Antwort nutzbar halten
• die erwartete Ausgabeform
• optionale Beispiele, wenn Worte allein mehrdeutig sind
• einen Schritt zur Überprüfung, wenn Genauigkeit wichtig ist

Sie tun eine einfache Version davon bereits, wenn Sie eine ChatGPT-Anfrage nach einer schwachen ersten Antwort umformulieren. Formales Prompt Engineering macht diese Schleife nur bewusster und wiederverwendbar.

Längere Prompts sind nicht automatisch besser. Zusätzliche Details helfen nur, wenn sie der Aufgabe dienen. Unpassender Hintergrund, widersprüchliche Regeln und zu viele gestapelte Anforderungen machen Ergebnisse oft weniger zuverlässig.

Generative Modelle sind nicht deterministisch. Derselbe Prompt kann in mehreren Durchläufen unterschiedliche Antworten erzeugen, und kleine Formulierungsänderungen können Ton, Struktur oder Genauigkeit verändern. Ein klarer Prompt reduziert Raten. Ein vager Prompt zwingt das Modell, Zielgruppe, Format, Länge und Prioritäten selbst zu erfinden.

Gutes Prompting verbessert in der Regel:

• die Relevanz für Ihr eigentliches Ziel
• die Konsistenz von Format und Länge
• den Nutzen für eine benannte Zielgruppe
• die Chance, dass Einschränkungen eingehalten werden

Es beseitigt Modellgrenzen nicht. Anthropic weist darauf hin, dass nicht jeder Fehler am besten mit mehr Prompt-Text behoben wird. Modellauswahl, Tools, Retrieval und Evaluation können wichtiger sein. Prompt-Qualität ist ein Hebel unter mehreren.

Die meisten starken Prompts bestehen aus einigen Bausteinen:

• Aufgabe: eine klare Handlung, zum Beispiel zusammenfassen, umschreiben, klassifizieren, entwerfen, kritisieren oder extrahieren.
• Kontext: Briefing, Quelltext, Produktfakten, Zielgruppe oder Situation, die das Modell nutzen muss.
• Einschränkungen: Länge, Ton, Ausschlüsse, Leseniveau, Markenregeln oder „nur den bereitgestellten Text verwenden".
• Ausgabe: Stichpunkte, Tabelle, E-Mail-Text, JSON-Felder, Skriptstruktur oder Szenenbeschreibung.
• Beispiele: ein bis drei Muster des gewünschten Ergebnisses, wenn die Anforderung schwer zu beschreiben ist.
• Überprüfung: Bitten Sie das Modell, Annahmen zu prüfen, fehlende Informationen zu markieren oder den Entwurf vor der finalen Antwort gegen Ihre Checkliste zu prüfen.

Trennen Sie Anweisungen von Referenzmaterial. Legen Sie den Quellartikel, das Transkript oder Ihre Notizen in einen klar markierten Block, damit das Modell Ihre Daten nicht als Teil der Anweisungen behandelt. Anthropic empfiehlt in den Prompting-Dokumenten aus genau diesem Grund eine strukturierte Trennung, zum Beispiel mit XML-ähnlichen Tags.

Dieser Guide verwendet eine einfache Methode, die wir TCCOEV nennen. Sie ist eine praktische Checkliste, kein Branchenstandard und kein wissenschaftliches Gesetz. Nutzen Sie die Teile, die Sie brauchen, und lassen Sie leere Abschnitte weg.

Task (Aufgabe):
[Was die KI tun soll]

Context (Kontext):
[Relevanter Hintergrund oder Quellmaterial]

Constraints (Einschränkungen):
[Regeln, Grenzen, Ausschlüsse, Ton, Zielgruppe]

Output (Ausgabe):
[Format, Länge, Struktur]

Examples (Beispiele):
[Optionale Beispiele für das gewünschte Ergebnis]

Verification (Überprüfung):
[Was die KI vor der finalen Antwort prüfen soll]

Ausgefülltes Beispiel:

Task (Aufgabe):
Schreiben Sie dieses Produktupdate für Kundinnen und Kunden um.

Context (Kontext):
<notizen>
Wir haben wöchentliche Nutzungsberichte für Team-Tarife eingeführt.
Berichte lassen sich als CSV exportieren. Kein Preiswechsel.
</notizen>

Constraints (Einschränkungen):
Freundlich, konkret, ohne Fachjargon. Keine Funktionen erfinden. Unter 120 Wörter.

Output (Ausgabe):
Betreffzeile + kurzer E-Mail-Text mit einem CTA.

Examples (Beispiele):
Betreff: Ihr wöchentlicher Nutzungsbericht ist bereit
Text: Ruhiger, direkter Ton.

Verification (Überprüfung):
Liste alle Aussagen auf, die nicht durch die Notizen gestützt werden, und gib dann die finale E-Mail aus.

Für weitere praktische Prompt-Muster und Vorher-nachher-Tipps lesen Sie So schreiben Sie bessere KI-Prompts.

Schwach: „Schreibe einen LinkedIn-Post über KI."

Verbessert: „Schreibe einen LinkedIn-Post für freiberufliche Marketingfachleute. Blickwinkel: Wie klarere Briefings Revisionsrunden mit KI-Tools reduzieren. 120 bis 150 Wörter. Beginne mit einer konkreten Szene, ende mit einer Frage. Keine Hashtags. Keine Hype-Wörter."

Schwach: „Fasse das zusammen."

Verbessert: „Fasse den folgenden Artikel für einen beschäftigten Gründer in fünf Stichpunkten zusammen. Jeder Punkt unter 20 Wörtern. Trenne Fakten von Meinungen des Autors. Wenn ein Punkt in der Quelle unklar ist, sage das."

Schwach: „Mach ein Bild von einem Café."

Verbessert: „Fotorealistisches Weitwinkelbild eines kleinen Nachbarschaftscafés zur morgendlichen Stoßzeit, warmes Fensterlicht, zwei Baristas hinter einer Holztheke, handgeschriebene Menütafel mit den Worten 'House Blend', geringe Schärfentiefe, kein Wasserzeichen."

Die verbesserten Versionen definieren Aufgabe, Zielgruppe, Grenzen und Ergebnis. Das ist Prompt Engineering in der Praxis.

Für Chat- und Schreibmodelle schlägt Klarheit cleveres Formulieren. OpenAI, Anthropic und Google betonen alle konkrete Anweisungen, relevanten Kontext und Beispiele, wenn das Format wichtig ist.

Nützliche Muster:

• Nennen Sie Zielgruppe und Ziel in den ersten Zeilen.
• Geben Sie Quellmaterial in einem markierten Block und weisen Sie das Modell an, sich daran zu halten.
• Fordern Sie eine benannte Struktur an: Gliederung, Tabelle, E-Mail, Checkliste oder JSON-Felder.
• Fügen Sie ein kurzes Beispiel hinzu, wenn Stil oder Labels mehrdeutig sind.
• Bitten Sie das Modell, Annahmen zu nennen, Unsicherheit zu markieren oder den Entwurf gegen Ihre Einschränkungen zu prüfen.

Zu „Begründe deine Antwort": Manche modernen Systeme prüfen intern, bevor sie antworten. OpenAIs Hinweise zu Reasoning-Modellen sagen, dass diese Modelle oft mit einfachen, direkten Prompts am besten funktionieren und dass die Aufforderung, den Denkprozess ausführlich offenzulegen, meist unnötig ist und die Leistung verschlechtern kann. Microsofts Azure OpenAI-Dokumentation weist außerdem darauf hin, dass Reasoning-Tokens intern sind und der Zugriff auf rohe interne Begründungen nicht unterstützt wird.

Sinnvollere Alternativen, wenn Sie Transparenz brauchen:

• fragen Sie nach einer kurzen Begründung der Empfehlung
• fragen Sie nach Annahmen und offenen Fragen
• fragen Sie nach einer Checkliste der durchgeführten Prüfungen
• fragen Sie nach einem kurzen Plan, wenn der Plan selbst das Ergebnis ist
• fragen Sie nach Zwischenergebnissen, wenn diese Zahlen Teil der Antwort sind
• fragen Sie nach Quellen oder Belegen aus dem bereitgestellten Material
• bitten Sie das Modell, den eigenen Entwurf vor der finalen Antwort zu prüfen

Behandeln Sie eine lange Selbsterklärung nicht als Beweis dafür, dass die Antwort stimmt. Prüfen Sie wichtige Fakten selbst.

Bild-Prompts beschreiben eine Szene, die das Modell rendern soll. Googles Hinweise zum Bild-Prompting ordnen Details häufig nach Motiv, Handlung, Umgebung, Stil, Licht und Kamera. OpenAIs Bilddokumentation betont ebenfalls beschreibende Anweisungen für Generierung und Bearbeitung.

Setzen Sie die wichtigsten visuellen Fakten nach vorn:

• wer oder was im Bild ist
• was diese Person oder dieses Objekt tut
• wo die Szene spielt
• Stil: Foto, Illustration, 3D, Poster
• Licht und Stimmung
• Komposition oder Kamera-Hinweise
• Text, der im Bild erscheinen muss, exakt geschrieben
• was vermieden werden soll, etwa Finger-Artefakte, Wasserzeichen oder unerwünschte Logos

Bild-Prompting ist iterativ. Ändern Sie jeweils eine Variable: Licht, Ausschnitt oder Hintergrund. Für tiefere Bild-Workflows lesen Sie den AI Image Prompt Guide.

Video-Prompts brauchen eine zeitliche Abfolge, nicht nur eine Standbildbeschreibung. Beschreiben Sie Motiv, Handlung, Kamerabewegung, Umgebung und, wenn das Produkt es unterstützt, gesprochene oder atmosphärische Audiospuren. Eine kontinuierliche Handlung ist zuverlässiger als eine Montage unabhängiger Szenen.

Googles aktuelle Gemini API-Dokumentation zu Video empfiehlt für die meisten Generierungs- und dialogbasierten Bearbeitungsaufgaben den Start mit Gemini Omni Flash und Veo für Fälle, in denen Sie Funktionen wie Szenenerweiterung, Last-Frame-Kontrolle oder bestimmte ältere Workflows brauchen. Produktstandards ändern sich, prüfen Sie daher die Dokumentation des jeweiligen Tools.

Praktische Tipps:

• nennen Sie Dauererwartungen nur, wenn das Produkt sie akzeptiert
• beschreiben Sie die Kamerabewegung: langsamer Push-in, Handheld-Follow, statische Totale
• halten Sie das Aussehen von Figuren bei dialogbasierter Bearbeitung über mehrere Schritte konsistent
• packen Sie keine fünf Wendungen in einen kurzen Clip

Für Modellwahl und ausführlichere Beispiele lesen Sie den AI Video Prompt Guide.

• Vage Ziele: „Mach das besser", ohne zu sagen, besser für wen oder nach welchem Maßstab.
• Prompt-Stuffing: langen, irrelevanten Kontext hinzufügen, weil „mehr Details immer helfen".
• Widersprüchliche Anweisungen: „Sei kurz" und „decke jeden Aspekt ausführlich ab" im selben Prompt.
• Fehlende Ausgabeform: Analyse verlangen, ohne Stichpunkte, Memo oder Tabelle festzulegen.
• Anweisungen im Quelltext vermischen: Das Modell kann dem falschen Teil des Prompts folgen.
• Ein Prompt für fünf Aufgaben: Recherche, Schreiben, Design und Kritik gleichzeitig; teilen Sie die Arbeit auf.
• Private interne Begründungen erzwingen: Fordern Sie stattdessen klare Prüfungen an, die Sie lesen können.
• Überprüfung überspringen: faktische, rechtliche, medizinische oder finanzielle Aussagen ohne menschliche Prüfung verwenden.

Behandeln Sie den ersten Prompt als Entwurf. Googles Prompt-Design-Hinweise sagen ausdrücklich: Iterieren Sie anhand beobachteter Antworten. Anthropic empfiehlt, Erfolgskriterien zu definieren und dagegen zu testen, bevor Sie Formulierungen polieren.

1. Führen Sie den Prompt mit einer realistischen Eingabe aus.
2. Benennen Sie den größten Fehler: falsche Zielgruppe, fehlende Einschränkung, schlechtes Format, erfundene Fakten oder schwache Struktur.
3. Ändern Sie eine Sache, die genau auf diesen Fehler zielt.
4. Testen Sie erneut mit derselben Eingabe und einem neuen Grenzfall.
5. Speichern Sie die funktionierende Version mit einer Notiz zu Modell und Aufgabe.

Wenn kleine Formulierungsänderungen das Ergebnis stark kippen, ergänzen Sie Struktur: Labels, Beispiele und einen strengeren Ausgabevertrag. Wenn das Modell die Aufgabe trotzdem nicht erfüllen kann, liegt die Grenze vielleicht am Modell, an fehlenden Tools oder an fehlenden Quelldaten, nicht nur am Prompt.

• perfekte Genauigkeit oder aktuelle Fakten
• identische Ergebnisse über Modelle oder Durchläufe hinweg
• null Halluzinationen
• Zugriff auf private interne Modellgedanken
• eine universelle Vorlage, die jede Aufgabe gewinnt
• sichere Ergebnisse für Entscheidungen mit hohem Risiko ohne fachliche Prüfung

Nutzen Sie Prompts, um Ergebnisse nützlicher zu machen. Prüfen Sie wichtige Aussagen. Bei medizinischen, rechtlichen, finanziellen oder sicherheitskritischen Themen sollte KI-Ausgabe ein Entwurf für qualifizierte menschliche Prüfung bleiben.

Ist Prompt Engineering noch nützlich, wenn Modelle stärker werden?
Ja. Stärkere Modelle brauchen weiterhin eine klare Aufgabe, Kontext und Ausgabeform. Bessere Modelle folgen Anweisungen oft wörtlicher, dadurch werden präzise Prompts eher wichtiger als unwichtiger.

Brauche ich für jedes KI-Produkt andere Prompts?
Die Kerngewohnheiten übertragen sich: Klarheit, Kontext, Einschränkungen und Beispiele. Syntax, Voreinstellungen und Steuerungsmöglichkeiten unterscheiden sich je nach Produkt, daher lohnt sich eine kurze Notiz darüber, was in welchem Tool funktioniert.

Sollte ich immer Beispiele einfügen?
Nein. Beginnen Sie einfach. Fügen Sie Beispiele hinzu, wenn Format, Labels oder Grenzfälle mehrdeutig sind. OpenAIs Hinweise zu Reasoning-Modellen sagen außerdem, dass manche dieser Modelle oft gut zero-shot funktionieren, bevor Sie Beispiele ergänzen.

Reicht „Handle wie ein Experte" aus?
Eine Rolle kann den Ton setzen, ersetzt aber Aufgabe, Einschränkungen und Ausgabeformat nicht. Konkrete Briefings sind besser als vage Prestige-Titel.

Kann ein Prompt das Modell zwingen, private interne Begründungen offenzulegen?
Verlassen Sie sich nicht darauf. Besser sind kurze Erklärungen, Annahmen, Checklisten und überprüfbare Prüfschritte. Interne Begründung ist kein nutzbarer Beweis für Korrektheit.

Prompt Engineering ist klares Aufgabendesign plus Iteration. Sagen Sie, was zu tun ist, geben Sie den relevanten Kontext, setzen Sie Einschränkungen, definieren Sie die Ausgabe, ergänzen Sie Beispiele bei Bedarf und fragen Sie nach Prüfungen, die Sie nachvollziehen können.

Passen Sie dieselben Gewohnheiten an Text, Bild und Video an. Halten Sie Prompts so einfach, wie die Aufgabe es erlaubt, und prüfen Sie alles Wichtige, bevor Sie es verwenden.

Nächster Schritt: Üben Sie mit dem kostenlosen Text-Prompt-Tool oder vertiefen Sie das Thema in So schreiben Sie bessere KI-Prompts.