Leitfaden für Prompt Engineering
Ein kostenloser Leitfaden für Prompt Engineering mit ChatGPT, Claude und Gemini: wie man einen Prompt schreibt, die wichtigsten Techniken, Prompts zum Programmieren und wo Modelle versagen. Jeder Prompt auf diesen Seiten lässt sich bearbeiten und in deiner KI-App öffnen.
Geführten AI Prompts-Lernweg startenErste Schritte
- Was ist ein PromptEin Prompt ist der Text, mit dem du einem KI-Modell sagst, was es erzeugen soll. Hier siehst du, was in einen Prompt gehört, echte Prompts für Text, Code und Bilder und wie sich ein Prompt von der Antwort und vom System-Prompt unterscheidet.
- Prompt EngineeringPrompt Engineering heißt, die Anweisungen an ein KI-Modell so zu schreiben und zu testen, dass es das Ergebnis liefert, das du brauchst. Dieser Leitfaden erklärt, warum das funktioniert, und ordnet alle Grundtechniken ein.
- Prompt schreibenEin guter Prompt ist ein kurzes Briefing: eine Rolle, eine Aufgabe, der Kontext, den das Modell nicht erraten kann, das Material, die Form der Antwort und die Grenzen. Jeder Baustein verhindert eine andere Art, wie eine Antwort danebengeht.
- Prompt BeispieleDreizehn fertige Prompts zum Lernen, Programmieren, Schreiben und Planen. Füll die Lücken aus, dann kopier den Prompt oder öffne ihn in ChatGPT oder Claude.
- System-PromptEin System-Prompt ist ein Satz stehender Anweisungen, der für ein ganzes Gespräch mit einem KI-Modell gilt. Hier erfährst du, wo er steht, was hineingehört und wie er sich von einer User-Nachricht unterscheidet.
- Tokens und KontextKI-Modelle lesen Text als Tokens, kleine Wortstücke, und können nur eine begrenzte Zahl davon auf einmal halten: das Kontextfenster. Hier erfährst du, wie beides funktioniert und was du tust, wenn ein Chat lang wird.
- TemperatureDie Temperature steuert, wie viel Zufall ein Sprachmodell bei der Wahl jedes nächsten Wortes nutzt. Sieh dir an, wie sie die Chancen jedes Wortes verändert, wann du sie niedrig oder hoch setzt und wie sie sich von top_p unterscheidet.
Grundtechniken
- Zero-Shot-PromptingZero-Shot-Prompting heißt, ein Modell eine Aufgabe nur anhand von Anweisungen lösen zu lassen, ohne Beispiele für die Antwort. So nutzen die meisten Leute ChatGPT, Claude und Gemini, und es funktioniert gut, wenn die Aufgabe verbreitet und die Anweisung präzise ist.
- Few-Shot-PromptingBeim Few-Shot-Prompting stehen ein paar ausgearbeitete Beispiele im Prompt, jeweils ein Input und die gewünschte Antwort, damit das Modell das Muster übernimmt. Das ist der schnellste Weg, ein Format, eine Label-Liste oder einen Hausstil beizubringen, den das Modell nicht erraten würde.
- Chain of ThoughtChain-of-Thought-Prompting bittet ein Modell, seinen Lösungsweg auszuschreiben, bevor es die Antwort gibt. Es hilft am meisten bei mehrstufigen Rechen- und Logikaufgaben und bringt weniger bei Reasoning-Modellen, die ohnehin vor der Antwort nachdenken.
- Rollen-PromptingBeim Rollen-Prompting gibst du dem Modell eine Rolle, etwa Tutor, Code-Reviewer oder Interviewer. Eine Rolle ändert, für wen die Antwort geschrieben ist und welchen Maßstab sie erfüllt; sie fügt kein Wissen hinzu, das dem Modell fehlt.
- Strukturierte AusgabeStrukturierte Ausgabe heißt, das Modell um eine Antwort in einer festen Form zu bitten, etwa JSON, eine Tabelle oder eine Vorlage, damit ein Programm oder ein Mensch sie ohne Umbau nutzen kann. Gib das Schema vor, sag, was mit fehlenden Werten passiert, und validiere das Ergebnis im Code.
- Trennzeichen und XML-TagsTrennzeichen (Delimiter) markieren, wo eingefügtes Material beginnt und endet, damit das Modell deine Anweisungen vom Text unterscheiden kann, mit dem es arbeiten soll. Anführungszeichen, dreifache Backticks, ###-Zeilen und XML-Tags funktionieren alle; XML-Tags skalieren am besten, wenn ein Prompt mehrere Materialstücke enthält.
- Prompt-VorlagenEine Prompt-Vorlage ist ein Prompt, den du schon getestet hast, mit Lücken für die Teile, die sich jedes Mal ändern. Kopier fertige Vorlagen mit Feldern zum Ausfüllen und mach in fünf Schritten aus deinem besten Prompt eine eigene.
Fortgeschrittene Techniken
- Prompt ChainingPrompt Chaining zerlegt eine Aufgabe in eine Folge kleinerer Prompts, bei denen die Ausgabe jedes Schritts zum Input des nächsten wird. Jeder Schritt macht eine Sache, und du kannst sein Ergebnis prüfen, bevor der nächste läuft.
- Self-ConsistencySelf-Consistency-Prompting stellt dieselbe Denkfrage mehrmals, lässt jeden Durchlauf auf seinem eigenen Weg nachdenken und behält die Antwort, die am häufigsten vorkommt. Hier siehst du, wie das funktioniert, wie du es von Hand machst und wie im Code.
- Tree of ThoughtBeim Tree-of-Thought-Prompting erkundet das Modell mehrere Teillösungen, bewertet jede und behält nur die vielversprechenden Zweige. Hier siehst du, wie die ursprüngliche Methode funktioniert, eine Version in einem einzigen Prompt zum Ausprobieren und wo diese Version an ihre Grenzen stößt.
- ReAct-PromptingReAct-Prompting lässt ein Modell zwischen Nachdenken über eine Aufgabe und dem Aufruf eines Tools wechseln und jedes Ergebnis lesen, bevor es den nächsten Schritt festlegt. Diese Schleife steckt hinter den meisten KI-Agenten.
- Meta-PromptingMeta-Prompting heißt, ein Modell an Prompts arbeiten zu lassen: einen von Grund auf schreiben, einen vorhandenen verbessern oder eine Aufgabe in Prompts für weitere Modellaufrufe zerlegen. Hier siehst du, wie du jede Variante nutzt, ohne einen aufgeblähten Prompt zurückzubekommen.
- Context EngineeringContext Engineering heißt, bei jedem Aufruf alles festzulegen, was ins Kontextfenster eines Modells kommt: Anweisungen, Dokumente, Tool-Ergebnisse, Gedächtnis und Gesprächsverlauf, und in welcher Reihenfolge. Der Prompt, den du tippst, ist nur ein Teil davon.
Prompts zum Programmieren
- Prompts zum Code schreibenProgrammier-Prompts funktionieren, wenn sie sich wie eine kleine Spezifikation lesen: Sprache und Version, Inputs und Outputs, Randfälle und die Tests, die der Code bestehen muss. Bitte immer nur um einen kleinen Schritt.
- Prompts zum DebuggenUm mit ChatGPT oder Claude zu debuggen, füg den vollständigen Fehler und den auslösenden Code ein, sag, was du erwartet hast und was stattdessen passiert ist, liste auf, was du schon probiert hast, und frag nach der Ursache vor der Korrektur.
- Code erklärenLass dir Code von einer KI Zeile für Zeile erklären, auf deinem Niveau, mit einer Tabelle, wie sich die Werte beim Ausführen ändern. Sag, was du schon weißt, damit die Erklärung dort anfängt, wo du stehst.
- Prompts für Code ReviewsEin guter Code-Review-Prompt sagt, wonach gesucht werden soll, verlangt für jeden Fund einen Schweregrad, einen konkreten Input, der das Problem auslöst, und einen Diff, und sagt dem Modell, dass es Stilfragen auslassen soll. Danach prüfst du jeden Fund, denn manche werden falsch sein.
Grenzen und Sicherheit
- KI-HalluzinationenEine KI-Halluzination ist eine selbstsichere Antwort, die falsch ist: ein erfundener Fakt, eine erfundene Quelle, Funktion oder ein erfundenes Paket. Sie entsteht, weil ein Sprachmodell wahrscheinlichen Text vorhersagt, statt etwas nachzuschlagen. Prompts können sie seltener machen; nur Prüfen fängt sie ab.
- Prompt InjectionPrompt Injection ist ein Angriff, bei dem Text, den das Modell liest, von einem User getippt oder in einer E-Mail, Webseite oder Datei versteckt, die Anweisungen der Anwendung aushebelt. Trennzeichen helfen, stoppen ihn aber nicht; was hilft, ist zu begrenzen, was das Modell tun kann.
- Prompts iterativ verbessernEinen Prompt zu verbessern, funktioniert am besten als kleines Experiment: festlegen, wie eine gute Antwort aussieht, ein paar feste Testeingaben behalten, immer nur eine Sache ändern und die Ausgaben nebeneinander vergleichen.
