Prompt Engineering heißt, die Anweisungen an ein KI-Modell zu schreiben, zu testen und zu verfeinern, bis es zuverlässig das Ergebnis liefert, das du brauchst. Es geht darum, was in einen Prompt kommt (die Aufgabe, der Kontext, Beispiele, der Input) und wie du es anordnest (Reihenfolge, Format, Trennzeichen). Der Begriff klingt technisch, aber das meiste davon ist sorgfältiges Schreiben plus Überprüfen der Ergebnisse.
Diese Seite ist das Inhaltsverzeichnis von Coddys Prompt Engineering Leitfaden. Sie erklärt, warum die Methode funktioniert, ordnet die Grundtechniken den Seiten zu, die sie erklären, und zeigt den Unterschied zwischen einem beiläufigen und einem durchdachten Prompt.
Warum Prompt Engineering funktioniert
Ein Sprachmodell erzeugt Text, indem es vorhersagt, was als Nächstes kommt, Stück für Stück, auf Basis von allem, was vor ihm liegt. Es hat keinen Zugriff auf deine Absichten, dein Projekt oder deine früheren Chats, außer dieser Text steht in seinem Input. Der Prompt ist also keine Bitte an einen Verstand, der dich schon versteht; er ist die gesamte Situation, auf die das Modell reagiert.
Das hat eine direkte Folge. Jede Frage, die der Prompt offenlässt, entscheidet das Modell meist mit der typischsten Wahl: die häufigste Sprache, die häufigste Länge, das häufigste Publikum. Manchmal ist die typische Wahl genau das, was du wolltest. Wenn nicht, besteht die Lösung darin, die Frage im Prompt zu schließen. Ein guter Prompt engt den Bereich plausibler Antworten ein, bis das meiste, was übrig bleibt, brauchbar ist.
Zwei weitere Tatsachen prägen das Handwerk. Antworten werden gesampelt, also kann derselbe Prompt bei verschiedenen Durchläufen verschiedene Antworten liefern; ein Prompt ist nur dann gut, wenn er meistens funktioniert, nicht einmal. Und das Modell behandelt jeden Text im Prompt als potenziell bedeutsam, sodass eine eingefügte E-Mail oder ein verirrter Satz als Anweisung gelesen werden kann, wenn du ihn nicht deutlich als Material kennzeichnest.
Ein beiläufiger Prompt gegen einen durchdachten
Beide Tabs wollen dasselbe: Kundenbewertungen in positiv und negativ einteilen. Vergleich, was jeweils zurückkommt.
Hier eine Übersicht:
- Gemischt. Die Person mag die Geschwindigkeit, ärgert sich aber, dass sie ausgeloggt wurde.
- Positiv. Die App erfüllt ihre Anforderungen beim Tracken von Läufen.
- Negativ. Die Person ist unzufrieden, dass der Support nicht geantwortet hat.
Insgesamt ist das Feedback gemischt: eine positive, eine negative und eine gemischte Bewertung.
Die beiläufige Antwort ist für einen Menschen gut lesbar, aber ein Programm kann damit nichts anfangen: Die Labels sind mit Erklärungen vermischt, eine dritte Kategorie ist aufgetaucht, die die Frage gar nicht angeboten hat, und am Ende steht eine Zusammenfassung. Der durchdachte Prompt definiert jedes Label, legt die Ausgabeform mit einem Beispiel fest und schließt die Bewertungen in Tags ein, damit sie seltener mit Anweisungen verwechselt werden. Über tausend Bewertungen laufen gelassen, liefert er eine Ausgabe, die ein Programm viel verlässlicher parsen kann, und wenn du eine Garantie brauchst, schließen die Structured-Output-Funktionen der API und ein Validierungsschritt in deinem Code die restliche Lücke.
Die Grundtechniken
Jede Technik unten schließt eine andere Art von Lücke zwischen dem, was du gemeint hast, und dem, was beim Modell angekommen ist. Die meisten echten Prompts kombinieren mehrere.
| Technik | Was sie tut | Greif zu ihr, wenn |
|---|---|---|
| Zero-Shot-Prompting | Gibt eine Anweisung ohne Beispiele | Die Aufgabe verbreitet und klar beschrieben ist |
| Few-Shot-Prompting | Zeigt ein paar Beispiele aus Input und Output | Format oder Urteil leichter zu zeigen als zu beschreiben sind |
| Chain-of-Thought-Prompting | Fragt nach dem Lösungsweg vor der Antwort | Das Problem mehrere Schritte hat, etwa Mathe oder Logik |
| Rollen-Prompting | Legt fest, wessen Stimme und Maßstäbe gelten | Publikum und Niveau wichtig sind |
| Strukturierte Ausgabe | Legt die Antwort auf JSON, eine Tabelle oder eine Vorlage fest | Ein Programm oder eine Tabellenkalkulation das Ergebnis liest |
| Trennzeichen und XML-Tags | Trennt Anweisungen von eingefügtem Material | Der Prompt Dokumente, Code oder Nutzertext enthält |
| Prompt-Vorlagen | Macht aus einem guten Prompt einen mit Lücken | Du dieselbe Art von Anfrage wiederholst |
| Prompt Chaining | Zerlegt eine Aufgabe in Schritte, die aufeinander aufbauen | Ein Prompt zu viel auf einmal will |
| Self-Consistency | Sampelt mehrere Antworten und nimmt die Mehrheit | Ein einzelner Lösungsweg unzuverlässig ist |
| Tree of Thought | Erkundet und bewertet mehrere Denkwege | Das Problem Planung oder Suche braucht |
| ReAct | Wechselt zwischen Nachdenken und Tool-Aufrufen | Das Modell etwas nachschlagen oder Aktionen ausführen muss |
| Meta-Prompting | Lässt das Modell einen Prompt schreiben oder verbessern | Du nicht weißt, wie du einen Prompt formulieren sollst |
| Context Engineering | Gestaltet alles, was das Modell sieht, nicht nur die Anweisung | Du eine App oder einen Agenten um ein Modell herum baust |
Wenn du neu bist, fang mit den Bausteinen eines einzelnen Prompts an, in Prompt schreiben, dann Few-Shot-Prompting und strukturierte Ausgabe. Diese drei decken die meisten Alltagsprobleme ab.
Ein Prompt für ein Programm
Prompts, die in Software eingebaut sind, laufen tausendfach auf Eingaben, die noch niemand gesehen hat, deshalb legen sie mehr fest als eine Chat-Nachricht. Der Prompt unten schreibt Commit-Messages aus einem Code-Diff. Schalte Teile aus, um zu sehen, wovor jeder schützt: Ohne die Beispiele driftet der Stil, und ohne die Vorgaben nimmt das Modell vielleicht Typen, die dein Team nicht verwendet, etwa perf oder style.
function validatePassword(password) {
- if (password.length > 8) {
+ if (password.length >= 8) {
return null;
}
return 'Password must be at least 8 characters';
}fix(auth): accept passwords of exactly 8 characters
- The check used > 8, so an 8-character password was rejected
- The rule now matches the error message, which says "at least 8"
Prompt Engineering lernen
Du lernst es, indem du Prompts ausführst und genau hinschaust, was zurückkommt. Ein praktischer Weg:
- Lern die Bausteine eines Prompts. Aufgabe, Kontext, Input, Format und Vorgaben. Die meisten Fehlschläge gehen darauf zurück, dass einer davon fehlt.
- Such dir eine echte Aufgabe, die du oft wiederholst, etwa Tickets zusammenfassen, Fehlermeldungen erklären oder E-Mails entwerfen, und schreib einen Prompt dafür.
- Sammle fünf bis zehn Testeingaben, auch unbequeme: eine leere Eingabe, eine sehr lange, eine in einer anderen Sprache.
- Ändere immer nur eine Sache und lass alle Eingaben erneut laufen. Wenn du drei Dinge änderst und die Ausgabe besser wird, weißt du nicht, welche Änderung geholfen hat. Prompts iterativ verbessern beschreibt diese Schleife im Detail.
- Nimm Techniken dazu, wenn ein bestimmter Fehler danach verlangt. Beispiele, wenn das Format driftet, schrittweises Denken, wenn mehrstufige Antworten falsch sind, Trennzeichen, wenn eingefügter Text in die Anweisungen durchsickert.
Die großen Modellanbieter veröffentlichen außerdem Prompting-Leitfäden für ihre eigenen Modelle, und es lohnt sich, sie zu lesen, denn jeder beschreibt, worauf die jeweilige Modellfamilie am besten reagiert.
Ist Prompt Engineer ein Beruf?
Manche Firmen haben Stellen mit dem Titel "Prompt Engineer" ausgeschrieben, besonders als Chatmodelle zum ersten Mal breit verfügbar wurden. Häufiger ist die Fähigkeit Teil eines anderen Jobs. Entwickler schreiben Prompts für die KI-Funktionen, die sie bauen, Support-Teams schreiben sie für Assistenten, die Kunden antworten, und Analysten und Texter nutzen sie täglich.
In Teams, die KI-Produkte entwickeln, ist die Arbeit breiter geworden. Die Auswahl dessen, was in den Input des Modells kommt (abgerufene Dokumente, Tool-Ergebnisse, Gesprächsverlauf, Gedächtnis), zählt genauso viel wie die Formulierung der Anweisung, und diese breitere Aufgabe heißt oft Context Engineering. Zu messen, ob ein Prompt über viele Eingaben hinweg funktioniert, meist Evaluation genannt, ist die andere Hälfte.
Was sich mit neueren Modellen ändert
Frühes Prompt Engineering setzte auf Tricks: Zauberformeln, aufwendige Personas, eine Anweisung mehrmals wiederholen. Aktuelle Modelle folgen einfachen Anweisungen viel besser, und Reasoning-Modelle arbeiten ein Problem schon intern durch, bevor sie antworten, also bringt die Aufforderung, Schritt für Schritt zu denken, weniger als früher.
Nicht geändert hat sich der Teil, der nie ein Trick war. Das Modell kann dein Publikum, deine Daten, deine Vorgaben oder das, was ein gutes Ergebnis ausmacht, immer noch nicht kennen, wenn du es nicht sagst. Klare Spezifikation ist die Fähigkeit, die bleibt, und ihr widmet dieser Leitfaden die meisten Seiten.
Häufig gestellte Fragen
Was ist Prompt Engineering einfach erklärt?
Prompt Engineering heißt, die Anweisungen für ein KI-Modell so sorgfältig zu schreiben, dass es dir die Antwort gibt, die du brauchst, und sie dann so lange zu testen und anzupassen, bis das zuverlässig klappt. Es geht darum, was du dem Modell sagst (Aufgabe, Kontext, Beispiele) und wie du es anordnest (Reihenfolge, Format, Trennzeichen).
Kann ich Prompt Engineering ohne Programmierkenntnisse lernen?
Ja. Die Kernfähigkeiten, also eine Aufgabe klar formulieren, Kontext liefern, Beispiele geben und das Ausgabeformat festlegen, funktionieren alle in einer Chat-App. Programmieren wird nützlich, wenn du einen Prompt viele Male ausführen, ihn gegen eine Reihe von Eingaben testen oder die Ausgabe in ein Programm einspeisen willst.
Wie lange dauert es, Prompt Engineering zu lernen?
Die Grundlagen schaffst du an einem Nachmittag: die Bausteine eines guten Prompts und eine Handvoll Techniken wie Few-Shot-Beispiele und strukturierte Ausgabe. Zuverlässige Ergebnisse bei einer echten Aufgabe dauern länger, denn sie entstehen, indem du deinen Prompt an vielen Eingaben testest und die Fälle behebst, in denen er versagt.
Ist Prompt Engineer ein echter Beruf?
Manche Firmen haben Stellen mit Titeln wie "Prompt Engineer" ausgeschrieben, aber meistens ist die Fähigkeit Teil einer anderen Rolle: Entwickler, die KI-Funktionen bauen, Texter, Analysten und Support-Teams. In Teams, die KI-Produkte entwickeln, überschneidet sie sich mit Evaluationsarbeit und mit der Gestaltung von allem, was das Modell sieht, heute oft Context Engineering genannt.
Ist Prompt Engineering bei neueren KI-Modellen noch sinnvoll?
Neuere Modelle brauchen weniger Tricks. Sie folgen einfachen Anweisungen besser, und Reasoning-Modelle arbeiten Probleme durch, ohne dass man sie zum schrittweisen Denken auffordern muss. Nützlich bleibt der Teil, der nie ein Trick war: die Aufgabe benennen, dem Modell die Fakten geben, die es nicht kennen kann, und festlegen, wie eine gute Antwort aussieht.
