Prompt Templates: Wiederverwendbare Vorlagen für KI-Interaktionen

ERKLÄRUNG

Einfach erklärt

Ein Prompt Template ist eine wiederverwendbare Vorlage für LLM-Anfragen, bei der bestimmte Teile variabel sind und je nach Kontext eingesetzt werden.

Ohne Template vs. mit Template:

Ohne (jedes Mal neu formuliert):
  "Fass diesen Text zusammen: [text]"
  "Kannst du mir eine Zusammenfassung von [text] geben?"
  "Bitte zusammenfassen: [text]"
  → Inkonsistente Ergebnisse

Mit Template (standardisiert):
  "Du bist ein Experte für {thema}.
   Fasse den folgenden Text in {anzahl} Bullet Points zusammen.
   Fokussiere auf: {fokus}.
   
   Text: {text}
   
   Format: Markdown Bullet Points"
  → Konsistente, vorhersagbare Ergebnisse

Aufbau eines guten Templates

template = """
# Rolle
Du bist ein {rolle} mit Expertise in {fachgebiet}.

# Aufgabe
{aufgabenbeschreibung}

# Kontext
{kontext}

# Regeln
- Antworte auf {sprache}
- Maximal {max_laenge} Wörter
- Format: {output_format}

# Eingabe
{user_input}
"""

Template-Typen

Typ	Beschreibung	Beispiel
Simple	Ein Platzhalter	”Übersetze: `{text}`”
Structured	Rolle + Aufgabe + Format	SEO-Artikel-Template
Few-Shot	Mit Beispielen	Klassifikation mit 3 Beispielen
Chain-of-Thought	Denk-Anweisungen	”Denke Schritt für Schritt: `{frage}`”
Multi-Turn	Gesprächskontext	Chat mit System-Prompt + History

Programmatische Nutzung

from langchain_core.prompts import ChatPromptTemplate

template = ChatPromptTemplate.from_messages([
    ("system", "Du bist ein {rolle}. Antworte auf Deutsch."),
    ("human", "{frage}"),
])

prompt = template.invoke({
    "rolle": "KI-Experte",
    "frage": "Was ist Transfer Learning?"
})

Best Practices

Versionieren: Jede Änderung tracken (Git oder Prompt-Management-Tool)
Testen: Gleiche Testfälle nach jeder Änderung durchlaufen
Modularisieren: Kleine, kombinierbare Templates statt monolithischer Prompts
Dokumentieren: Was macht das Template, welche Variablen gibt es, wann nutzen

ANALOGIE

Prompt Templates sind wie Briefvorlagen im Büro: Der grundlegende Aufbau steht fest (Anrede, Betreff, Schlussformel), aber die spezifischen Inhalte werden je nach Bedarf eingesetzt. So bekommt man professionelle, konsistente Ergebnisse – ohne jedes Mal bei null anzufangen.

WICHTIGSTE PUNKTE

Parametrisierbare Vorlagen mit Platzhaltern für variable Inhalte

Sichern Konsistenz, Qualität und Wiederverwendbarkeit von Prompts

Von einfachen String-Templates bis zu komplexen Multi-Turn-Strukturen

ANWENDUNGSFÄLLE

Content-Produktion

Standardisierte Vorlagen für Blog-Artikel, Social-Media-Posts oder Newsletter

Datenextraktion

Templates die zuverlässig strukturierte Daten aus unstrukturiertem Text extrahieren

Code-Generierung

Vorlagen für Code-Reviews, Refactoring-Vorschläge oder Test-Generierung

Kundenservice

Standardisierte Antwort-Templates mit Platzhaltern für Kundenname, Produkt, Problem

HÄUFIGE FRAGEN

Warum nicht einfach jedes Mal einen neuen Prompt schreiben?

Inkonsistenz: Leicht unterschiedliche Formulierungen liefern unterschiedliche Ergebnisse. Templates sichern Qualität, sparen Zeit und ermöglichen systematisches Testing und Optimierung.

Was gehört in ein gutes Prompt Template?

Rolle/System-Prompt, klare Aufgabenbeschreibung, Kontext-Platzhalter, Output-Format-Spezifikation, optionale Few-Shot-Beispiele und Constraints (was das Modell nicht tun soll).

Wie versioniere ich Prompt Templates?

Mit Prompt-Management-Tools (Langfuse, PromptHub), in Git als separate Dateien, oder in einer Datenbank mit Versionsnummern. Wichtig: Änderungen an Templates wie Code-Änderungen behandeln – mit Reviews und Tests.

TOOLS & RESSOURCEN

LangChain PromptTemplate

Programmatische Prompt-Templates mit Variablen und Bedingungen

PromptHub

Plattform für Prompt-Management und Versionierung

Langfuse

Prompt-Management mit A/B-Testing und Versionierung

VERWANDTE BEGRIFFE

LLM Praxis

Prompt Engineering

Die Kunst und Technik, Anweisungen für KI-Sprachmodelle so zu formulieren, dass sie optimale und zielgerichtete Ergebnisse liefern.

LLM Praxis

System Prompt

Eine versteckte Anweisung an ein Sprachmodell, die dessen Rolle, Verhalten und Einschränkungen für eine gesamte Konversation definiert.

LLM Praxis

Chain-of-Thought

Eine Prompting-Technik, bei der das Modell aufgefordert wird, Schritt für Schritt zu denken – verbessert die Reasoning-Fähigkeiten von LLMs dramatisch.

LLM Grundlagen

Few-Shot / Zero-Shot Learning

Die Fähigkeit von KI-Modellen, Aufgaben mit nur wenigen Beispielen (Few-Shot) oder ganz ohne Beispiele (Zero-Shot) zu lösen.

LLM Praxis

Prompt Chaining

Eine Technik, bei der komplexe Aufgaben in mehrere aufeinanderfolgende LLM-Aufrufe zerlegt werden – die Ausgabe eines Prompts wird zur Eingabe des nächsten.