6 Prinzipien, Anti-Patterns und Templates – der praktische Leitfaden für bessere KI-Prompts.
Lerne, wie du KI-Modelle durch bessere Prompts zu deutlich besseren Ergebnissen bringst. 6 Prinzipien, Anti-Patterns, Templates und eine Checkliste für ChatGPT, Claude & Co.
Das Modell ist nicht das Problem – der Prompt ist es. LLMs sind extrem leistungsfähig, aber sie arbeiten nur mit dem, was du ihnen gibst. Ein vager Prompt gibt dem Modell maximalen Interpretationsspielraum – und das Ergebnis weicht entsprechend weit von deiner Erwartung ab.
Die gute Nachricht: Bessere Prompts sind keine Magie. Es gibt klare Prinzipien, die konsistent funktionieren.
Je vager der Prompt, desto mehr Interpretationsspielraum hat das Modell – und desto weiter kann die Antwort von deiner Erwartung abweichen. Spezifität ist der einfachste Hebel mit dem größten Effekt.
Kontext bedeutet: Wer bist du? Was ist der Hintergrund? Für wen ist das? Das Modell kann nur mit dem arbeiten, was du ihm gibst – es kennt deinen Kontext nicht automatisch.
Ohne Formatvorgabe variiert die Ausgabestruktur stark. Für automatisierte Pipelines gilt: JSON Schema direkt in der API nutzen ist zuverlässiger als Prompt-basierte Format-Constraints.
Few-Shot Prompting ist eine der wirkungsvollsten Techniken. 2–3 Beispiele reichen meist, um das gewünschte Format und den Stil zu zeigen. Das Modell erkennt das Muster und setzt es fort.
Negative Constraints (nicht, kein, ohne) sind genauso wichtig wie positive. Sie verhindern häufige Muster, die du nicht willst. Sicherheitsrelevante Constraints gehören immer in den System Prompt – nicht in die User-Nachricht, die der User selbst überschreiben könnte.
Prompt Engineering ist kein einmaliger Akt. Es ist ein iterativer Prozess:
Prompt v1: "Fasse den Text zusammen."
Prompt v2: "Fasse den Text in maximal 3 Sätzen zusammen.
Behalte die wichtigsten Zahlen und Namen.
Kein Einleitungssatz wie 'Der Text handelt von...'."
→ v2 liefert konsistent bessere Ergebnisse auf 10 Testfällen.Du bist ein [ROLLE].
Analysiere den folgenden [INHALT] und erstelle:
- [AUSGABE 1]
- [AUSGABE 2]
- [AUSGABE 3]
Kontext: [HINTERGRUND]
Format: strukturierte Liste, max. [N] Punkte pro Abschnitt.
Wenn du unsicher bist, sage es explizit.
[INHALT]:
"""
[HIER EINFÜGEN]
"""Erkläre [KONZEPT] für [ZIELGRUPPE].
Anforderungen:
- Länge: [N] Absätze
- Ton: [professionell / locker / technisch]
- Verwende eine Analogie aus [BEREICH]
- Vermeide Fachjargon außer: [AUSNAHMEN]
Struktur:
1. Definition in einem Satz
2. Wie es funktioniert (mit Analogie)
3. Praktisches Beispiel
4. Häufige Missverständnisse[AUFGABE]
Antworte ausschließlich als gültiges JSON:
{
"ergebnis": string,
"begruendung": string,
"konfidenz": "hoch" | "mittel" | "niedrig",
"naechste_schritte": string[]
}
Kein Text außerhalb des JSON.
Falls nicht lösbar: { "ergebnis": null, "begruendung": "..." }Du bist ein [ROLLE] mit [N] Jahren Erfahrung.
Gib konstruktives Feedback zu folgendem [INHALT]:
Bewertungskriterien:
1. [KRITERIUM 1] (Gewichtung: hoch)
2. [KRITERIUM 2] (Gewichtung: mittel)
3. [KRITERIUM 3] (Gewichtung: niedrig)
Format:
- Stärken: 2-3 Punkte
- Verbesserungen: 2-3 konkrete Vorschläge
- Priorität #1: wichtigste Änderung
[INHALT]:
"""
[HIER EINFÜGEN]
"""„Denke Schritt für Schritt” produziert unstrukturierten Output. Für automatisierte Pipelines ist JSON Schema zuverlässiger – das Modell gibt direkt valides JSON zurück, das du parsen kannst, ohne Freitext zu verarbeiten.
Entweder Temperatur oder Top-p als primären Hebel – nicht beide auf extremen Werten gleichzeitig. In der Praxis: Temperatur 0 für Fakten und Code, 0.7+ für kreative Texte.
Constraints, die der User nicht überschreiben soll, gehören in den System Prompt – nicht in die User-Nachricht. Ein User kann seine eigene Nachricht manipulieren, den System Prompt aber nicht.
LLMs halluzinieren. Kritische Ausgaben – Fakten, Zahlen, Code, rechtliche Inhalte – immer prüfen. Das ist keine Schwäche des Modells, sondern ein fundamentales Merkmal statistischer Vorhersage.
Komplexe Aufgaben in Teilschritte zerlegen. Ein Prompt für 5 verschiedene Dinge produziert mittelmäßige Ergebnisse bei allen 5. Besser: 5 fokussierte Prompts, die aufeinander aufbauen.
Ohne definierte Testfälle weißt du nicht, ob dein Prompt gut ist. Mindestens 10 typische Inputs und 3 Grenzfälle – sonst optimierst du auf Zufall.
Bevor du einen Prompt abschickst:
Inhalt
Format & Constraints
kein, ohne)?Qualität
Prompt-Verbesserungs-Challenge
Nimm einen schlechten Prompt und verbessere ihn in 4 Iterationen. Teste jede Version mit GPT-5 oder Claude und dokumentiere die Unterschiede.
Prompt Engineering Grundlagen erklärt die Konzepte (Temperatur, Sampling, Halluzinationen). Dieser Guide ist praktischer: 6 Prinzipien mit Gut/Schlecht-Vergleichen, Templates zum Kopieren und eine Checkliste. Beide ergänzen sich.
Die Grundprinzipien (spezifisch, Kontext, Format) funktionieren bei allen Modellen. Aber jedes Modell hat Eigenheiten – ein Prompt der bei GPT-5 perfekt funktioniert, muss bei Claude oder Llama möglicherweise angepasst werden.
So lang wie nötig, so kurz wie möglich. Für einfache Aufgaben reichen 1-2 Sätze. Für komplexe Aufgaben mit Beispielen, Regeln und Kontext können es mehrere hundert Wörter sein. Länge ist kein Qualitätsmerkmal.
Format definieren. Die meisten schlechten Prompts haben kein klares Ausgabeformat. Sobald du sagst 'Antworte als Markdown-Tabelle mit den Spalten X, Y, Z' oder 'Antworte in maximal 3 Sätzen', verbessert sich die Qualität sofort spürbar.