Prompt Engineering: Grundlagen & Techniken

Prompt Engineering in einem Satz

Prompt Engineering ist die systematische Gestaltung von KI-Eingaben mit dem Ziel, zuverlässig und wiederholbar brauchbare Ergebnisse zu erhalten – statt sich auf Zufallstreffer zu verlassen.

Der Unterschied zum einfachen Fragenstellen liegt im Wort wiederholbar. Ein guter Einzelprompt ist Glückssache. Prompt Engineering fragt: Welche Struktur führt bei dieser Art von Aufgabe verlässlich zum Ziel, auch beim fünfzigsten Durchlauf und auch, wenn eine Kollegin ihn benutzt? Die Grundbausteine einer Eingabe setzt der Einstiegsartikel Was ist ein Prompt? voraus – hier geht es um die Techniken darüber.

Warum die Technik den Unterschied macht

Sprachmodelle sind Wahrscheinlichkeitsmaschinen. Sie erzeugen die plausibelste Fortsetzung deines Textes. Prompt Engineering nutzt genau diese Eigenschaft: Jede Angabe im Prompt verschiebt die Wahrscheinlichkeiten in eine bestimmte Richtung.

Ein Beispiel: Schreibst du „Analysiere diese Zahlen", ist die plausibelste Fortsetzung ein allgemeiner Beschreibungstext. Schreibst du „Du bist Controllerin. Nenne die drei auffälligsten Abweichungen mit Prozentwert und je einer Hypothese zur Ursache", ist die plausibelste Fortsetzung genau das. Du programmierst nicht – du verengst den Raum. Die technische Grundlage dahinter beschreibt Wie funktioniert KI?.

Die sechs Kerntechniken

1. Rolle und Kontext setzen

Die einfachste und wirksamste Technik. Eine Rollenzuweisung aktiviert im Modell ein bestimmtes Vokabular, Argumentationsmuster und Qualitätsniveau. Wichtig ist Spezifität: „Du bist Marketing-Experte" bringt fast nichts, „Du bist Performance-Marketerin mit Schwerpunkt B2B-SaaS und einem Monatsbudget von 30.000 Euro" bringt viel.

Der Kontext ergänzt die Ausgangslage: Zielgruppe, bisherige Ergebnisse, Rahmenbedingungen, was ausdrücklich nicht zur Debatte steht.

2. Few-Shot: zeigen statt beschreiben

Statt Stil und Format zu beschreiben, gibst du Beispiele mit. Zwei bis fünf reichen meist. Das ist die zuverlässigste Methode, um Tonalität und Struktur zu treffen – weil ein Beispiel Dutzende impliziter Regeln transportiert, die niemand vollständig ausformulieren könnte.

Zum Vergleich: Zero-Shot heißt, ohne Beispiele zu arbeiten – schneller, aber unpräziser bei allem, wo Stil zählt. One-Shot ist die Variante mit einem einzigen Beispiel.

3. Denkschritte erzwingen

Bei Aufgaben mit Logik, Rechnung oder mehrstufiger Ableitung verbessert es das Ergebnis deutlich, wenn das Modell erst denkt und dann antwortet. Diese Technik heißt Chain-of-Thought. Der klassische Auslöser ist eine Aufforderung wie „Gehe Schritt für Schritt vor und begründe jeden Zwischenschritt, bevor du die Antwort nennst."

Bei aktuellen Reasoning-Modellen, die intern ohnehin vor der Antwort nachdenken, ist die Wirkung geringer – dort lohnt sich stattdessen, das Ziel des Nachdenkens vorzugeben: „Prüfe vor der Antwort besonders, ob sich Kosten und Zeitraum widersprechen."

Eine praktische Variante ist der Zwang zur Alternative: „Nenne zwei mögliche Erklärungen und entscheide dich anschließend begründet für eine." Das verhindert vorschnelle Festlegungen.

4. Struktur statt Fließtext

Lange Prompts ohne Gliederung werden unzuverlässig verarbeitet. Trenne deshalb Abschnitte klar – mit Überschriften, Trennlinien oder Markierungen. Besonders wichtig ist das, wenn du eigene Inhalte mitgibst: Ohne klare Abgrenzung vermischt das Modell deine Anweisung mit dem Material.

5. Ausgabeformat hart vorgeben

Je genauer du das Zielformat beschreibst, desto weniger Nacharbeit. Nenne Textart, Länge in Zeichen oder Sätzen, Struktur und Tonalität. Wenn das Ergebnis maschinell weiterverarbeitet wird, verlange ein festes Format wie eine Tabelle mit definierten Spalten oder JSON mit benannten Feldern – und ergänze: „Gib ausschließlich das Ergebnis aus, ohne Einleitung und ohne Schlusskommentar."

6. Selbstprüfung einbauen

Ein zusätzlicher Satz am Ende hebt die Qualität spürbar: „Prüfe deinen Entwurf gegen die Vorgaben oben und korrigiere Abweichungen, bevor du antwortest." Noch strenger wird es mit einer expliziten Checkliste – etwa Länge, verbotene Wörter, geforderte Elemente.

Ebenfalls wirksam gegen Erfindungen: „Wenn eine Information nicht im mitgelieferten Material steht, schreibe ‚nicht belegt' statt zu schätzen."

System-Prompt und User-Prompt

In fast jedem KI-Tool gibt es zwei Ebenen von Anweisungen:

Der Hebel liegt darin, wiederkehrende Vorgaben nach oben zu verschieben: Alles, was du in jedem zweiten Prompt neu tippst, gehört in einen dauerhaften System-Prompt – etwa in einen eigenen GPT. Wie das geht, zeigt Custom GPTs erstellen.

Welche Technik wann?

Drei Muster aus dem Agenturalltag

Redaktionelle Qualitätssicherung. Ein Prompt mit hinterlegten Redaktionsregeln prüft Entwürfe gegen Tonalität, Satzlänge und verbotene Floskeln – und liefert eine Korrekturliste statt eines neuen Textes. Der Trick: Verlange explizit „keine Neufassung, nur Fundstellen mit Begründung".

Briefing-Extraktion. Call-Transkript oder Mailverlauf hinein, strukturiertes Briefing heraus, mit einem Pflichtfeld „offene Fragen an den Kunden". Genau dieses Feld macht den Unterschied zwischen einer hübschen Zusammenfassung und einem arbeitsfähigen Dokument.

Varianten unter Nebenbedingungen. Zehn Anzeigentitel, jeder unter 30 Zeichen, jeder mit anderem Nutzenversprechen, keiner mit Superlativ – und als Tabelle mit Zeichenzahl pro Zeile. Die mitgeforderte Zeichenzahl zwingt das Modell zur Selbstkontrolle.

Was Prompting nicht löst

Prompt Engineering ist mächtig, aber kein Allheilmittel. Fehlendes Wissen kann kein Prompt ersetzen: Wenn das Modell die Information nicht hat, hilft nur, sie mitzuliefern – als Datei, als Wissensbasis oder über Webzugriff. Auch Halluzinationen lassen sich durch gute Prompts reduzieren, aber nicht abschalten. Und bei Aufgaben, die eine bestimmte Modellstärke erfordern, ist die Modellwahl wichtiger als die Formulierung; welches Modell wofür taugt, ordnet KI-Modelle im Vergleich ein.

Faustregel: Prompting verbessert Form, Fokus und Verlässlichkeit. Es erzeugt kein Wissen.

Fazit

Prompt Engineering ist keine Sammlung von Zaubersprüchen, sondern eine Handvoll systematischer Techniken: Rolle und Kontext setzen, mit Beispielen arbeiten, Denkschritte einfordern, sauber strukturieren, das Ausgabeformat diktieren und eine Selbstprüfung anhängen. Wer diese sechs beherrscht, deckt den Großteil der beruflichen Praxis ab. Der nächste Schritt ist, aus guten Einzelprompts wiederverwendbare Vorlagen zu machen – dazu die Praxis-Anleitung für bessere Prompts.