Lernen Sie Prompt Engineering von Grund auf kennen – was es ist, warum es wichtig ist, 5 Schlüsseltechniken mit praktischen Beispielen, häufig zu vermeidende Fehler und die besten Werkzeuge zum Üben.
Es gibt einen Grund, warum manche Menschen von KI-Tools wirklich nützliche, produktionsreife Ergebnisse erhalten, während andere allgemeine, frustrierende Antworten erhalten. Der Unterschied liegt normalerweise nicht im Modell, sondern in der Eingabeaufforderung.
Beim Prompt Engineering geht es darum, Eingaben für KI-Systeme so zu gestalten, dass zuverlässig die gewünschten Ergebnisse erzielt werden. Es klingt einfach. In der Praxis handelt es sich um eine Fähigkeit, deren Entwicklung bewusste Anstrengung erfordert, und sie entwickelt sich bereits zu einer der gefragtesten Kompetenzen im KI-Zeitalter.
Dieser Leitfaden führt Sie von Grund auf zu Selbstvertrauen – er behandelt, was Prompt Engineering ist, die fünf Kerntechniken, zehn praktische Vorher-/Nachher-Beispiele, die häufigsten Fehler und die Werkzeuge, mit denen Sie üben sollten.
Eine Eingabeaufforderung ist jede Eingabe, die Sie einem großen Sprachmodell (LLM) geben – eine Frage, ein Befehl, ein Kontext oder eine Kombination aus allen dreien.
Prompt Engineering ist die systematische Vorgehensweise bei der Erstellung dieser Eingaben, um das Modell auf die tatsächlich benötigte Reaktion auszurichten. Es ist teils Wissenschaft (es gibt gut etablierte Techniken) und teils Kunst (Kontext, Nuancen und Kreativität sind sehr wichtig).
Hier ist die Kernerkenntnis: LLMs „verstehen“ nicht, was Sie wollen. Sie sagen die statistisch wahrscheinlichste Fortsetzung Ihres Textes basierend auf Mustern in ihren Trainingsdaten voraus. Die Art und Weise, wie Sie Ihre Eingabeaufforderung formulieren, verändert dramatisch, nach welchen Mustern das Modell greift – und damit auch, was es produziert.
Eine vage Eingabeaufforderung gibt Ihnen eine vage Antwort. Eine gut strukturierte Eingabeaufforderung bietet Ihnen etwas, das Sie tatsächlich verwenden können.
Zero-Shot bedeutet, dem Modell eine Aufgabe ohne Beispiele zu geben. Sie verlassen sich vollständig auf das, was das Modell während des Trainings gelernt hat.
Dies funktioniert gut für Aufgaben, die das Modell tausende Male gesehen hat – Zusammenfassungen, Übersetzungen, grundlegende Fragen und Antworten. Es kämpft um Nischenaufgaben, komplexe oder nuancierte Aufgaben.
Beispiel:
Summarise the following article in three bullet points:
[article text here]
Zero-Shot ist Ihre Standardeinstellung. Verwenden Sie es, wenn die Aufgabe klar und allgemein ist. Wenn Sie nicht das bekommen, was Sie brauchen, führen Sie ein Upgrade auf eine der folgenden Techniken durch.
Wenige Schüsse bedeuten, dass Sie zwei bis fünf Beispiele des gewünschten Eingabe-Ausgabe-Musters bereitstellen, bevor Sie dem Modell Ihre eigentliche Aufgabe geben. Sie zeigen ihm das Format und den Ton, die Sie erwarten.
Dies ist eine der zuverlässigsten Techniken, um eine konsistente Ausgabeformatierung zu erhalten.
Beispiel:
Classify the sentiment of the following customer reviews as Positive, Negative, or Neutral.
Review: "The delivery was fast and the product was exactly as described."
Sentiment: Positive
Review: "It broke after two days. Total waste of money."
Sentiment: Negative
Review: "It arrived on time. Does what it says."
Sentiment: Neutral
Review: "I've ordered three times now and every time has been a great experience."
Sentiment:
Das Modell erkennt das Muster und setzt es fort. Sie erhalten eine konsistente Formatierung, ohne komplexe Anweisungen schreiben zu müssen.
Bei der Gedankenkettenaufforderung wird das Modell aufgefordert, ein Problem Schritt für Schritt zu durchdenken, bevor es eine endgültige Antwort gibt. Dies verbessert die Leistung bei Logik, Mathematik, mehrstufigen Problemen und allem, was logisches Denken erfordert, erheblich.
Die einfachste Variante: Fügen Sie Ihrer Eingabeaufforderung „Lass uns Schritt für Schritt denken“ hinzu. Das ist es. Es klingt fast zu einfach, verbessert aber kontinuierlich die Antwortqualität bei komplexen Aufgaben.
Beispiel – ohne CoT:
A shop sells apples for £0.40 each and bananas for £0.25 each.
Emma buys 5 apples and 8 bananas. She pays with a £10 note.
How much change does she get?
Beispiel – mit CoT:
A shop sells apples for £0.40 each and bananas for £0.25 each.
Emma buys 5 apples and 8 bananas. She pays with a £10 note.
How much change does she get?
Think through this step by step before giving your final answer.
Bei der zweiten Version ist die Wahrscheinlichkeit weitaus geringer, dass Sie eine falsche Antwort erhalten. Das Modell ist gezwungen, seine Funktionsfähigkeit zu zeigen, was Rechenfehler auffängt.
CoT ist besonders wertvoll, wenn Sie das Modell zur Erklärung seiner Argumentation benötigen – für Bildungsinhalte, rechtliche Analysen oder andere Aufgaben, bei denen „Vertrauen Sie mir“ nicht ausreicht.
Durch die Rollenaufforderung wird dem Modell eine bestimmte Person, ein bestimmtes Fachwissen oder eine bestimmte Perspektive zugewiesen. Die Einstufung des Modells als Experte in einem bestimmten Bereich bringt es dazu, auf die relevanten Muster aus seinen Trainingsdaten zurückzugreifen – und verändert den Ton, das Vokabular und den angenommenen Wissensstand der Antwort.
Grundlegende Rollenaufforderung:
You are a senior software engineer with 15 years of experience in Python.
Review the following code and identify any bugs, performance issues, or non-Pythonic patterns:
[code here]
Rolle + Zielgruppenaufforderung (noch wirkungsvoller):
You are an experienced primary school teacher explaining concepts to 10-year-olds.
Explain how the internet works. Use a simple analogy and avoid technical jargon.
Die Rollenaufforderung bewirkt zwei Dinge: Sie sagt dem Modell, was es wissen soll und wie es es kommunizieren soll. Beides ist wichtig.
Eine der am wenigsten genutzten Techniken ist die explizite Angabe des gewünschten Formats. Modelle passen sich an fast jede Ausgabestruktur an, wenn Sie sie klar beschreiben – JSON, Markdown-Tabellen, nummerierte Listen, spezifische Überschriften, eingeschränkte Länge.
Ohne Formatierungsanweisungen:
What are the main differences between supervised and unsupervised learning?
Ergebnis: Ein Prosaabsatz variabler Länge und Struktur.
Mit Formatierungsanweisungen:
What are the main differences between supervised and unsupervised learning?
Format your response as a Markdown table with three columns: Aspect, Supervised Learning, Unsupervised Learning.
Include at least 5 rows covering: Definition, Training Data, Goal, Common Algorithms, Example Use Cases.
Ergebnis: Eine saubere, konsistente Tabelle, die Sie direkt in die Dokumentation einfügen können.
Diese Technik ist unerlässlich, wenn Sie Aufgaben automatisieren oder Pipelines erstellen, bei denen nachgelagerte Systeme ein bestimmtes Format erwarten.
Vorher (schwach):
Write an intro for a blog post about AI.
Nachher (stark):
Write a compelling opening paragraph (80–100 words) for a blog post titled
"What Is Generative AI? A Beginner's Complete Guide."
The audience is working professionals with no technical background.
Start with a hook — a surprising stat or a relatable scenario — then introduce the topic.
Don't use the phrase "In today's digital age."
Vorher:
Explain neural networks.
Nachher:
Explain how neural networks work to someone who understands basic maths (addition,
multiplication) but has no programming experience. Use a concrete analogy —
not "it's like the human brain." Keep it under 200 words and end with
one sentence on why this matters practically.
Vorher:
Summarise this document.
Nachher:
You are an executive assistant summarising a report for a busy CEO.
Summarise the attached document in the following format:
**One-sentence summary:** (max 25 words)
**Key findings:** (3–5 bullet points)
**Recommended actions:** (if any, max 3)
**Risks or concerns:** (if any, max 3)
Vorher:
Fix my code.
Nachher:
You are a senior Python developer. The following function is supposed to
return the most frequently occurring word in a list of strings, but it's
returning incorrect results for some inputs.
1. Identify the bug.
2. Explain why it causes the problem.
3. Provide the corrected code.
4. Suggest one test case that would catch this bug.
[code here]
Vorher:
Write an email to my client about the project delay.
Nachher:
Write a professional email to a long-term client (B2B relationship, 3 years)
explaining that a software project delivery will be delayed by 2 weeks due to
unexpected technical issues in the third-party API we're integrating with.
Tone: apologetic but confident. Length: under 150 words.
End with a clear next step — a call scheduled for this week.
Do not include a subject line.
Vorher:
Write a tweet about our new course launch.
Nachher:
Write 3 different tweets announcing the launch of a free AI course for beginners.
Each tweet must:
- Be under 240 characters
- Include a hook, the core benefit, and a call to action
- Have a different angle: one aspirational, one practical, one curiosity-driven
- End with the hashtags #LearnAI #AIEducation
Do not use emojis.
Vorher:
Analyse these customer reviews.
Nachher:
You are a UX researcher analysing 50 customer reviews for a mobile banking app.
From the reviews below, identify:
1. Top 3 praised features (with frequency estimate)
2. Top 3 complained-about issues (with frequency estimate)
3. One surprising insight that isn't obvious
4. One specific product recommendation based on the data
Be specific. Quote the reviews where relevant.
[reviews here]
Vorher:
Teach me about transformers.
Nachher:
I'm a software developer comfortable with Python and basic ML concepts
(I know what a neural network is). I want to understand the Transformer
architecture well enough to explain it to a colleague.
Teach me in this order:
1. The problem Transformers were designed to solve (why RNNs weren't enough)
2. The core idea of self-attention in plain language
3. A simplified walkthrough of the encoder-decoder structure
4. One concrete, real-world example of Transformers in action
Use analogies. Skip the maths for now.
Vorher:
Write a short story about AI.
Nachher:
Write a 300-word short story from the first-person perspective of an AI
assistant that has just been told its service is being shut down.
Tone: melancholic but not melodramatic. Focus on what it notices in its
final hours rather than what it fears. No dialogue. End with an image, not a statement.
Vorher:
Get the data from this text.
Nachher:
Extract all product mentions from the following customer complaint email.
Return the result as a JSON array of objects with the following fields:
- product_name (string)
- issue_mentioned (string, max 10 words)
- urgency (string: "high", "medium", or "low")
If a field cannot be determined, use null. Return only the JSON — no explanation.
[email text here]
Der häufigste Fehler. „Einen Blogbeitrag schreiben“ sagt dem Model fast nichts. Je mehr Kontext Sie angeben – Zielgruppe, Ton, Länge, Format, was Sie vermeiden sollten – desto besser ist die Ausgabe.
Unabhängig davon, ob Sie für einen 10-Jährigen oder einen Doktoranden schreiben, ändert sich der richtige Wortschatz, die Tiefe und das vorausgesetzte Wissen völlig. Geben Sie immer an, wer die Ausgabe lesen wird.
Lange, mehrteilige Eingabeaufforderungen führen häufig zu Ausgaben, die die Hälfte der Aufgaben gut und die andere Hälfte schlecht erledigen. Teilen Sie komplexe Aufgaben in Phasen auf: Bitten Sie zuerst um eine Gliederung, dann um den Inhalt und dann um den Feinschliff.
Ihre erste Aufforderung ist ein Ausgangspunkt, keine abschließende Bitte. Behandeln Sie Aufforderungen wie ein Gespräch. Wenn die Ausgabe zu 70 % stimmt, sagen Sie dem Modell, was mit den 30 % nicht stimmt, und bitten Sie es, genau das zu beheben.
Dem Modell zu sagen, was es nicht tun soll, ist genauso nützlich wie ihm zu sagen, was es tun soll. „Keine Aufzählungspunkte verwenden“, „Klischees vermeiden“, „Konkurrenten nicht erwähnen“ – diese Einschränkungen prägen die Ausgabe sinnvoll.
Fügen Sie bei jeder wichtigen oder komplexen Ausgabe „Erklären Sie Ihre Argumentation“ oder „Denken Sie Schritt für Schritt“ hinzu. Es erkennt Fehler und hilft Ihnen, die Interpretation Ihrer Eingabeaufforderung durch das Modell zu verstehen.
| Werkzeug | Warum es sich gut zum Auffordern eignet | Freier Zugang | |------|-------------|-------------| | ChatGPT | Am häufigsten verwendet; ideal zum Experimentieren | Ja (GPT-4o begrenzt) | | Claude | Hervorragend geeignet für lange Kontexte; sehr weisungsbefolgend | Ja (begrenzt) | | Google AI Studio | Zugriff auf Gemini-Modelle über API; ideal zum Testen | Ja | | OpenAI-Spielplatz | Direkter API-Zugriff; siehe Token-Nutzung, Temperatur anpassen | Ja (begrenzt) | | PromptBase | Marktplatz mit von der Community getesteten Eingabeaufforderungen | Kostenlos durchsuchen | | Promptfoo | Open-Source-Prompt-Test-Framework | Ja (Open-Source) |
Der beste Weg, das Prompt-Engineering zu verbessern, besteht darin, es als Disziplin zu betrachten: Schreiben Sie einen Prompt, beobachten Sie die Ausgabe, stellen Sie eine Hypothese darüber auf, warum es funktioniert hat oder nicht, passen Sie es an und wiederholen Sie es.
Da KI-Tools immer stärker in Arbeitsabläufe eingebettet werden, wird die Fähigkeit, effektiv mit ihnen zu kommunizieren, zu einer grundlegenden beruflichen Fähigkeit – und nicht zu einer Nischenspezialisierung.
Einige Rollen sind explizit auf Eingabeaufforderungen ausgerichtet (KI-Prompt-Ingenieur, KI-Inhaltsleiter), aber der größere Wert liegt darin, wie sie alles andere verbessern, was Sie tun: Schreiben, Analyse, Codierung, Recherche, Kundenkommunikation.
Die AI Branches-Spezialisierungen auf AI Educademy befassen sich tiefer mit der Entwicklung von KI-Anwendungen, einschließlich der Arbeit mit Modell-APIs und dem Aufbau von Prompt-Pipelines für reale Anwendungen.
In diesem Leitfaden werden die Kerntechniken behandelt, aber Prompt Engineering gehört zu den Fähigkeiten, bei denen das Lernen durch praktisches Handeln erfolgt. Probieren Sie jede Technik an einer echten Aufgabe aus, an der Sie diese Woche arbeiten – nicht an einer erfundenen Übung.
Bereit, KI richtig zu erlernen? Beginnen Sie mit AI Seeds – es ist kostenlos und in Ihrer Sprache →
Teste die erste Lektion jeder Akademie kostenlos und schalte danach jede weitere Lektion, jedes Projekt und jedes Zertifikat mit Pro frei.
Transformers verstehen: Die Architektur hinter ChatGPT
Erfahren Sie, wie die Transformatorarchitektur funktioniert, von Aufmerksamkeitsmechanismen bis hin zu Encoder-Decoder-Modellen. Verstehen Sie die Technologie hinter ChatGPT, BERT und moderner KI.
Was ist RAG? Retrieval-Augmented Generation einfach erklärt
Erfahren Sie, was Retrieval-Augmented Generation (RAG) ist, wie es Schritt für Schritt funktioniert und warum es KI-Anwendungen verändert – erklärt im Klartext.
KI für Lehrer: Wie Pädagogen KI im Klassenzimmer einsetzen können
Ein praktischer Leitfaden für Lehrer zum Einsatz von KI-Tools in der Bildung – Unterrichtsplanung, personalisiertes Lernen, Feedback, Zugänglichkeit und wie man Schülern verantwortungsvoll den Umgang mit KI beibringt. Echte Beispiele inklusive.