Originalquelle: Nate B. Jones auf Substack | Die folgenden Inhalte sind sinngemäß übersetzt und übertragen worden.
Haben Sie schon einmal ein Sprachmodell (wie ChatGPT, Bing, Claude oder neuerdings DeepSeek) um Hilfe gebeten und waren von den Ergebnissen enttäuscht? Vielleicht haben Sie eine Antwort erhalten, die vom Thema abweicht, oder etwas, das so langatmig ist, dass es unbrauchbar ist.
Die Realität ist, dass Sie mehr Einfluss haben, als Sie denken!
Dieser Artikel wurde als Einführung in das Prompt-Engineering geschrieben, damit Sie der KI das „Steuerrad“ in die Hand geben können, das sie braucht, um qualitativ hochwertige und gezielte Antworten zu produzieren. In diesem Artikel finden Sie nicht nur schnelle Tipps, sondern einen umfassenden Leitfaden, der bewährte Verfahren von Branchenführern wie OpenAI, Anthropic, Google, Meta und anderen zusammenfasst.
Large Language Models (LLMs) sind unglaublich vielseitig, aber auch wortwörtlich unglaublich. Wenn man LLMs fragt: „Erzähle mir etwas über Innovation“, werden die genau das tun - möglicherweise in einer äußerst unspezifischen Weise.
Wenn man genauer fragt, z. B.: Fasse die drei wichtigsten Innovationen im Bereich der erneuerbaren Energien seit 2020 in weniger als 75 Wörtern zusammen und konzentriere dich dabei auf Durchbrüche im Bereich der Solarenergie.
Plötzlich weiß das Modell genau, was es zu liefern hat.
Was macht also ein gutes Prompt aus?
Effizienz: Gute Prompts reduzieren das Hin und Her, das nötig ist, um das eigentliche Ziel zu erreichen.
Genauigkeit: Durch die Bereitstellung von Kontext reduziert man „Halluzinationen“ oder irrelevante Abzweigungen.
Verlässlichkeit: Eine konsistente Struktur in Prompts führt zu konsistenten, qualitativ hochwertigen Ergebnissen.
Fast alle wichtigen LLM-Anleitungen (von OpenAIs GPT-4 über Anthropics Claude bis hin zu Googles Gemini) weisen auf eine ähnliche zugrunde liegende Architektur für erfolgreiches Prompting hin. Natürlich gibt es wichtige Unterschiede zwischen diesen Modellen. In diesem Beitrag über Prompting geht es jedoch darum, einen wirklich umfassenden Blick darauf zu werfen, was nötig ist, um Prompting im Jahr 2025 in allen LLMs gut zu machen.
In diesem Sinne sind hier die sechs Schlüsselelemente aufgezeigt:
TODO: Dem Modell sagen, wer es sein soll, z. B. Du bist Sie ein leitender Java-Entwickler oder ein KI-Assistent als Karriereberater.
Dies ist wichtig, denn LLMs nehmen die zugewiesene Persona an. Die Angabe einer Rolle ändert den Ton, den Stil und die Wissensbasis, auf die das Modell zurückgreift.
Hinweis: Manche Denkmodelle, wie o1 und insbesondere o1 Pro werden hierdurch viel weniger beeinflusst.
TODO: Genau das artikulieren, was getan werden soll. Zum Beispiel: Übersetze diesen Absatz ins Spanische.
Dies ist wichtig, denn LLMs sind extrem flexibel. Wenn man ein einziges Kernziel vorgibt, bleibt die KI auf Kurs.
Tipp: Wenn man nicht den gesamten Umfang der Aufgabe definieren kann, gliedert man die Aufgabe auf und definiert die Unter-Aufgaben Stück für Stück!
TODO: Wichtige Datenpunkte oder Ausschnitte beifügen, die das Modell benötigt: z. B. Auszüge aus einer Forschungsarbeit.
Dies ist wichtig, denn LLMs füllen Lücken mit Vermutungen auf. Wenn man faktische oder bereichsspezifische Details haben möchte, müssen diese angegeben werden. Die Minimierung von irrelevantem Text ist ebenfalls von entscheidender Bedeutung - zu viel Rauschen kann das Modell zunichte machen.
TODO: Angeben, ob man Aufzählungszeichen, eine Tabelle, JSON oder einen kurzen Absatz als Ergebnisform wünscht.
Dies ist wichtig, da wenn man nicht angibt, wie man die Antwort haben möchten, geben LLMs vielleicht eine Antwort in Romanlänge. Oder sie begraben die Daten in einem Absatz, der schwer zu analysieren ist.
Tipp: Beispiele verwenden, um dem Modell die Länge oder die Qualität des Ausgabeformats zu zeigen, damit es das gewünschte Ausgabemuster leichter abbilden kann!
TODO: Gute oder schlechte Beispiele für genau den Stil oder die Ausgabe beifügen, die angestrebt ist.
Dies ist wichtig, da LLMs von Beispielen in Echtzeit lernen. Selbst ein einziges Beispiel verdeutlicht Format oder Stil besser als ein länglicher Absatz mit Erklärungen.
Aber Achtung: Manchmal stellt man fest , dass das Hinzufügen eines Beispiels in der Praxis die Kreativität einschränkt, die man sich für die Aufgabe eigentlich wünscht.
TODO: Wortbegrenzungen, wie z. B. keine externen Daten.
Dies ist wichtig, denn LLMs können manchmal übermäßig wortreich sein. Begrenzungen halten sie im Zaum.
Tipp: In der Praxis kann dies zu Modell-Verwirrungen führen, wenn zu viele Beschränkungen auferlegt werden.
Einer der größten Unterschiede bei der Verwendung von LLMs besteht darin, ob sie eine detaillierte „interne Argumentation“ oder nur eine kurze abschließende Erklärung liefern sollen. Einige fortgeschrittene Modelle, insbesondere o1 Pro, können in versteckten Schritten argumentieren. Andere können Erklärungen in Form von Gedankenketten (chain-of-thought, CoT) erstellen, die zeigen, wie das Modell zu einer Lösung gekommen ist.
Nebenbei bemerkt: Wir sprechen nicht genug über den Unterschied zwischen tiefgründig argumentierenden Modellen und Modellen, die CoTs als Teil der Antwort produzieren. Erstere (wie o1 Pro) lassen mehrere Token-Streams im Hintergrund laufen und führen eine gewisse Selektion der Ergebnisse mehrerer Token-Vorhersage-Streams durch. Letztere (wie o1 oder DeepSeek R1 oder Gemini Flash Thinking 2.0) erzeugen einen lesbaren CoT, der das Token-Vorhersagemuster des Modells zeigt, bevor sie eine lesbare Antwort erzeugen - aber sie lassen nicht unbedingt mehrere Next-Token-Prediction-Streams gleichzeitig laufen.
Abgesehen davon gibt es ein paar Feinheiten, die mit schlussfolgernden Modellen einhergehen, die bei traditionellen LLMs nicht so häufig auftauchen:
Negativen Beispiele sind manchmal am nützlichsten, daher folgen hier einige spezifische Prompts, die man vermeiden sollte:
Schlechter : Erzählen Sie mir etwas über Bildung.
Besser: Fasse die Entwicklung des öffentlichen Bildungswesens in Deutschlang von 1950 bis 1990 zusammen und hebe dabei drei wichtigsten politische Veränderungen hervor. Bleibe dabei unter 200 Wörtern.
Schlechter: Analysiere die Artikel nach den wichtigsten Ideen, erstelle eine Referenztabelle, mache Lösungsvorschläge, schreiben ein kurzes komödiantisches Gedicht darüber und vergleiche es dann mit meinen Notizen.
Besser: Gehe Schritt für Schritt vor (oder Aufzählungspunkt für Aufzählungspunkt). Beispiel: Analysiere zuerst diese Artikel auf die wichtigsten Ideen. Dann machen wir den Rest.
Schlechter: Erzähle mir alles über meinen Lebenslauf.
Besser: Nenne die 5 wichtigsten Fähigkeiten aus meinem Lebenslauf, liste sie in Form von Aufzählungspunkten auf und gebe dann eine Zusammenfassung in einem Satz.
Schlechter: Vergleiche diese Stellenbeschreibungen. (ohne die Stellenbeschreibungen im Volltext mit anzugeben)
Besser: Hier sind drei Stellenbeschreibungen für ähnliche Aufgaben, die sich jeweils auf eine andere Qualifikation konzentrieren. Bitte lese sie sorgfältig durch und stelle dann in 3 Aufzählungspunkten die Gemeinsamkeiten und Unterschiede dar.
Schlechter: Erläutere in 20 Wörtern, aber füge auch mehrere Referenzen und Zitate ein.
Besser: Entscheiden, welche Anweisungen wirklich wichtig sind, oder Ausweichmöglichkeit angeben. Beispiel: Fasse Dich kurz (etwa 50 Wörter). Wenn Zitate erforderlich sind, können diese in mehr als 50 Wörtern aufgeführt werden.
Im Folgenden findet sich ein ausführlicheres Beispiel.
Nehmen wir an, es geht um einen Quereinsteiger, der in einem kleinen Start-up-Unternehmen gearbeitet hat und in die Rolle eines Projektmanagers in einem Unternehmen wechseln möchte. Es gibt 5 Stellenbeschreibungen von großen Unternehmen, in denen jeweils die Anforderungen aufgeführt sind. Außerdem hat der Quereinsteiger einen informellen Lebenslauf. Er möchte, dass die LLM:
1. Die Anforderungen der Rollen zusammenfasst (so dass man sie vollständig versteht).
2. Ihn über seinen Hintergrund befragt (um Informationen zu sammeln).
3. Seinen Hintergrund mit den Anforderungen vergleicht.
4. Kompetenzlücken identifiziert und Lösungen vorschlägt.
5. Eine Gesamtbewertung der Schwierigkeit abgibt ("minimal", "mäßig" oder "erheblich").
6. Das gesamte Gespräch gut strukturiert hält.
ROLLE:
Du bist ein KI-Assistent für Karriereberatung mit Erfahrung in der Zuordnung von Erfahrungen in kleinen Unternehmen zu Unternehmensfunktionen.
ZIEL/AUFGABE:
Hilf meine Eignung für eine Projektmanagerposition in einem großen Unternehmen zu beurteilen, indem Du:
1. die gemeinsamen Verantwortlichkeiten, Qualifikationen und Fähigkeiten der 5 Stellenbeschreibungen, die zur Verfügung gestellt wurden, zusammenfasst.
2. mich über meine Erfahrungen in kleinen Unternehmen befragst: Verantwortlichkeiten, Erfolge, Fähigkeiten.
3. Zuordnung meines Hintergrunds zu den PM-Rollen im Unternehmen vornimmst (mit Hinweis auf direkte Überschneidungen, teilweise Überschneidungen und Lücken in den Fähigkeiten).
4. Vorschläge zur Behebung dieser Lücken erstellst (Kurse, Zertifizierungen, Freiwilligenarbeit usw.).
5. Den Schwierigkeitsgrads mit 1 bis 3 Wörtern (minimal, mäßig, erheblich) bewertest und in einem Satz begründest.
KONTEXT oder REFERENZEN:
- die 5 Stellenbeschreibungen
- Ich habe in einem kleinen Startup gearbeitet - in verschiedenen Rollen: Betrieb, Grundlegende Buchhaltung, Koordination der Lieferanten, Teamleitung.
FORMAT- ODER ERGEBNISANFORDERUNGEN:
Gib die endgültige Antwort in den folgenden Abschnitten:
1) Zusammenfassung der Rolle
2) Überblick über meinen Hintergrund
3) Überschneidungen
4) Lücken und Empfehlungen
5) Bewertung der zu schließenden Lücken (mit einer Erklärung in einem Satz).
BEISPIELE:
für einen gute Überschneidungsabschnitte: "Die tägliche Koordination von [Name] mit den Lieferanten stimmt mit dem in der Stellenbeschreibung geforderten Lieferantenmanagement überein.“
„- Überschneidung 2: Die Leitung eines kleinen Betriebsteams entspricht der funktionsübergreifenden Führung.“
- Schlechte Überschneidungen (Beispiel): "Ja, sie haben einige Fähigkeiten. Also nächste Frage, bitte."
KONTEXT oder REFERENZEN:
Der Benutzer verfügt über 5 Stellenbeschreibungen für die Rolle „Projektmanager“, die sich jeweils auf Aufgaben wie funktionsübergreifendes Management, Budgetierung, Zeitplanung und Stakeholder-Management konzentrieren: Betrieb, Grundlagen der Buchhaltung, Koordination der Lieferanten, Teamleitung.
FORMAT- ODER ERGEBNISANFORDERUNGEN:
Geben Sie Ihre endgültige Antwort in den folgenden Abschnitten:
1) Zusammenfassung der Rolle
2) Überblick über den Hintergrund des Benutzers
3) Überschneidungen4) Lücken und Empfehlungen
5) Bewertung der zu schließenden Lücken (mit einer Erklärung in einem Satz).
BEISPIELE / DEMONSTRATIONEN:
- Gutes Beispiel für Überschneidungsabschnitt (Beispiel):
"Die tägliche Koordination des Benutzers mit den Lieferanten stimmt mit dem in der Stellenbeschreibung geforderten Lieferantenmanagement überein.“ „Die Leitung eines kleinen Betriebsteams entspricht der funktionsübergreifenden Führung.“
- Schlechtes Beispiel "Ja, sie haben einige Fähigkeiten. Also nächste Frage, bitte."
EINSCHRÄNKUNGEN / ZUSÄTZLICHE ANWEISUNGEN:- Halte deine abschließende Zusammenfassung unter 500 Wörtern.- Stelle die Interviewfragen nacheinander. Verwende einen unterstützenden, ermutigenden Ton.
In diesem Prompt werden die Rolle, die Daten, die Beschränkungen und das Format Schritt für Schritt erklärt. Das Ergebnis? Eine gut strukturierte, relevante Antwort, die auf die tatsächlichen Bedürfnisse des Benutzers eingeht - und nicht ein zufälliges KI-Gefasel über Projektmanagement im Allgemeinen.
Wenn man möchte, dass die LLM einen bestimmten Stil oder ein bestimmtes Format nachahmt, gibt man einige Beispiele an (Input → gewünschter Output).
Wenn man z. B. eine Aufgabenbeschreibung erhält, fasse sie wie folgendermaßen zusammen... und zeige ein Beispiel.
Dies ist besonders bei Aufgaben wie der Codegenerierung, mathematischen Lösungen oder der Extraktion strukturierter Daten üblich.
Wenn man Erklärungen benötigt, kann man fragen: Erläutere deine Überlegungen in knappen Aufzählungspunkten.
Man sollte sich aber bewusst sein, dass einige Modelle davon abraten, die gesamte interne Logik zu zeigen. Eine zusammengefasste Argumentation reicht in der Regel aus, um die Korrektheit zu bestätigen.
Man unterteilt große Aufgaben in mehrere Prompts oder Schritte. Dies ahmt das Gespräch mit einem echten Experten nach:
planen → Teilergebnisse erhalten → verfeinern → abschließen.
Erstellen Sie zum Beispiel zunächst eine Gliederung. Erweitern Sie dann jeden Abschnitt.
Auch bei sorgfältiger Planung kann es vorkommen, dass man eine Antwort erhält, die nicht den Tatsachen entspricht.
Hierbei bieten sich die folgenden Schritte an:
1. Format überprüfen: Wurden Überschriften oder eine Aufzählung in die Eingabeaufforderung eingefügt? Wenn nicht, produziert das Modell möglicherweise einen riesigen Textblock.
2. Details hinzufügen oder entfernen: Manchmal geraten LLMs ins Straucheln, wenn Prompte zu allgemein gehalten sind. In anderen Fällen verzetteln sie sich in überflüssigen Details.
3. Explizite Neu-Formulieren des Ziels: Wenn das Modell vom Weg abgekommen ist.
4. Kürzer ist nicht immer besser: Wenn man sich zu kurz fasst (z. B. Analyse. Los.), wird die LLM Ihre Absicht erraten.
Warum also die Mühe? Was sind die Vorteile eines besseren Promptings? Es ist wirklich wichtig, dass sich die Interaktion zwischen LLM und Mensch in eine Partnerschaft verwandelt.
Hier sind einige Dinge, die sowohl der orniginal Autor, als auch wir als wahr empfinden:
1. beschleunigt die Arbeit: Anstatt Aufgaben in mehreren Hin- und Her-Nachrichten zu klären, kann Klarheit in den Vordergrund gestellt werden und erhält fast sofort Ergebnisse.
2. Erzeugt umsetzbare Ergebnisse: Aufzählungslisten, Tabellen oder JSON bedeuten weniger Nachbearbeitung oder Umformatierung.
3. Fördert das Vertrauen: Qualitativ hochwertige, konsistente Antworten geben Gewissheit, dass das Modell Ihre Frage „versteht“ - was zu komplexeren oder kreativeren Anwendungsfällen führt.
4. Befähigt Nicht-Programmierer: Man braucht keine Programmierkenntnisse, um effektive Prompts zu erstellen. Man sollte Prompts wie eine Anleitung verstehen.
Prompt Engineering muss nicht einschüchternd oder übermäßig technisch sein. Im Kern geht es darum, der KI mitzuteilen, wer man ist, was man will und wie es angegangen werden soll.
Die Dokumentationen aller großen KI-Anbieter beruhen auf demselben Prinzip. Für interessierte Leser: Sie können Ihre Fähigkeiten auf folgende Weise ausbauen:
Mit den Tipps und Erkenntnissen aus diesem Artikel sollten man auf dem besten Weg sein, aussagekräftige Prompts zu erstellen, die die gewünschte Klarheit, Genauigkeit und Kreativität liefern.
Viel Spaß beim Prompten!