Was ist Prompt Engineering?

Ein Prompt ist die Anweisung, die ein Sprachmodell erhält. Prompt Engineering ist die Disziplin, die diese Anweisung gestaltet und optimiert: welcher Kontext hineingehört, welche Beispiele helfen und wie der Text strukturiert sein muss, damit das Modell die Aufgabe versteht und brauchbar antwortet.

Zwei Verwechslungen lohnen eine Abgrenzung. Prompt Engineering ist kein Fine-Tuning. Fine-Tuning trainiert das Modell mit neuen Daten nach und verändert seine internen Parameter. Prompt Engineering rührt das Modell nicht an, nur die Eingabe, die es bekommt. Es ist auch nicht einfach „gut formulieren". Ein wirksamer Prompt enthält meist expliziten Kontext, das erwartete Ausgabeformat und, wo möglich, Beispiele für das gewünschte Ergebnis.

Anthropic rahmt Prompt Engineering in der Claude-Dokumentation als ein Werkzeug unter mehreren ein. Vor der Optimierung empfiehlt die Dokumentation, klare Erfolgskriterien für den Anwendungsfall zu haben und eine Methode, sie empirisch zu prüfen. Geht es um Latenz oder Kosten, lässt sich das laut Anthropic manchmal besser über einen Modellwechsel lösen als über den Prompt.

Die am besten dokumentierten Techniken setzen an zwei Stellen an: wie viele Beispiele das Modell bekommt und wie es zum Denken aufgefordert wird. Bei Few-Shot-Prompts stehen ein oder mehrere Eingabe-Ausgabe-Paare vor der eigentlichen Anfrage, das hilft dem Modell, die Aufgabe besser zu erfassen. Bei Chain-of-Thought-Prompts wird das Modell aufgefordert, eine komplexe Überlegung in Zwischenschritte zu zerlegen, statt direkt zu antworten. Eine Variante, Zero-Shot Chain of Thought, verbindet beides: Sie verlangt die Zwischenschritte, ohne vorher ein Beispiel zu zeigen.

Eine zweite Ebene ist die Rollen-Hierarchie innerhalb der Nachricht. In der OpenAI-API tragen Developer-Nachrichten die Anweisungen des Anwendungsentwicklers und haben Vorrang vor User-Nachrichten, der Eingabe der Endnutzerin oder des Endnutzers; Antworten des Modells selbst tragen die Rolle Assistant. Diese Hierarchie entscheidet, welche Anweisung gewinnt, wenn Entwickler- und Nutzervorgabe sich widersprechen.

Claude fasst seine Techniken in einer ähnlichen Liste zusammen: Klarheit und Beispiele, Strukturierung mit XML-Tags, eine Rollenzuweisung für das Modell, expliziter Raum zum Nachdenken und das Verketten mehrerer Prompts für komplexe Aufgaben. Nicht jede Technik wirkt bei jedem Modell gleich gut, jeder Anbieter veröffentlicht eigene Leitfäden für seine Versionen.

Für SEO und Marketing ist Prompt Engineering kein reines Technikthema. Beim Prüfen, wie ChatGPT, Gemini oder Claude eine Marke erwähnen, typische GEO-Arbeit, entscheidet der verwendete Prompt einen großen Teil des Ergebnisses. Eine vage oder schlecht formulierte Frage liefert eine wenig repräsentative Antwort und führt zu falschen Schlüssen über die tatsächliche Sichtbarkeit einer Marke.

Dasselbe gilt beim Bau eines Chatbots oder KI-Assistenten für den Kundenservice. Eine ungenaue Systemanweisung führt zu uneinheitlichen Antworten, ohne dass das gewählte Modell das Problem ist. Und bei der Prüfung, ob ein Inhalt für die Nutzung durch ein KI-System gut aufbereitet ist, zeigen Tests mit unterschiedlichen Prompts, ob der Inhalt auf verschieden formulierte Fragen trägt, nicht nur auf die ideale Frage, die sich die Autorin oder der Autor selbst ausgedacht hat.

• Expliziten Kontext geben: welche Aufgabe es ist, für wen die Antwort bestimmt ist und in welchem Format sie gebraucht wird.
• Beispiele für das erwartete Ergebnis einbauen, wenn die Aufgabe mehrere Lesarten zulässt.
• Feste Anweisungen klar vom variablen Inhalt trennen, etwa über Tags oder Trennzeichen.
• Das Modell bei mehrschrittigen Aufgaben um schrittweises Denken bitten.
• Vor der Optimierung festlegen, was als richtige Antwort zählt, und das empirisch prüfen, nicht nach Gefühl.
• Denselben Prompt mit variierten Formulierungen der Frage testen, bevor Schlüsse über das Modellverhalten gezogen werden.

• Annehmen, das Modell teile Kontext, der nur im Kopf der schreibenden Person existiert.
• Einen Prompt, der bei einem Modell gut funktioniert, ungeprüft bei einem anderen Modell wiederverwenden.
• Prompt Engineering mit Fine-Tuning verwechseln und von einer Textanpassung erwarten, was ein Nachtraining lösen müsste.
• Einen Prompt an einer einzigen Antwort beurteilen statt gegen mehrere Testfälle.
• Zu viele unterschiedliche Aufgaben in einen Prompt packen und erwarten, dass das Modell sie von sich aus richtig gewichtet.