Prompt Engineering einfach erklärt – Vorlagen und Tipps

Gute Prompts sind der schnellste Hebel, um aus KI-Tools verlässliche Ergebnisse zu holen. Statt vage Fragen zu stellen, gibst du klare Ziele, konkreten Kontext und ein präzises Ausgabeformat vor. So bekommst du Antworten, die passend, prüfbar und wiederholbar sind. In diesem Leitfaden zeige ich dir, wie du als Einsteiger systematisch vorgehst, welche Bausteine ein starker Prompt hat und welche Vorlagen du direkt übernehmen kannst.

Was ist Prompt Engineering

Prompt Engineering ist das Gestalten von Eingaben für Sprachmodelle, damit eine spezifische Aufgabe zuverlässig gelöst wird. Du steuerst das Modell mit Rolle, Aufgabe, Kontext, Randbedingungen und Ausgabeformat. Ziel ist Reproduzierbarkeit: Bei gleichem Input soll eine gleichbleibend gute Antwort entstehen.

Grundprinzipien, die sofort wirken

Klarheit schlägt Kreativität

Formuliere in einfachen Sätzen. Schreibe, was du brauchst, für wen es ist und wie das Ergebnis aussehen soll. Vage Vorgaben produzieren vage Antworten.

Kontext ist König

Liefer relevante Details: Zielgruppe, Ton, Beispiele, Datenauszug. Ohne Kontext muss das Modell raten. Mit Kontext kann es präzise arbeiten.

Format vorgeben

Definiere das Ausgabeformat. Ob Absätze, Markdown, Tabelle oder JSON – je genauer du es beschreibst, desto leichter sind Qualitätssicherung und Weiterverarbeitung.

Grenzen setzen

Nenne Länge, Stil, Ziel und Tabus. So bleiben Antworten fokussiert und on topic.

Anatomie eines guten Prompts

Ein starker Prompt folgt oft dieser Struktur: Rolle + Ziel + Kontext + Anweisungen + Format + Qualitätskriterien. Für Einsteiger reicht schon 1-2 Sätze pro Baustein.

Vorlagen, die du sofort nutzen kannst

1) Schreibvorlage für Blogabschnitte

Rolle: Du bist ein technischer Redakteur.
Ziel: Erstelle einen verständlichen Abschnitt über {{Thema}} für Einsteiger.
Kontext: Zielgruppe sind IT-Anfänger. Nutze einfache Sprache und Beispiele.
Anweisungen: Erkläre das Konzept, nenne ein kurzes Praxisbeispiel und vermeide Fachjargon.
Format: 2 Absätze, jeweils 3-5 Sätze, Markdown mit **Fettdruck** für Schlüsselbegriffe.
Qualität: Faktisch korrekt, ohne Füllwörter, logisch aufgebaut.

2) Zusammenfassung mit Kernaussagen

Rolle: Du bist ein Analytiker.
Ziel: Fasse den folgenden Text prägnant zusammen.
Kontext: Der Leser hat wenig Zeit und Grundwissen.
Anweisungen: Nenne zuerst das Hauptargument, dann 3 wichtigste Erkenntnisse.
Format: Absatzform, maximal 120 Wörter.
Qualität: Neutral, präzise, keine neuen Fakten erfinden.

3) Extraktion in JSON für Automationen

Rolle: Du bist ein Daten-Extractor.
Ziel: Extrahiere strukturierte Informationen aus dem Text.
Kontext: Felder: { "produkt": "", "preis_eur": 0, "lieferzeit_tage": 0 }
Anweisungen: Wenn ein Feld fehlt, nutze null. Keine freien Texte.
Format: Nur gültiges JSON zurückgeben, ohne Kommentare.
Qualität: Scheitert etwas, gib {"produkt": null,"preis_eur": null,"lieferzeit_tage": null}.

4) Umformulierung nach Stilvorgabe

Rolle: Du bist ein Lektor.
Ziel: Schreibe den Text klarer und freundlicher für Einsteiger.
Kontext: Behalte die Bedeutung 1:1 bei.
Anweisungen: Aktive Sprache, kurze Sätze, keine Floskeln.
Format: Absatzform, max. 150 Wörter.
Qualität: Grammatik geprüft, Fachbegriffe kurz erklärt.

5) Fehlersuche im Code mit Erklärung

Rolle: Du bist ein hilfreicher Code-Assistent.
Ziel: Finde den Fehler im folgenden {{Sprache}}-Snippet und schlage eine Lösung vor.
Kontext: Der Nutzer ist Anfänger.
Anweisungen: Erkläre Ursache und Lösung verständlich und zeige die korrigierte Version.
Format: Erst Erklärung, dann korrigierter Codeblock.
Qualität: Kompakte, nachvollziehbare Schritte.

Best Practices im Alltag

Iterativ statt einmalig

Starte klein, prüfe das Ergebnis und verfeinere. Kleine Änderungen am Prompt bewirken oft große Qualitätsunterschiede. Hebel sind: konkretere Ziele, engeres Format, besserer Kontext.

Beispiele gezielt einsetzen

Ein bis zwei gute Beispiele (Few-shot) helfen dem Modell, Stil und Struktur zu verstehen. Schlechte Beispiele führen zu schlechten Ergebnissen, also wähle sie sorgfältig.

Verifizierbare Anforderungen

Bitte um selbstprüfende Kriterien wie Länge, Format oder Felder. Statt „denk laut“ lieber: „prüfe, ob alle Felder befüllt sind und nenne am Ende Ja/Nein“. So bleibt die Antwort kompakt und prüfbar.

Halluzinationen reduzieren

Liefere Quellen oder Textausschnitte im Prompt, beschränke das Thema und erlaube „weiß ich nicht“ als gültige Antwort. Füge die Anweisung hinzu, keine Fakten zu erfinden.

Beispiele aus der Praxis

Beispiel A: Produktbeschreibung IT-Zubehör

Prompt:
„Schreibe eine produktneutrale Beschreibung für USB-C Dockingstation. Zielgruppe sind Einsteiger. Erkläre Anschlüsse, Kompatibilität und Vorteile im Homeoffice. Format: 2 Absätze, jeweils 4 Sätze, Fettdruck für Schlüsselbegriffe. Maximal 120 Wörter. Keine Marken nennen.“

Warum gut: Ziel, Kontext, Format und Grenzen sind glasklar. Die Antwort bleibt fokussiert.

Beispiel B: FAQ-Erstellung aus Quelltext

Prompt:
„Aus dem folgenden Textabschnitt erstelle 3 kurze FAQs mit klaren Antworten. Zielgruppe: IT-Anfänger. Jede Frage maximal 80 Zeichen, jede Antwort maximal 160 Zeichen. Ausgabe als Markdown mit Frage fett und Antwort als normaler Absatz. Quelle: {{Text}}.“

Warum gut: Der Prompt definiert Ziel, Zielgruppe, Längenbegrenzung und Ausgabeformat.

Qualität sichern und messen

Checkliste vor dem Absenden

Frage dich: Ist das Ziel eindeutig. Kennt das Modell die Zielgruppe. Ist das Format spezifiziert. Sind Länge, Ton und Tabus genannt. Gibt es Beispiele. Fehlt dir etwas, ergänze ein Satz mehr Kontext.

Kleine Evaluierung

Teste den Prompt mit 2-3 typischen Inputs. Prüfe Vollständigkeit, Faktentreue und Format-Treue. Hebe den Prompt erst danach in deine Vorlagenbibliothek.

Häufige Fehler vermeiden

Zu vage Ziele, fehlender Kontext, kein Ausgabeformat und zu viele Anforderungen in einem Satz sind die Klassiker. Besser sind klare Abschnitte mit kurzen Anweisungen. Achte außerdem darauf, nur relevante Details zu liefern – je mehr unnötige Infos, desto verwaschener das Ergebnis.

Tooling und Teams

Lege dir eine Vorlagen-Sammlung an, z. B. in Notion oder Git. Versioniere Änderungen und dokumentiere wann eine Variante besser performt. In Teams helfen Namenskonventionen wie „PE-01-Zusammenfassung-120w“. So findet jeder schnell das passende Template.

Fazit

Prompt Engineering ist kein Hexenwerk. Mit klaren Zielen, relevantem Kontext und einem definierten Ausgabeformat bekommst du verlässliche Ergebnisse. Nutze die Vorlagen aus diesem Guide, verbessere sie iterativ und prüfe regelmäßig Qualität und Faktentreue. So baust du dir Schritt für Schritt eine Bibliothek starker Prompts, die dir Zeit spart und die Ergebnisse deiner KI-Arbeit sichtbar verbessert.