Prompt Engineering - So bedienst du KIs richtig (2025)

Prompt Design beschreibt die Technik, mit der du mit natürlicher Sprache ein Sprachmodell bedienen kannst.

Prompt Engineering erweitert das reine Prompt Design um weitere Aspekte, um noch besseren Output vom Sprachmodell zu erhalten.

In diesem Artikel werden wir uns beide Techniken genauer anschauen. Du wirst lernen, wie du deine Prompts aufbauen und optimieren kannst und welche Prompt-Techniken sich am besten für Reasoning- und Non-Reasoning Modelle eignen.

1. Was ist ein Prompt?

Ein Prompt ist zunächst einmal ein Text, den du dem Modell bereitstellst, bevor dieses einen Output generiert. Der Prompt kann dabei aus reinem Text, Bildern, Audio, PDFs, Excel-Tabellen oder anderen Datentypen bestehen.

Der Prompt ist eine Sequenz aus "Prefix-Tokens", die das Sprachmodell in eine bestimmte Richtung seiner Trainingsdaten leitet. Ein einfaches Beispiel könnte sein:

Geben wir den selben Prompt an ein anderes Modell, z.B. GPT-4.5, dann erhalten wir eine andere Antwort:

Das Beispiel zeigt dir zum einen, dass die GPT-Modelle mit der Zeit eloquenter geworden sind. Zum anderen erkennst du aber auch, dass GPT-4.5 nicht nur den Satz vervollständigt, sondern zudem auch noch weitere Hilfe anbietet. Der Grund hierfür ist ein versteckter Prompt, den OpenAI in das Modell integriert hat.

Hidden Prompts (System Prompts)

Ohne dass du es mitbekommst, verwenden moderne AI Chatbots, wie z.B. ChatGPT, bei jeder Eingabe einen versteckten "System-Prompt". Dieser Prompt wird bei jeder Eingabe ausgeführt und von den Modell-Entwicklern definiert, damit das Modell z.B. eine bestimmte Tonalität verwendet.

System Prompts können dafür genutzt werden, dem LLM allgemeine Rahmenbedingungen mitzugeben. Z.B. verwenden Tools wie v0 oder Replit ausführliche System Prompts, die das Modell auf das Erstellen von Programmiercode trimmen.

System Prompts können allerdings auch für Zensuren verwendet werden. Man geht z.B. davon aus, dass DeepSeek AI per System Prompt ihre Modelle dazu anweist, dunkle Fakten aus der chinesischen Geschichte zu verschleiern. Ebenso befahl Elon Musk dem Grok-3 Modell, dass weder er noch Donald Trump als Verbreiter von Misinformationen genannt werden sollten.

System Prompts werden also von den Modell-Entwicklern bereitgestellt, um das Modell in eine bestimmte Richtung zu trimmen. Über Jailbreaking-Techniken lassen sich diese Beschränkungen umgehen, du solltest dir aber bewusst sein, dass sich durch System-Prompts die Modelle verschiedener Entwickler auch unterschiedlich verhalten. Falls du dir einen Eindruck von verschiedenen System-Prompts machen möchtest, findest du hier eine Liste mit potenziellen System-Prompts von z.B. Cursor, Manus oder v0. Seit Kurzem veröffentlicht außerdem Anthropic zu jedem Modell den dazugehörigen System-Prompt auf ihrer Website.

User Prompts

Als User Prompts beschreibt man den Prompt-Inhalt, der vom User bereitgestellt wird. User Prompts bestehen zunächst einmal aus dem reinen Text-Prompt, können aber auch durch einen sogenannten Kontext mit anderen Modalitäten erweitert werden.

User Prompts werden durch ein Token-Fenster limitiert. Dieses Fenster gibt an, wie viele Tokens (Wörter) das Modell maximal verarbeiten kann. Bei GPT-4o beträgt das Input-Token Fenster zum Beispiel 128.000 Tokens, was knapp 96.000 Wörtern (oder den ersten 12 Kapiteln von Herr der Ringe) entspricht.

Wenn wir nun vom Prompt Engineering bzw. dem Prompt Design sprechen, dann meinen wir damit die Technik, mit der du deinen User Prompt am besten formulierst.

2. Prompt Design - So solltest du deine Prompts aufbauen

Beim Prompt Design geht es darum, den richtigen Kontext für das Modell zu setzen, damit wir den bestmöglichen Output erhalten. Prompt Design lässt sich durchaus als Kunst bezeichnen, da es unendlich viele Möglichkeiten gibt, einen Prompt zu formulieren. Dennoch hat sich herausgestellt, dass manche Prompts in Benchmarks besser abschneiden als andere.

Prinzipiell helfen diese Punkte dir dabei, deinen Prompt-Output zu verbessern:

• definiere ein klares Ziel für deinen Prompt
• teile dem Modell so viele relevante Informationen wie möglich mit
• verwende Markdown oder XML-Tags, um deinen Prompt zu formatieren
• setze dem Modell Grenzen, indem du die Eigenschaften deines Outputs beschreibst
• verwende die Tonalität, die du auch im Output erwartest

Aufbau eines effektiven Prompts

Ein bewährter Aufbau eines Prompts sieht wie folgt aus:

Du erkennst eine klare Struktur, die durch XML-ähnliche Tags um die Hauptsektionen Ziel, Format, Aufgabe und Kontext an das Modell signalisiert wird.

Prompt Design in verschiedenen Formaten

Eine Studie aus dem Jahr 2024 hat gezeigt, dass der Output durch das Format des Prompts stark beeinflusst werden kann.

Zwar konnte kein universelles Format für die besten Outputs gefunden werden, die Ergebnisse zeigen allerdings, dass es sich lohnen kann, mit verschiedenen Formaten zu experimentieren.

Neben dem Prompting im reinen Text-Format, setzen sich aktuell vor allem Prompts im Markdown, JSON und XML-Format durch.

Prompting im Markdown-Format

Markdown ist ein einfaches Format, um Texte zu strukturieren. Über Rauten (#) kannst du Überschriften erstellen und mit Sternchen (*) fette oder kursive Schrift erstellen. Auch Stichpunkte und Listen können einfach über Nummerierung oder Bindestriche erstellt werden.

Prompting im JSON-Format

JSON ist ein sehr strukturiertes Format, das in vielen Programmiersprachen eingesetzt wird. Es ist besonders gut für die Verarbeitung von Daten geeignet.

Prompting im XML-Format

XML (Extensible Markup Language) wird häufig für die Verarbeitung von Daten in verschiedenen Programmiersprachen eingesetzt. Prompts können in XML strukturiert werden, um den Input hierarchisch darzustellen.

Wenn du diese Prompt Design Techniken anwendest, dann kannst du deinen Output im Vergleich zu simplen Prompts bereits deutlich verbessern. Lass uns im nächsten Abschnitt nun fortgeschrittene Prompt Engineering Techniken kennenlernen.

3. Prompt Engineering - Fortgeschrittene Techniken zur Prompt Optimierung

Es gibt verschiedene Definitionen, die Prompt Engineering von Prompt Design unterscheiden. Manche Quellen verwenden Prompt Engineering bereits für das reine strukturelle Formatieren von Prompts, andere wiederum sehen es als letzte Stufe des Finetuning Prozesses beim Training eines Modells.

Die aktuell wichtigsten Techniken für Prompt Engineering findest du im Folgenden zusammengefasst:

Shot-Prompting: Beispiel-Output vorgeben

Shot Prompting beschreibt Methoden, bei denen eine bestimmte Anzahl an Beispiel-Outputs vorgegeben wird, an denen sich das Sprachmodell orientieren soll.

Zero-Shot Prompting: Prompt ohne Vorgabe

Beim Zero-Shot Prompting gibt man dem Modell eine klare Anweisung, aber ohne konkrete Beispiele oder Musterlösungen bereitzustellen. Das Modell greift auf die Trainingsdaten zurück und generiert einen Output, der sich an den Trainingsdaten orientiert. Im Beispiel würde ein Modell, das E-Mails als Spam oder Nicht-Spam klassifizieren soll, zum Beispiel einen vollständigen Satz ausgeben.

Zero-Shot Prompting eignet sich besonders für einfache Wissensabfragen oder Aufgaben, die allgemein bekannt und somit gut in den Trainingsdaten repräsentiert sind.

One-Shot Prompting: Einen Beispiel-Output vorgeben

Beim One-Shot Prompting wird genau ein Beispiel für den Output vorgegeben. Das Modell soll anhand dieses Beispiels erkennen, wie die Aufgabe zu erledigen ist. In unserem Beispiel würde das Modell als Output nur noch ein Wort für "Spam" ausgeben, wie wir es im Beispiel vorgegeben haben.

One-Shot Prompts eignen sich für Aufgaben, bei denen ein spezielles Antwortformat benötigt wird oder können iterativ verwendet werden, um die Qualität eines Outputs zu verbessern.

Das Modell würde bei diesem Prompt von einer pragmatischen Antwort abweichen und auch auf andere Fragen, wie z.B. "Wie ist das Wetter heute?" eine humorvolle Antwort generieren.

Few-Shot Prompting: Mehrere Musterlösungen vorgeben

Beim Few-Shot Prompting wird eine Anzahl > 1 von Beispiel-Outputs vorgegeben. Je mehr Beispiele vorgegeben werden, desto besser kann das Modell Muster erkennen und auf den Output anwenden. In unserem Beispiel könnten wir somit die Wahrscheinlichkeit erhöhen, dass unser Modell neue E-Mails auch im Fall von "Nicht-Spam" mit dem korrekten Format klassifizieren würde, da wir entsprechende Beispiele mit angehängt haben.

Meistens reicht es, wenn man 3-5 Beispiele vorgibt. Je nach Länge der Beispiele kann sonst ein langer Kontext entstehen, der das Modell verlangsamt und den Output teurer macht.

Few-Shot Prompting eignet sich besonders für Aufgaben, bei denen Mustererkennung oder das Einhalten eines bestimmten Formats erforderlich ist.

Prompt Chaining: Aufeinanderfolgende Prompts miteinander verknüpfen

Prompt Chaining beschreibt eine Technik, bei der man eine Haupt-Aufgabe in mehrere Unteraufgaben zerlegt und diese dem Modell als Schritt-für-Schritt-Anleitung übergibt.

Prompt Chaining eignet sich dementsprechend besonders gut für komplexe Aufgaben, die in Teilschritte zerlegt werden können, oder auf Workflows, die Zwischenergebnisse vorheriger Aufgaben benötigen.

Chain of Thought Prompting: Denkprozess des Modells steuern

Chain-of-Thought beschreibt eine Technik, die durch Reasoning-Modelle wie DeepSeek-R1 oder OpenAI-o1 viel Zulauf erfahren hat.

Beim Chain-of-Thought Prompting fordert man das Modell dazu auf, einzelne "Denkprozess-Schritte" auszugeben. Diese Denkschritte, die häufig in über <think> Brackets angedeutet werden, werden anschließend als Input für den finalen Output verwendet.

Chain-of-Thought Prompting erhöht allgemein die Ergebnisse von Modellen in diversen Benchmarks. Besonders starke Unterschiede zeigen sich bei Logik-Rätseln sowie mathematischen Herausforderungen oder Planungsaufgaben.

Wenn du Reasoning-Modelle benutzt, wird eine Chain-of-Thought Logik bereits über den System-Prompt integriert. Verwendest du Non-Reasoning bzw. Foundation-Modelle, kannst du den Output des Modells über CoT jedoch noch einmal deutlich verbessern.

Beim Chain-of-Thought Prompting werden deutlich mehr Output-Tokens generiert als bei anderen Prompting-Techniken. Dies führt dazu, dass Reasoning-Modelle wie OpenAI-o3 mini oder Claude-3.7-Sonnet (thinking) sehr teuer und langsam sind. Wenn bei Reasoning-Modellen ein Attribut wie "low", "medium" oder "high" / "Pro" angegeben wird, bedeutet dies, dass mehr "Denkprozess-Tokens" generiert werden, was den Output grundsätzlich besser macht.

Chain of Draft: Günstiges Reasoning

Chain-of-Draft ist eine neuere Technik, die auf Chain-of-Thought basiert und dabei versucht, die Kosten für Reasoning-Modelle zu reduzieren. Dabei versucht man über Chain-of-Draft im <think> Zwischenschritt nur die relevanten Inhalte zu speichern, um Zwischen-Tokens zu sparen.

In ersten Studien konnte gezeigt werden, dass Chain-of-Draft bei einigen Aufgaben ähnliche Ergebnisse wie Chain-of-Thought erzielt, dabei aber signifikant günstigre ist. Allerdings ist die CoD-Prompting-Technik auf Few-Shot-Prompts angewiesen und eignet sich somit nicht für alle Aufgaben.

Meta-Prompting: KI-generierte Prompts

Meta-Prompting ist eine spannende Methode, bei der man ein Sprachmodell über einen "Meta-Prompt" beauftragt, selbst einen Prompt für eine bestimmte Aufgabe zu generieren. Grundsätzlich funktionieren Meta-Prompts so, dass man die Aufgaben- bzw. Fragestellung analysiert, Ziele identifiziert und anschließend Lösungsansätze und Aufgabenschritte in einem Prompt formuliert.

Meta-Prompting eignet sich besonders für Aufgaben, die von kleineren Modellen gelöst werden sollen. Den Meta-Prompt übergibt man an ein großes Reasoning-Modell, das dann den Prompt für die ausführenden kleineren Modelle erstellt.

Wenn du keinen Zugriff auf große Reasoning-Modelle hast, kannst du auch einen Prompt-Generator verwenden oder den Prompt-Optimizer in der Anthropic Konsole verwenden.

Prompt Injection: KI-Modelle jailbreaken

Unter dem Begriff "Prompt Injection" versteht man das Manipulieren von KI-Modellen durch Prompts. Über bestimmte Anweisungen ("Injection") im Prompt versucht man, das Verhalten des Modells so zu beeinflussen, dass ein Output generiert wird, der eigentlich nicht ausgegeben werden sollte.

Angreifer können versuchen, über Prompt Injection an sensible Informationen, wie z.B. geleakte API-Keys, zu gelangen. Ein populäres Beispiel ist auch die Angst, dass Sprachmodelle in der Lage sind, Bauanleitungen für Bio-Waffen o.Ä. zu erstellen. Modellentwickler versuchen über verschiedenste Sicherheitstechniken, dies zu unterbinden.

Da viele Trainingsdaten auf menschlicher Kommunikation basieren, können bei der Prompt Injection auch viele Strategien des Social Engineerings funktionieren.

Prompt Injection ist ein ernstzunehmender Problem für Firmen, die KI-Modelle bereitstellen. Der Cybersecurity-Dienstleister Lakera entwickelt Sicherheitsmaßnahmen, um Injection-Angriffe zu verhindern. Auf der Lakera Website kannst du über den "Gandalf" Chatbot versuchen, verschieden starke Sicherheitsmaßnahmen zu umgehen. Ein ziemlich unterhaltsamer Zeitvertreib, bei dem man gleichzeitig ein gutes Gefühl für Prompt Injection bekommt. Ich habe es beim ersten Anlauf bis Level 5 geschafft, kommst du noch weiter?

3. Best Practices und häufige Fehler beim Prompt Engineering

Wenn du es bis hierhin geschafft hast, dann hast du die Grundlagen und eine Menge an Techniken für das Prompt Engineering kennengelernt. Lass uns abschließend noch einmal die Best Practices zusammenfassen und häufige Fehlerquellen auflisten, die zu schlechteren Prompt Ergebnissen führen können.

Do's: Tipps für das Prompt Engineering

Don'ts: Häufige Fehler beim Prompten

4. FAQ: Häufige Fragen zum Prompt Engineering

5. Weiterführende Links

• Prompt Management
• Prompt Techniken von OpenAI
• Prompt Techniken für Reasoning-Modelle
• Mediendateien mit Prompts verwenden
• Prompt Engineering Guide von Google DeepMind
• DSPy - Prompt Programming, not Prompt Engineering