Anleitungen
Prompt Engineering
Kurzantwort
Prompt Engineering heißt, Anweisungen an ein Sprachmodell so zu bauen, dass die Antworten zuverlässig liefern, was du brauchst. Am meisten bringen klare Aufgaben mit Begründung, Beispiele im Prompt, eine feste Gliederung und Vorgaben zum Format. Fehlt dem Modell das nötige Wissen, hilft keine Formulierung.

OpenAI, Anthropic und Google beschreiben in ihren Anleitungen fast dieselben Techniken: genau sagen, was gewünscht ist, Beispiele zeigen, Anweisung und Material trennen, das Format festlegen123. Die Unterschiede liegen im Aufwand. Eine Begründung für eine Regel kostet einen Satz, eine Prompt-Kette dagegen mehrere Aufrufe und eine Auswertung. Wer gerade erst anfängt, liest zuerst Gute Prompts schreiben.
Klar sagen, was du willst, und warum
Für den Einstieg schlägt Anthropic eine Probe mit einer Kollegin ohne Vorwissen vor2; wir haben sie bei den Grundregeln für gute Prompts beschrieben. Dieselbe Anleitung von Anthropic rät, ausdrücklich zu verlangen, wenn du mehr willst als das Nötigste, statt darauf zu hoffen, dass das Modell es aus einer knappen Bitte ableitet2. Wer zu einer Gliederung auch zwei Alternativen und eine Begründung für die beste haben möchte, schreibt das dazu.
Der zweite Rat aus derselben Anleitung lautet: Begründe deine Vorgaben. Anthropic zeigt das an einer Regel gegen Auslassungspunkte, die besser befolgt wird, wenn dabeisteht, dass eine Sprachausgabe den Text vorliest und mit den Punkten nichts anfangen kann2. Das Modell kann aus der Begründung auch auf Fälle schließen, die die Regel nicht nennt. Ein Beispiel für den Alltag: "Antworte in kurzen Absätzen, weil die Antwort auf dem Handy gelesen wird." Das Modell kann daraus schließen, auch lange Tabellen wegzulassen, obwohl davon keine Rede war.
Rolle und Systemprompt
Eine Rolle legt fest, aus welcher Sicht und in welchem Ton geantwortet wird. Laut Anthropic lenkt eine Rolle im Systemprompt Verhalten und Ton, und schon ein Satz macht einen Unterschied2. OpenAI trennt ähnlich: Anweisungen auf Entwicklerebene haben Vorrang vor den Nachrichten der Nutzer1. Im Chatfenster entsprechen dem die eigenen Anweisungen in den Einstellungen oder in einem Projekt, die du in ChatGPT unter Personalisierung findest (ChatGPT richtig nutzen).
Eine Rolle bringt dem Modell kein Fachwissen bei. "Du bist Steuerberaterin" verändert Wortwahl und Detailtiefe, macht aber keine Auskunft zum Steuerrecht richtiger. Nützlich ist die Rolle, wenn sie Zielgruppe und Ton gleich mitliefert: "Du erklärst Eltern ohne Vorkenntnisse, wie die Notenvergabe funktioniert."
Beispiele: Zero-Shot und Few-Shot
Ein Prompt ohne Beispiele heißt Zero-Shot, einer mit Beispielen Few-Shot. Google empfiehlt Beispiele für die meisten Prompts, weil sie Format, Wortwahl und Umfang der Antwort steuern. Wenige reichen oft; zu viele verleiten das Modell dazu, die Beispiele zu eng nachzuahmen. Alle Beispiele sollten gleich aufgebaut sein3. Anthropic nennt drei bis fünf Beispiele als guten Richtwert und rät, sie in eigene Tags zu setzen, damit das Modell sie nicht für Anweisungen hält2. OpenAI betont die Mischung: Die Beispiele sollen verschiedene Eingaben mit der jeweils gewünschten Ausgabe zeigen1.
Few-Shot-Prompting lohnt sich vor allem beim Sortieren und Umformen. Ein Handwerksbetrieb, der Kundenmails einer Kategorie zuordnen will, schreibt etwa:
- "Die Heizung im Bad bleibt kalt." Kategorie: Störung
- "Schickt ihr nächste Woche ein Angebot für neue Fenster?" Kategorie: Angebot
- "Die Rechnung enthält eine Position doppelt." Kategorie: Rechnung
Danach folgt die neue Mail mit der Bitte, nur die Kategorie zu nennen. Damit das Modell nicht einfach die Reihenfolge fortsetzt, sollten die Beispiele verschieden lang sein und auch einen Grenzfall enthalten. Mehr zum Prinzip steht im Lexikon unter Few-Shot-Learning.

Material und Anweisung trennen
Sobald ein Prompt Anweisungen, Hintergrund, Beispiele und einen mitgegebenen Text enthält, verschwimmen die Grenzen. Beide Anbieter empfehlen deshalb, die Teile zu kennzeichnen: OpenAI mit Markdown-Überschriften oder XML-Tags1, Anthropic mit XML-Tags wie "instructions", "context" und "input"2. Wie die Tags heißen, ist dabei weniger wichtig als die Regel, sie im ganzen Prompt gleich zu benutzen.
Bei langen Texten zählt auch die Reihenfolge. Anthropic rät, lange Dokumente oben in den Prompt zu setzen und die Frage ans Ende. In Tests von Anthropic verbesserte das die Antworten um bis zu 30 Prozent, vor allem bei mehreren Dokumenten2. OpenAI empfiehlt für wiederverwendete Prompts, feste Anweisungen an den Anfang zu stellen, dann Beispiele und Material und zuletzt die wechselnde Eingabe1.
Schrittfolgen und Denkanstöße
Wenn die Reihenfolge der Arbeitsschritte zählt, gehören die Schritte als nummerierte Liste in den Prompt2. "Lies zuerst den Vertrag, liste dann alle Fristen auf, prüfe danach, welche davon in den nächsten drei Monaten enden" liefert eine nachvollziehbarere Antwort als "Welche Fristen sind wichtig?".
Die Bitte, erst nachzudenken und dann zu antworten, ist als Chain of Thought bekannt. Bei vielen aktuellen Modellen läuft dieses Nachdenken schon eingebaut. Anthropic empfiehlt die ausdrückliche Bitte nur noch als Ausweg, wenn das eingebaute Nachdenken ausgeschaltet ist, und dann mit der Antwort in eigenen Tags, damit sie sich vom Rechenweg trennen lässt2. OpenAI beschreibt den Unterschied so: Reasoning-Modelle arbeiten mit groben Vorgaben besser, klassische GPT-Modelle brauchen genaue, ausdrückliche Anweisungen1. Wer einem Reasoning-Modell jeden Denkschritt vorschreibt, bremst es eher.
Formatvorgaben, die greifen
Die wirksamste Formatregel steht bei Anthropic ganz oben: Sag, was passieren soll, statt aufzuzählen, was nicht passieren soll. "Schreib in zusammenhängenden Absätzen" wirkt verlässlicher als "keine Aufzählungen"2. Außerdem färbt der Stil des Prompts auf die Antwort ab. Ein Prompt voller Markdown bekommt eher eine Antwort voller Markdown2.
Google nennt einen weiteren Kniff: Du beginnst die Antwort selbst, etwa mit "Die drei wichtigsten Punkte sind:", und das Modell setzt in dieser Form fort3. Wenn ein Programm die Antwort weiterverarbeitet, gibst du ein festes Schema vor, zum Beispiel JSON mit genau benannten Feldern, und verwirfst Antworten, die nicht passen.
Prompt-Ketten für mehrstufige Aufgaben
Manche Aufgaben sind für einen einzigen Prompt zu groß. Google rät, sie aufzuteilen: hintereinander, wobei jedes Ergebnis in den nächsten Schritt geht, oder nebeneinander mit einer Zusammenführung am Ende3. Anthropic nennt als häufigstes Muster die Selbstkorrektur: einen Entwurf schreiben, ihn gegen Kriterien prüfen lassen, dann überarbeiten. Jeder Schritt ist ein eigener Aufruf, sodass du Zwischenergebnisse ansehen und an jeder Stelle eingreifen kannst2.
Im Chat geht das ohne Technik. Lass dir zuerst nur eine Gliederung geben, korrigiere sie und bitte erst dann um den ausformulierten Text. Das kostet einen Zwischenschritt und spart die Arbeit, einen fertigen Text gegen die Richtung umzubauen.

Rückfragen und Lücken erlauben
Die Grundform kennst du vielleicht schon: Du erlaubst dem Modell nachzufragen und lässt fehlende Angaben als offen kennzeichnen. Bei wiederkehrenden Aufgaben lohnt es sich, daraus eine feste Regel zu machen. Leg im Systemprompt ein festes Wort für fehlende Angaben fest, etwa "unbekannt", oder ein leeres Tabellenfeld, und verlange, dass das Modell es nutzt, statt zu schätzen. Läuft die Antwort danach in ein anderes Programm, findet dieses die Stelle und gibt den Fall an einen Menschen weiter. Wo niemand zum Antworten bereitsteht, ersetzt eine kurze Liste offener Punkte am Anfang der Antwort die Rückfrage im Chat.
Das wirkt am besten zusammen mit Material im Prompt. Ohne Quelle hat das Modell nichts, woran es eine Lücke erkennen könnte, und die Anweisung läuft ins Leere.
Ein Prompt im Umbau
Wie die Techniken zusammenspielen, zeigt ein erdachtes Beispiel aus einem kleinen Onlineshop. Der erste Versuch lautet: "Fasse die Kundenbewertungen zusammen." Die Antwort ist ein freundlicher Absatz, der alles ein bisschen erwähnt und nichts gewichtet. Der Umbau geht in vier Stufen:
- Die Bewertungen kommen in ein eigenes Tag an den Anfang, die Aufgabe ans Ende.
- Die Aufgabe bekommt einen Zweck: "Wir wollen entscheiden, was wir im nächsten Quartal zuerst verbessern."
- Eine Schrittfolge legt fest: erst jede Bewertung einem Thema zuordnen, dann die Themen nach Häufigkeit ordnen, dann je Thema eine typische Aussage wörtlich zitieren.
- Das Format steht fest: eine Tabelle mit Thema, Anzahl und Zitat, darunter höchstens drei Sätze Empfehlung.
Die neue Antwort lässt sich prüfen, denn jede Zahl in der Tabelle kannst du an den Bewertungen nachzählen.
Welche Technik wann hilft
- Links oben wenig Aufwand, viel Wirkung
- Rechts oben lohnt bei wiederkehrenden Aufgaben
- Links unten schadet nicht, bringt wenig
Die Grafik ordnet die Techniken nach unserer Erfahrung ein, sie beruht auf keiner Messung. Klare Aufgaben, Begründungen und Formatvorgaben kosten kaum Zeit und verbessern fast jeden Prompt. Beispiele und eine Gliederung mit Tags lohnen sich, sobald eine Aufgabe regelmäßig wiederkommt. Prompt-Ketten und feste Testfälle sind aufwendiger und zahlen sich in Abläufen aus, die viele Male am Tag laufen.
Einstellungen wie die Temperatur sind kein Ersatz für einen klaren Prompt, und sie stehen nicht überall zur Verfügung. Google weist darauf hin, dass neuere Gemini-Modelle Temperatur, topP und topK ignorieren3.
Werkzeuge für Prompts
Für den ersten Entwurf gibt es Generatoren. Anthropic verweist auf ein Notizbuch, das aus einer Aufgabenbeschreibung einen Prompt-Entwurf erzeugt4. Unser Prompt-Baukasten setzt Rolle, Aufgabe, Kontext, Format und Beispiele im Browser zusammen. Erprobte Texte für wiederkehrende Büroarbeit stehen bei den Prompt-Vorlagen.
Sobald Prompts im Betrieb laufen, geht es weniger ums Formulieren als um Ordnung. OpenAI rät, Prompts für den Betrieb wie Programmcode zu behandeln, mit Prüfung vor jeder Änderung, sie an eine feste Modellversion zu binden und vor Änderungen Testfälle anzulegen1. Für ein kleines Team reicht dafür anfangs eine Datei mit Versionen: je Prompt der Zweck, das Datum der letzten Änderung und wer verantwortlich ist. Eigene Werkzeuge für Ablage, Tests und Protokolle lohnen sich, wenn mehrere Personen dieselben Prompts ändern. Eine Sammlung solcher Testfälle mit Bewertungsregeln ist schnell angelegt, wenn du der Anleitung zum Testen von Prompts folgst. Die Länge eines Prompts in Token zeigt der Token-Zähler.
Grenzen der Technik
Prompt Engineering ersetzt kein Wissen. Kennt das Modell deine Preisliste oder deine Hausregeln nicht, hilft keine Formulierung; dann gehört die Quelle in den Prompt oder in ein System, das sie zur Laufzeit heraussucht, wie es RAG im Unternehmen beschreibt. Auch ein sehr guter Prompt verhindert erfundene Angaben nicht ganz. Warum Modelle halluzinieren und was dagegen hilft, steht auf einer eigenen Seite.
Anthropic weist selbst darauf hin, dass nicht jedes Problem ein Prompt-Problem ist: Antwortzeit und Kosten lassen sich manchmal leichter über die Wahl eines anderen Modells verbessern4. Dazu kommt, dass Modelle sich ändern. Die Anleitung von Anthropic enthält eigene Abschnitte für einzelne Modelle, weil ein Prompt bei einem neuen Modell anders wirken kann2.
Schließlich können Anweisungen auch aus fremden Texten kommen. Ein Dokument oder eine Webseite im Prompt kann Befehle enthalten, die deine eigenen überschreiben. Wie Anwendungen sich dagegen schützen, erklärt die Seite zu Prompt Injection.
Ein Prompt, der bei einem Anbieter gut läuft, lässt sich auch nicht ungeprüft zu einem anderen mitnehmen. Die drei Anleitungen ähneln sich, enthalten aber Hinweise, die nicht überall gelten: Google zur Temperatur3 und Anthropic mit eigenen Abschnitten je Modell2. Wer wechselt, lässt die alten Testfälle mit dem neuen Modell laufen und vergleicht, bevor der Prompt im Alltag eingesetzt wird.
Was das für dich heißt
Du kommst mit wenigen Techniken weit, wenn du sie gezielt einsetzt.
- Schreib zu jeder Regel im Prompt einen kurzen Grund dazu.
- Leg für wiederkehrende Aufgaben drei unterschiedliche Beispiele fest und speichere sie mit dem Prompt.
- Setz lange Texte an den Anfang und deine Frage ans Ende.
- Teile große Aufgaben in Gliederung, Entwurf und Überarbeitung.
Häufige Fragen
Was steckt hinter Few-Shot-Prompting?
Du gibst dem Modell im Prompt einige Beispiele aus Eingabe und gewünschter Ausgabe mit und lässt es danach einen neuen Fall bearbeiten. Ohne Beispiele spricht man von Zero-Shot.
Funktioniert Prompt Engineering auf Deutsch?
Ja, alle Techniken auf dieser Seite lassen sich mit deutschen Prompts anwenden. Leg die Sprache der Antwort ausdrücklich fest, wenn Material und Antwort in verschiedenen Sprachen stehen.
Brauche ich für Prompt Engineering Programmierkenntnisse?
Für die Arbeit im Chat nicht. Programmieren wird erst wichtig, wenn Prompts automatisch laufen, versioniert und mit Testfällen geprüft werden.
Ersetzt ein Prompt-Generator das Prompt Engineering?
Ein Generator liefert einen ordentlichen Entwurf und spart Tipparbeit. Ob der Prompt bei deinen echten Fällen zuverlässig arbeitet, zeigt er nicht; das klären Testfälle.
Quellen
Stand:
- OpenAI: Prompt engineering (OpenAI API Docs), abgerufen am 22.11.2026. zurück
- Anthropic: Prompting best practices (Claude API Docs), abgerufen am 22.11.2026. zurück
- Google: Prompt design strategies (Gemini API, Google AI Studio), abgerufen am 22.11.2026. zurück
- Anthropic: Prompt engineering overview (Claude API Docs), abgerufen am 22.11.2026. zurück





