Prompt Engineering ist die Arbeit daran, einem Sprachmodell eine Aufgabe so zu stellen, dass das Ergebnis brauchbar und wiederholbar ist. Es geht dabei weniger um Zauberformeln als um Handwerk: Aufgabe klar benennen, den nötigen Kontext mitliefern, das gewünschte Ausgabeformat festlegen und das Ganze an echten Fällen prüfen. Der Begriff hat sich 2023 eingebürgert, als plötzlich alle mit einem Large Language Model arbeiteten und feststellten, dass dieselbe Frage in zwei Formulierungen zwei sehr verschiedene Antworten ergibt.
Zwei Jahre später ist der Beruf “Prompt Engineer” weitgehend wieder verschwunden, die Tätigkeit nicht. Sie ist Teil der Entwicklungsarbeit geworden.
Woraus ein belastbarer Prompt besteht
Ein Prompt, der in einer Anwendung läuft, ist kein Chatbeitrag. Er hat einen festen Aufbau, und jeder Teil erfüllt eine Aufgabe.
| Bestandteil | Wozu | Beispiel |
|---|---|---|
| Rolle | Fachlichen Rahmen setzen | “Du prüfst eingehende Bewerbungen auf Vollständigkeit.” |
| Aufgabe | Genau eine Handlung benennen | “Liste die fehlenden Unterlagen auf.” |
| Kontext | Die Daten, um die es geht | der Bewerbungstext, die Checkliste |
| Regeln | Grenzen und Ausnahmen | “Bewerte nicht die Qualifikation.” |
| Format | Wie die Ausgabe aussehen muss | JSON mit den Feldern fehlend und hinweis |
| Beispiele | Ein, zwei gelöste Fälle | eine vollständige und eine unvollständige Bewerbung |
Konkret schlägt höflich
“Fasse den Text professionell zusammen” liefert wenig, weil professionell nichts festlegt. “Fasse in höchstens fünf Sätzen zusammen, nenne alle genannten Fristen und lasse Bewertungen weg” liefert etwas Prüfbares. Jede Anweisung, deren Einhaltung du nicht nachsehen kannst, ist Dekoration.
Verbote brauchen eine Alternative
Ein Modell, dem man nur sagt, was es nicht tun soll, sucht sich den Rest selbst. Statt “erfinde keine Zahlen” funktioniert “wenn im Text keine Zahl steht, schreibe null in das Feld” deutlich zuverlässiger, weil es einen erlaubten Ausweg beschreibt.
Techniken, die tatsächlich etwas bringen
- Beispiele mitgeben. Ein bis drei gelöste Fälle im Prompt (Few-Shot) sind der wirksamste einzelne Hebel, besonders bei Formatvorgaben. Die Beispiele müssen die Grenzfälle abbilden, nicht den Normalfall.
- Aufgabe zerlegen. Zwei Aufrufe, die je eine Sache tun, schlagen einen Aufruf, der alles gleichzeitig soll. Extrahieren und Bewerten gehören getrennt.
- Denkschritte zulassen. Bei Aufgaben mit Zwischenschritten hilft es, das Modell erst begründen und dann antworten zu lassen. Neuere Reasoning-Modelle tun das von sich aus, dort schadet ein aufgesetztes “denke Schritt für Schritt” eher.
- Struktur erzwingen. Wo die Ausgabe weiterverarbeitet wird, gehört ein Schema hin. Die gängigen Anbieter können ein JSON-Schema direkt entgegennehmen und die Ausgabe daran binden, was zuverlässiger ist als jede Bitte im Prompttext.
- Abschnitte markieren. Fremder Text gehört klar abgegrenzt, etwa in XML-artige Tags. Das hilft dem Modell beim Trennen von Anweisung und Material und ist zugleich die erste Verteidigungslinie gegen Prompt Injection.
Vom Prompt zum Kontext
Seit 2025 verschiebt sich die Arbeit. Der einzelne Prompttext ist optimiert, das Verhalten der Anwendung hängt inzwischen an dem, was sonst noch im Kontextfenster landet: abgerufene Dokumente, Gesprächsverlauf, Werkzeugbeschreibungen, Zwischenergebnisse. Dafür hat sich der Begriff Context Engineering eingebürgert.
Praktisch heißt das: Die Frage ist nicht mehr, wie man einen Satz besser formuliert, sondern was in diesem Aufruf überhaupt mitgeschickt werden muss und was nicht. Zu wenig Kontext erzeugt Rateantworten. Zu viel Kontext kostet Geld (siehe KI-Token), verlangsamt die Antwort und lenkt das Modell von der eigentlichen Aufgabe ab. Bei KI-Agenten, die über viele Schritte laufen, wird das Verwalten dieses Fensters zur Hauptarbeit.
Warum Prompts in die Testsuite gehören
Ein Prompt ist Programmlogik in Prosa. Er verhält sich wie Code, nur ohne Compiler, der Fehler meldet.
Das führt zu einer Arbeitsweise, die aus der Softwareentwicklung vertraut ist:
- Testfälle sammeln. Zwanzig bis hundert echte Eingaben mit der Antwort, die richtig wäre. Grenzfälle und Fehleingaben ausdrücklich einschließen.
- Bewertung festlegen. Bei Extraktion ist das ein einfacher Vergleich. Bei freiem Text braucht es Kriterien, oft geprüft von einem zweiten Modellaufruf.
- Ändern und messen. Jede Promptänderung gegen denselben Satz laufen lassen. Ohne das ist “das klingt jetzt besser” die einzige verfügbare Aussage.
- Versionieren. Prompts gehören ins Repository, nicht in ein Textfeld im Admin.
Der Grund für die Mühe: Prompts sind spröde. Ein Modellwechsel, ein Anbieter-Update oder eine neue Eingabeart können ein Verhalten kippen, das ein Jahr lang stabil war. Ohne Testsatz merkt man das erst, wenn es jemand meldet.
Wo die Methode aufhört
Formulierung ersetzt kein Wissen. Wenn die Antwort Informationen braucht, die das Modell nicht hat, hilft nur, sie mitzuliefern, etwa per Retrieval-Augmented Generation. Kein Prompt der Welt holt eine Preisliste aus einem Modell heraus, die dort nie war. Auch gegen KI-Halluzinationen wirkt ein Prompt nur begrenzt: Er kann das Modell zur Zurückhaltung anhalten, aber nichts erzwingen.
Und ein Prompt ist keine Sicherheitsgrenze. Alles, was ein Modell laut Anweisung nicht tun soll, kann durch geschickt formulierte Eingaben trotzdem passieren. Wo echter Schaden möglich ist, gehört die Prüfung in den Code, der das Modell aufruft.
Häufige Fragen zu Prompt Engineering
Ist Prompt Engineering ein eigener Beruf? Kurz war es einer. Heute ist es eine Fähigkeit, die zur Entwicklungsarbeit gehört, so wie SQL zu schreiben oder eine Schnittstelle zu entwerfen. Ausgeschrieben werden stattdessen Rollen, die den ganzen Weg abdecken: Datenaufbereitung, Abruf, Prompt, Auswertung, Betrieb.
Funktionieren dieselben Prompts bei jedem Modell? Nein. Die Grundprinzipien übertragen sich, die Feinheiten nicht. Modelle unterscheiden sich darin, wie streng sie Formatvorgaben einhalten, wie sie mit Systemanweisungen umgehen und wie sie auf Beispiele reagieren. Bei einem Wechsel läuft der Testsatz erneut, und zwar vor der Umstellung.
Sollen Prompts auf Deutsch oder Englisch geschrieben sein? Für deutschsprachige Ausgaben funktioniert Deutsch gut, und der Prompt bleibt für alle im Team lesbar. Bei sehr feinen Formulierungsunterschieden liefern englische Anweisungen manchmal stabilere Ergebnisse, weil die Modelle darauf stärker trainiert sind. Wenn es darauf ankommt, ist das eine Frage für den Testsatz und nicht für die Meinung.
Reichen längere Prompts für bessere Ergebnisse? Bis zu einem Punkt. Danach kippt es: Widersprüchliche Regeln, zu viele Sonderfälle und seitenlange Beispiele machen die Ausgabe unberechenbarer, nicht besser. Wenn ein Prompt zu lang wird, ist das meist ein Hinweis darauf, die Aufgabe in zwei Schritte zu teilen.
Fazit
Prompt Engineering ist der Teil der KI-Arbeit, der am schnellsten Ergebnisse zeigt und am leichtesten überschätzt wird. Die großen Gewinne kommen aus klaren Aufgaben, ordentlichem Kontext und einem Testsatz, der Änderungen messbar macht. Der Rest ist Feinschliff. Wer das nicht allein, sondern im Team lernen will, findet den passenden Rahmen bei unseren KI-Schulungen für Unternehmen. Wie wir Anwendungen bauen, in denen solche Aufrufe zuverlässig laufen müssen, steht auf unserer Seite zur Custom-Software-Entwicklung; unsere Erfahrungen aus der Projektpraxis haben wir im Artikel KI in der Softwareentwicklung beschrieben. Für konkrete Fragen gibt es das unverbindliche Beratungsgespräch.