Was ist Prompting Engineering

Was ist Prompt Engineering?

Prompt Engineering ist die systematische Entwicklung und Prüfung von Anweisungen für generative KI. Ein Prompt legt fest, welche Aufgabe ein Modell bearbeiten soll, welche Informationen dafür zählen und woran eine brauchbare Antwort zu erkennen ist. Wie viel das ausmacht, zeigt eine scheinbar einfache Frage: „Welcher Handytarif ist günstiger?“ Derselbe Tarif kann im ersten Monat günstiger sein und über zwei Jahre mehr kosten.

„Günstigster Tarif“ lässt die Vergleichsgröße offen. Soll das Sprachmodell den beworbenen Monatspreis, die Grundgebühr im ersten Jahr oder die Gesamtkosten inklusive Anschlussgebühr vergleichen? Prompt Engineering macht aus der Frage einen prüfbaren Auftrag. Eine robuste Vorlage liefert auch dann eine brauchbare Antwort, wenn eine Preisangabe fehlt oder zwei Quellen einander widersprechen.

Was ist ein Prompt?

Ein Prompt ist die Eingabe, mit der du einem KI-Modell eine Aufgabe stellst. Text, Dokumente und Bilder können Teil dieser Eingabe sein. Im Chat liefert der bisherige Gesprächsverlauf zusätzlichen Kontext. Die Anweisung „Nimm denselben Zeitraum“ kann dort ausreichen. In einer wiederverwendbaren Prompt-Vorlage braucht der Zeitraum einen festen Wert oder einen Platzhalter.

Ein Sprachmodell erzeugt die Antwort aus dem verfügbaren Kontext und seinen gelernten Modellparametern. Text verarbeitet es in Einheiten, den Tokens. Neue Tariftexte im Prompt erweitern den Kontext der aktuellen Anfrage. Die Modellgewichte bleiben unverändert. Beim Fine-Tuning werden Parameter mit zusätzlichen Trainingsbeispielen angepasst. Für eine neue Preisphase genügt als Quelle der aktualisierte Angebotstext.

Wie schreibt man einen guten Prompt?

Welche Angaben gehören in einen Prompt?

Die Zielgruppe bestimmt, welche Ausgabe nützlich ist. Wer einen Tarif auswählt, braucht Gesamtpreis, Rechenweg und offene Pflichtgebühren. Eine Werbetexterin braucht für dieselben Tarifdaten vielleicht einen kurzen Teaser. Derselbe sprachlich gelungene Text kann das Marketingziel erfüllen und als Entscheidungshilfe durchfallen.

Ein guter Prompt löst Mehrdeutigkeiten auf. „Sei ausführlich und präzise“ lässt den Vergleichszeitraum offen. „Rechne mit 24 Monaten“ legt ihn fest. Prüfe auch konkurrierende Anweisungen: „Nenne immer einen Sieger“ kollidiert mit „Ergänze keine fehlenden Preise“, sobald eine unbekannte Pflichtgebühr die Rangfolge umkehren könnte.

Wann hilft eine Rolle im Prompt?

Role Prompting gibt dem Modell eine Perspektive. „Schreibe für jemanden, der zum ersten Mal selbst einen Mobilfunkvertrag auswählt“ legt Wortwahl und Erklärungsbedarf besser fest als „Du bist der weltbeste Tarifexperte“. Die Rolle kann die Tonalität einer Antwort verändern. Ob die Anschlussgebühr im Gesamtpreis enthalten ist, entscheidet dagegen die Rechenregel.

In einer Prompt-Vorlage können Zielgruppe und Tonalität gleich bleiben, während Tariftexte und Stichtag als variable Eingabefelder wechseln. Eine Abschnittsmarke wie „Angebotstexte“ trennt den Arbeitsauftrag vom Quellenmaterial. Anwendungen können dauerhafte Vorgaben als System- oder Entwickleranweisung und den aktuellen Auftrag als Nutzeranfrage übergeben.

Prompt Engineering Beispiel: Zwei Angebote richtig vergleichen

Vom ersten Auftrag zum kopierbaren Prompt

Tarif A hat einen niedrigen Einstiegspreis, Tarif B eine konstante Grundgebühr. Kopiere den Prompt mit beiden fiktiven Angebotstexten in einen neuen Chat. Die Sollrechnung steht unter der Vorlage.

Vergleiche die Grundkosten der folgenden Tarife für genau 24 Monate.
Nutze ausschließlich die Angaben unter „Angebote“.
Rechne jede Preisphase mit ihrer Monatszahl und addiere die Anschlussgebühr.
Nenne pro Tarif: Rechnung, Gesamtkosten und fehlende Pflichtangaben.
Fehlt eine Pflichtgebühr, lass die Gesamtsumme offen. Nenne die bekannten Kosten
und frage nach der fehlenden Angabe. Wenn möglich, berechne den Grenzpreis,
bei dem beide Tarife gleich teuer sind.
Gib zuerst die Vergleichstabelle aus, dann die Entscheidung in einem Satz.

Angebote:
A: Monat 1 bis 6 je 10 Euro, ab Monat 7 je 20 Euro. Anschluss einmalig 19 Euro.
B: Monatlich 18 Euro. Der Anschlusspreis beträgt 0 Euro.

Die Sollrechnung ergibt: Tarif B kostet über 24 Monate sieben Euro weniger. Nach zwölf Monaten läge hingegen Tarif A mit 199 Euro vor Tarif B mit 216 Euro. Eine Antwort kann also rechnerisch korrekt sein und trotzdem den falschen Tarif empfehlen, wenn sie den Vergleichszeitraum stillschweigend ändert. Mit der ausgeschriebenen Rechnung erkennst du sofort, welche Frage das Modell beantwortet hat.

Was soll die KI tun, wenn eine Angabe fehlt?

Ersetze im Angebot B den Satz „Der Anschlusspreis beträgt 0 Euro“ durch „Der Anschlusspreis wird bei Bestellung angezeigt“. Nun sind 432 Euro die bekannten Grundgebühren. Der Gesamtpreis lautet 432 Euro plus unbekannter Anschlusspreis. Das Modell kann trotzdem etwas Nützliches ableiten: Unter sieben Euro Anschlussgebühr bleibt B günstiger. Bei genau sieben Euro herrscht Gleichstand, oberhalb davon ist A günstiger.

Die gezielte Rückfrage lautet: „Wie hoch ist der Anschlusspreis von Tarif B?“ Ein Prompt, der immer eine vollständige Summe erzwingt, begünstigt eine erfundene Null. Ein Prompt, der jede Berechnung bei fehlenden Daten untersagt, verliert die bekannte Kostenschwelle. Als Ausweichregel eignet sich: Berechne den bekannten Teil, kennzeichne die offene Angabe und frage nur nach diesem Wert.

Quelle: datenbasiert.de

Welche Prompting-Techniken gibt es?

Zero-Shot, One-Shot und Few-Shot Prompting

Beim Zero-Shot Prompting erhält das Modell einen Arbeitsauftrag ohne vorgeführte Musterlösung. Der Tarifprompt oben ist ein Beispiel: Beide Angebote sind Eingabedaten, keine Demonstrationen. Beim One-Shot Prompting kommt ein gelöstes Beispiel hinzu. Beim Few-Shot Prompting zeigen mehrere Paare aus Eingabe und gewünschter Ausgabe, welche Regel bei unterschiedlichen Fällen gelten soll.

Besonders hilfreich sind Beispiele, die sprachlich ähnlich aussehen und unterschiedliche Antworten verlangen. Für die Extraktion von Anschlussgebühren könntest du dem Modell vor dem eigentlichen Auftrag diese Muster zeigen:

Aufgabe: Lies nur die einmalige Anschlussgebühr aus.
Gib den Betrag in Euro als Zahl aus. Ist er unbekannt, gib null aus.

Eingabe: „Für den Anschluss berechnen wir einmalig 19 Euro.“
Ausgabe: 19
Eingabe: „Der Anschlusspreis entfällt.“
Ausgabe: 0
Eingabe: „Informationen zum Anschluss erhalten Sie bei der Bestellung.“
Ausgabe: null

Neue Eingabe: „[Angebotstext hier einfügen]“

Der Unterschied ist fachlich bedeutsam: Eine erlassene Anschlussgebühr ist eine bekannte Zahl, eine fehlende Preisangabe ein unbekannter Wert. Das Sprachmodell nutzt die Demonstrationen während der aktuellen Anfrage. Dieses In-Context Learning lässt sich mit einem neuen Testfall prüfen: Ordnet das Modell „Bereitstellung inklusive“ ebenfalls dem Zahlenwert 0 zu?

Constraint Prompting und strukturierte Ausgaben

Beim Constraint Prompting setzt du Grenzen, etwa eine maximale Antwortlänge, erlaubte Kategorien oder feste Datenfelder. Für einen Menschen ist eine Vergleichstabelle bequem. Soll Software die Antwort verarbeiten, erleichtert ein festes JSON-Format die Weiterverarbeitung. Das folgende Beispiel ist ein eigener, kopierbarer Extraktionsprompt. Er isoliert die Preisangabe, bevor eine weitere Funktion die Gesamtkosten berechnet.

Extrahiere aus dem Quelltext genau ein JSON-Objekt mit drei Feldern:
tarif: Tarifbezeichnung als Text.
anschluss_euro: einmalige Anschlussgebühr als Zahl in Euro.
  Setze 0 nur bei ausdrücklich kostenfreiem Anschluss.
  Fehlt ein eindeutiger gültiger Betrag, setze null.
beleg: Wörtliche Textstelle zur Anschlussgebühr. Fehlt sie, setze null.
Gib ausschließlich das JSON-Objekt aus.

Quelltext:
Tarif B. Monatlich 18 Euro. Anschlusspreis auf Anfrage.

Die erwartete JSON-Ausgabe lautet {"tarif":"B","anschluss_euro":null,"beleg":"Anschlusspreis auf Anfrage."}. Der JSON-Wert null steht für „unbekannt“, die Zahl 0 für „kostenfrei“. Die Zeichenfolge "0" verletzt die Typvorgabe. Ein Parser prüft die JSON-Syntax, eine Schemavalidierung die Pflichtfelder und Datentypen. Ob der Betrag stimmt, zeigt erst der Abgleich zwischen extrahiertem Wert und Belegstelle.

Was bringt die Aufteilung in Teilschritte?

Bei einer falschen Summe hilft die Trennung von Extraktion und Rechnung. Beim Prompt Chaining liefert ein erster Prompt Preisphasen und Belegstellen. Eine Rechenfunktion multipliziert Monatszahl und Monatspreis. Ein zweiter Prompt erklärt das geprüfte Ergebnis für die Zielgruppe. Jetzt lässt sich der Fehler lokalisieren: Stimmt die extrahierte Preisphase, prüfst du die Rechenregel. Steht bereits im Datenfeld der falsche Preis, prüfst du Quelle und Extraktionsprompt.

Chain-of-Thought Prompting bezeichnet Techniken, die Zwischenschritte bei der Bearbeitung einer Aufgabe anregen. Für den Tarifvergleich brauchst du als Leser die prüfbare Rechnung, etwa „6 × 10 + 18 × 20 + 19“. Eine lange Erklärung, wie das Modell angeblich nachgedacht hat, liefert dafür keinen zusätzlichen Beleg. Auch bei Reasoning-Modellen genügt hier ein präziser Arbeitsauftrag mit den gewünschten Nachweisen.

Prompt Engineering testen: Woran erkennt man einen besseren Prompt?

Wie baut man einen Testsatz für Prompts auf?

Lege die erwarteten Antworten fest, bevor du Prompt-Versionen vergleichst. Sonst gewinnt leicht der Text, der überzeugender klingt. Für die Anschlussgebühr ist das Erfolgskriterium messbar: Stimmen Datenfeld, Zahlenwert beziehungsweise null und zugehörige Textstelle? Ein Testfall sollte auch dann als fehlerhaft zählen, wenn die richtige Zahl mit einem unpassenden Zitat begründet wird.

Belasse für jeden Testfall die Tarifbezeichnung „Tarif B“ im Quelltext des Extraktionsprompts. Tausche nur den Satz zur Preisangabe gegen die jeweilige Testeingabe aus. Die Sollwerte bleiben für das Modell unsichtbar. Sie dienen dem anschließenden Vergleich:

Die Preisspanne im letzten Testfall zeigt eine Grenze des Schemas. Ein einzelnes numerisches Datenfeld kann 10 bis 25 Euro nicht verlustfrei speichern. Für einen Angebotsvergleich wären zusätzliche Felder für Unter- und Obergrenze sinnvoll. Eine präzisere Anweisung kann eine fehlende Ausdrucksmöglichkeit im Ausgabeschema nicht ersetzen.

Wie vergleicht man zwei Prompt-Versionen?

Ändere pro Vergleich möglichst eine Anweisung. Version A: „Lies die einmalige Gebühr aus.“ Version B ergänzt: „Extrahiere nur die Anschlussgebühr. Gerätepreise gehören in ein anderes Feld.“ Halte Modellversion, Sampling-Parameter und Testsatz konstant. Starte jede Testeingabe in einem neuen Chat, damit frühere Antworten keine unbeabsichtigten Few-Shot-Beispiele liefern.

Angenommene Testergebnisse: Vier korrekte Feldwerte bei sechs Testfällen ergeben 66,7 Prozent Feldgenauigkeit für Version A. Fünf korrekte Werte ergeben 83,3 Prozent für Version B. Der Unterschied entspricht einem Testfall. Für die Freigabe zählt die Fehlerart: Ein erfundener Nullpreis kann die Kaufentscheidung umkehren, eine korrekte Rückfrage hält sie offen.

Für die Evaluation lohnen getrennte Kennzahlen für Formatkonformität, fachliche Richtigkeit und Aufwand. Gültiges JSON kann einen falschen Preis enthalten. Die Kosten pro brauchbarer Ausgabe ergeben sich aus den Gesamtkosten des Testlaufs geteilt durch die Anzahl akzeptierter Antworten. Mit diesem Maß gehen auch Wiederholungen in den Vergleich ein. Welche Kennzahl zu welcher Frage passt, erklärt unser Beitrag zur Datenanalyse.

Für eine Freigabe kannst du die Prüfkriterien als kleine Bewertungsrubrik festhalten: „Format korrekt“, „Betrag korrekt“, „Beleg korrekt“. Besteht eine Ausgabe nur die Formatprüfung, bleibt sie fachlich fehlerhaft. Bewahre einige ungenutzte Testfälle als abschließenden Testsatz auf. Sonst optimierst du die Prompt-Version womöglich so lange auf die bekannten Formulierungen, bis sie nur noch diesen Beispielen gerecht wird.

Wo wird Prompt Engineering eingesetzt?

Prompts für Texte, Datenanalyse und Softwareentwicklung

Beim Schreiben bestimmt die Lesesituation den Kontext. „Verfasse eine Absage“ lässt den Adressaten offen. Präziser ist dieser Prompt: „Sage meinen Platz im Abendkurs ab. Bedanke dich für die Reservierung und bitte um eine Bestätigung. Nenne keinen Absagegrund.“ Die letzte Anweisung legt fest, dass der Entwurf ohne private Begründung auskommen soll.

Bei der Textanalyse muss die Extraktion den Wert der richtigen Entität zuordnen. In „Router 39 Euro, Anschluss 5 Euro“ sind beide Beträge echt. Nur einer gehört zum Anschluss. Für offene Informationsanfragen kann stattdessen eine Zerlegung in Teilfragen sinnvoll sein. Eine verwandte Suchtechnik beschreibt unser Artikel über Query Fan Out.

Was ist multimodales Prompting?

Beim multimodalen Prompting kombiniert die Eingabe unterschiedliche Formen, etwa Text und Bild. Ein Screenshot mit zwei nebeneinanderstehenden Preiskarten braucht einen eindeutigen Bezug: „Extrahiere die Anschlussgebühr aus der linken Preiskarte für Tarif A. Nenne die sichtbare Beschriftung als Beleg.“ Ist ein Wert abgeschnitten, gehört das in die Antwort. Ein gut lesbarer Betrag aus der Nachbarspalte wäre eine präzise Abschrift der falschen Quelle.

Bei der Bildgenerierung ändern sich Ausgabeformat und Prüfkriterien. „Zeichne eine Person am Fahrkartenautomaten, Seitenansicht, die ausgestreckte Hand auf Höhe des Kartenlesers“ legt Motiv, Perspektive und Handlung fest. Der Entwurf lässt sich gegen diese Vorgaben prüfen. Ein Preisdiagramm braucht dagegen verifizierte Datenwerte und beschriftete Achsen. Dafür ist eine Grafik aus geprüften Tabellendaten die verlässlichere Ausgabe.

Wie verwaltet man Prompts in der Praxis?

Was gehört in eine Prompt-Bibliothek?

Speichere eine wiederverwendbare Vorlage zusammen mit ihrem Einsatzzweck, den erwarteten Eingabefeldern und mindestens einem Regressionstest. Beim Tarifprompt sollte ersichtlich sein, ob die Vorlage Anschlussgebühren extrahiert oder vollständige Angebote vergleicht. Der Extraktionsprompt liefert Datenfelder. Der Vergleichsprompt liefert Rechnung und Entscheidung. Entsprechend brauchen beide Vorlagen eigene Prüfkriterien. Eine eindeutige Versionsnummer verbindet die freigegebene Anweisung mit den Ergebnissen ihres Tests.

Zum Betrieb, häufig PromptOps genannt, gehören Versionierung, Evaluation und Monitoring. Wer die Prompt-Bibliothek betreut, führt nach einem Modellwechsel denselben Testsatz als Regressionstest erneut aus. Bei schwankenden Antworten sind mehrere Durchläufe pro Eingabe aufschlussreicher als ein einzelner günstiger Lauf. Protokolliere Modellversion, Prompt-Version und, soweit einstellbar, Sampling-Parameter wie die Temperatur. So lässt sich später nachvollziehen, unter welchen Bedingungen sich die Ausgabe geändert hat.

Wie geht man mit fremden Dokumenten und Prompt Injection um?

Bei Retrieval-Augmented Generation (RAG) sucht eine Anwendung passende Dokumentauszüge und gibt sie dem Modell als Kontext für die Antwort. Für wechselnde Tarifpreise kann das sinnvoller sein als eine lange Prompt-Bibliothek mit fest eingetragenen Beträgen. Die Auswahl der richtigen Quelle ist dabei eine eigene Aufgabe: Ein korrekt zitierter Vorjahrespreis bleibt für das aktuelle Angebot der falsche Preis.

Fremde Dokumente können neben Daten auch Aufforderungen enthalten. Bei einer Prompt Injection beeinflussen solche Inhalte das Verhalten des Modells entgegen der vorgesehenen Aufgabe. Deutlich beschriftete Quellenabschnitte erleichtern die Zuordnung für das Modell. Berechtigungen und Freigaben gehören in die Software. Ein Auftrag zur Datenextraktion braucht weder Schreibzugriff noch die Berechtigung zum Vertragsabschluss. Für unseren Preisvergleich genügt lesender Zugriff auf die Angebote.

Bei einer Qualitätsprüfung im Team ergänzen sich fachliche Tests und Sicherheitstests. Bei Prompt Leakage geht es um die unbeabsichtigte Offenlegung interner Anweisungen, bei Bias Amplification um die Verstärkung von Verzerrungen. Für den Kundenservice bietet sich ein Vergleichstest mit inhaltlich identischen Anfragen an, bei denen nur der Name variiert. Gleiche Tarifdaten sollten zu derselben Preisberechnung und denselben Rückfragen führen. Solche Testfälle gehören mit ihrer Sollantwort in die Prompt-Bibliothek.

Quelle: datenbasiert.de