Prompt-Engineering: Muster für bessere LLM-Ergebnisse

Gute Prompts entscheiden über die Qualität von LLM-Antworten. Die wichtigsten Muster im Überblick:

System-Prompt

Definiert Rolle, Ton und Regeln: „Du bist ein Support-Agent. Antworte auf Deutsch, max. 5 Sätze, nenne Quellen.“ Der System-Prompt wirkt über die ganze Konversation.

Few-Shot

Beispiele zeigen das gewünschte Format:

Eingabe: "Termin verschieben" → Kategorie: Termin
Eingabe: "Passwort vergessen" → Kategorie: Account
Eingabe: "Rechnung fehlt" → Kategorie:

Chain-of-Thought

Für Mathematik/Logik: „Denke Schritt für Schritt nach, bevor du antwortest.“ Verbessert Genauigkeit messbar.

Strukturierte Ausgaben

JSON oder XML im Prompt verlangen: „Antworte als JSON: {"kategorie": "...", "prioritaet": 1-5}“. Bei Code: fenced blocks.

Pitfalls

Vage Anweisungen → vage Ergebnisse. Konkret sein.
Negative Anweisungen („nicht erwähnen“) wirken schwächer – positiven Zielzustand beschreiben.
Lange Prompts kosten Tokens – nur Relevantes aufnehmen.

Weiterführend: KI: Praxis.