Was sind Grundlagen guter Prompts für KI-Tools?

Warum Prompt-Engineering wichtig

Gleiche KI, anderer Prompt = drastisch andere Qualität. Studien (OpenAI 2024): gut formulierte Prompts erhöhen Aufgaben-Quote um 40-200 %. Skill der zunehmend zentral wird.

Fünf Prompt-Bausteine

1. Rolle/Kontext: 'Du bist ein erfahrener Marketing-Stratege.' Setzt Tonalität + Fachperspektive.

2. Aufgabe: was genau soll passieren? 'Schreibe eine Linkedin-Post-Reihe von 5 Posts.'

3. Constraints: was NICHT? 'Maximal 200 Woerter pro Post. Keine Emojis. Keine Phrasen wie In der heutigen Zeit.'

4. Format: wie soll Output aussehen? 'JSON-Array mit post + hashtags pro Eintrag.'

5. Beispiele: 1-3 Beispiele für gutes Output (Few-Shot-Learning). Wirkt stärker als jede Erklärung.

Iterative Verfeinerung

Ersten Output kritisch lesen. Was fehlt? Was ist zu viel? Prompt anpassen + erneut versuchen. Selten ist der erste Prompt perfekt. 3-5 Iterationen pro Aufgabe normal.

System-Prompts wiederverwenden

Wiederkehrende Aufgaben (z.B. 'Schreib eine kurze Antwort an Kunden') brauchen wiederverwendbare System-Prompts. Tools: GPT-Custom-Instructions, Claude-Projects, ChatGPT-Custom-GPTs. Einmal aufgebaut, 100x genutzt.

Chain-of-Thought

Bei komplexen Aufgaben: KI bitten 'Denke Schritt für Schritt' VOR der Antwort. Verbessert Aufgaben-Quote messbar bei Logik + Mathematik. Trade-off: längere Antwort, höhere Kosten.

Anti-Patterns

• Vage Aufgaben: 'Schreib was Gutes' führt zu mediocre Output.

• Zu lange Prompts ohne Struktur: KI verliert Fokus.

• Keine Beispiele bei spezifischem Format-Wunsch: KI raet Format.

• Erst-Output akzeptieren ohne kritische Prüfung: Erst-Versuch ist meist mittelmaessig.

• Sensible Daten an Public-KI: DSGVO-Verstoss + Datenleck-Risiko.

Was du nicht in Prompts geben solltest

• Echte Kunden-Daten (DSGVO).

• Verträge + interne Strategien (Confidentiality).

• Quellcode mit Secrets oder Credentials.

• Medizinische / juristische Beratungs-Anfragen ohne Disclaimer.