Ein Prompt ist die Anweisung samt Kontext, die einem Modell zum Zeitpunkt der Inferenz übergeben wird. Da große Modelle In-Context-Learning beherrschen (Brown et al., 2020), ist der Prompt – nicht ein erneutes Training – für die meisten Nutzer das wichtigste Mittel, um das Verhalten zu steuern. Einen Überblick über die systematische Erforschung von Prompting-Methoden geben Liu et al. (2023).
Wirksame Prompts formulieren die Aufgabe klar, liefern relevanten Kontext oder Beispiele und legen das gewünschte Format fest. Schon kleine Änderungen im Wortlaut können die Ergebnisse spürbar verändern – genau deshalb gibt es Prompt Engineering.
Was ist Prompt Engineering?
Prompt Engineering ist die Fähigkeit, Prompts gezielt zu schreiben, zu testen und weiterzuentwickeln, statt nach dem Prinzip Versuch und Irrtum vorzugehen. Sie verändern nicht das Modell, sondern seine Eingabe: Sie machen die Aufgabe explizit, geben dem Modell den nötigen Hintergrund, zeigen, wie eine gute Antwort aussieht, und legen fest, wie das Ergebnis strukturiert sein soll.
Das gilt für den alltäglichen Chat genauso wie für Entwickler, die auf einer API aufbauen. Bei Anwendungen umfasst Prompt Engineering außerdem den System-Prompt, der Rolle und Regeln eines Modells festlegt, sowie die Abwehr von Prompt Injection. OpenAI, Anthropic und Google veröffentlichen jeweils Prompting-Leitfäden für ihre eigenen Modelle (siehe Quellen unten).
Prompt-Engineering-Techniken, die funktionieren
Dieselbe Anfrage – zuerst vage formuliert, dann mit der jeweiligen Technik:
| Technik | Vager Prompt | Besserer Prompt |
|---|---|---|
| Konkret werden | „Fasse das zusammen.“ | „Fasse diesen Bericht für eine viel beschäftigte Finanzchefin in fünf Stichpunkten zusammen, mit Fokus auf die Kosten.“ |
| Kontext geben | „Beantworte diese E-Mail.“ | „Sage dieses Meeting höflich ab und schlage stattdessen Dienstagnachmittag vor. E-Mail unten: …“ |
| Ein Beispiel zeigen | „Klassifiziere diese Bewertungen.“ | „Kennzeichne jede Bewertung als Positiv, Negativ oder Gemischt. Beispiel: ‚Schnelle Lieferung, Deckel kaputt‘ → Gemischt.“ |
| Nach der Begründung fragen | „Was ist die Antwort?“ | „Gehe Schritt für Schritt vor und gib dann die endgültige Antwort in einer eigenen Zeile an.“ |
| Das Format festlegen | „Vergleiche diese Tarife.“ | „Vergleiche die drei Tarife in einer Tabelle: Preis, Limits, ideal für.“ |
Ausgearbeitete Beispiele hinzuzufügen nennt man Few-Shot-Prompting; bei einfachen Aufgaben genügt oft schon eine klare Anweisung allein (Zero-Shot). Die Bitte um schrittweises Denken (Chain of Thought) hilft meist bei mehrstufigen Mathe- und Logikaufgaben. Was Sie auch ausprobieren: Prüfen Sie das Ergebnis und verfeinern Sie den Prompt anhand dessen, was schiefgelaufen ist.
Prompt Engineering bei MultipleChat
Der Prompt Optimizer von MultipleChat verbessert einen groben Prompt, bevor Sie ihn absenden. Da derselbe Prompt nebeneinander auf ChatGPT, Claude, Gemini, Grok und Perplexity laufen kann, sehen Sie außerdem, wie eine geänderte Formulierung die Antwort jedes Modells verschiebt.