Prompt Engineering 101: Ein Einsteigerleitfaden für bessere KI-Ergebnisse
22. September 2026
„Prompt Engineering" klingt nach einer spezialisierten technischen Fähigkeit, aber das meiste, was KI-Ausgaben tatsächlich verbessert, läuft auf eine Handvoll Gewohnheiten hinaus, die jeder an einem Nachmittag lernen kann. Keine davon sind Tricks oder Zauberformeln – sie funktionieren wegen der Art, wie Sprachmodelle Anweisungen tatsächlich verarbeiten, und das Warum zu verstehen macht es viel einfacher, sie konsequent anzuwenden.
Warum zählt Spezifität mehr als Cleverness?
Ein Modell hat keinen Zugriff auf den Kontext in Ihrem Kopf – es hat nur die Wörter, die Sie tatsächlich eingegeben haben. „Schreib etwas über unser Produkt" überlässt es dem Modell, Ihre Tonalität, Zielgruppe, Länge und Ihr Ziel zu erraten, und es wird etwas Plausibles, aber Generisches erraten. „Schreib einen 100-Wörter-LinkedIn-Post, der unser Produkt Kleinunternehmern ankündigt, selbstbewusst, aber nicht verkäuferisch im Ton, endend mit einer Frage" beseitigt fast dieses gesamte Rätselraten. Spezifität ist keine stilistische Vorliebe, sie liefert direkt die Information, die das Modell braucht und sonst nicht hat.
Warum verbessern Beispiele die Ausgabe mehr als längere Anweisungen?
Einen gewünschten Stil abstrakt zu beschreiben („mach es prägnant und professionell") ist inhärent mehrdeutig – prägnant und professionell bedeuten für verschiedene Menschen Unterschiedliches, und das Modell muss raten, welche Version Sie meinen. Ein oder zwei Beispiele des genauen Stils, Formats oder der Tonalität zu geben, die Sie wollen, verankert das Modell an etwas Konkretem statt an einer abstrakten Beschreibung, was durchgehend zuverlässiger ist, als zu versuchen, den Zielstil mit immer mehr Adjektiven zu beschreiben.
Was bewirkt es tatsächlich, einem Modell eine Rolle oder Persona zu geben?
Eine Anfrage als „Sie sind ein erfahrener Steuerberater, der dies einem Erstanmelder erklärt" zu formulieren, bewirkt zwei echte Dinge: Es grenzt den Raum plausibler Antworten auf die Konventionen und das Vokabular dieser Domäne ein, und es legt implizit eine angemessene Tonalität und ein angemessenes angenommenes Wissensniveau fest, ohne dass Sie dies separat ausformulieren müssen. Es ist eine kompakte Methode, Zielgruppen- und Fachwissensinformationen zu kodieren, die sonst mehrere Sätze bräuchten, um explizit spezifiziert zu werden.
Warum führt das Aufteilen einer komplexen Anfrage in Schritte zu besseren Ergebnissen als ein großer Prompt?
Ein einziger dichter Prompt, der Recherche, Analyse und formatierte Ausgabe gleichzeitig verlangt, zwingt das Modell, mehrere Ziele gleichzeitig zu jonglieren, und die Qualität bei jedem einzelnen kann darunter leiden. Dieselbe Anfrage in sequenzielle Schritte aufzuteilen – erst die Struktur skizzieren, dann jeden Abschnitt entwerfen, dann überprüfen und straffen – lässt das Modell sich jeweils voll auf ein Ziel konzentrieren und ermöglicht es Ihnen, Zwischenergebnisse zu überprüfen und zu korrigieren, bevor sie sich im Endergebnis aufsummieren. Das zählt am meisten bei wirklich komplexen, mehrteiligen Aufgaben; einfache Anfragen brauchen das nicht.
Lohnt es sich, einem Modell zu sagen, was es NICHT tun soll, oder verwirrt das nur?
Negative Anweisungen („kein Unternehmensjargon", „kein Schlussabsatz") funktionieren, sind aber im Allgemeinen weniger zuverlässig als positive Anweisungen, die beschreiben, was Sie tatsächlich wollen, weil das Modell trotzdem etwas erzeugen muss und ein Fehlen schwerer anzuvisieren ist als ein Vorhandensein. „Sei nicht zu förmlich" ist schwächere Führung als „schreibe in einem lockeren, gesprächigen Ton, als würdest du es einem Freund erklären" – Zweiteres gibt dem Modell etwas Konkretes, worauf es abzielen kann, statt nur eine Grenze, die es vermeiden soll.
Warum fühlt sich der erste Entwurf eines Modells selten wie die fertige Version an?
Die erste Antwort eines Modells auf einen nicht-trivialen Prompt ist seine einzige beste Vermutung, alles in Ihren Anweisungen auf einmal zu erfüllen – es hat Ihre Reaktion noch nicht gesehen. Die erste Ausgabe als Entwurf zu behandeln, an dem iteriert wird, statt als endgültige Antwort, die man vollständig annimmt oder ablehnt, ist durchgehend produktiver: Konkret zu benennen, was falsch ist („kürzer", „konkretere Beispiele", „streich den zweiten Absatz") und um eine Überarbeitung zu bitten, kommt meist schneller dem tatsächlich Gewollten näher, als beim ersten Versuch den perfekten Prompt schreiben zu wollen.