Prompt Engineering: Der Leitfaden für bessere KI-Ergebnisse

Der gleiche Chatbot liefert auf zwei unterschiedlich formulierte Fragen zwei völlig unterschiedliche Antworten. Prompt Engineering ist keine Geheimwissenschaft, sondern eine Handvoll Prinzipien, die sich je nach Aufgabe (Text, Code, Bild) leicht unterschiedlich anwenden lassen. Dieser Leitfaden geht die wichtigsten davon konkret durch.

Vier Grundprinzipien, die für jede Aufgabe gelten

• Kontext geben: Rolle, Zielgruppe und Zweck des Ergebnisses nennen, statt nur die nackte Aufgabe
• Format vorgeben: Länge, Struktur, Tonalität explizit festlegen, statt sie dem Zufall zu überlassen
• Beispiele liefern: ein gutes Beispiel spart oft mehrere Korrekturrunden
• Iterieren statt neu starten: eine Antwort gezielt nachbessern lassen ("mach Absatz 2 kürzer") statt den ganzen Prompt neu zu schreiben

Diese vier Punkte erklären den größten Teil des Qualitätsunterschieds zwischen einem vagen Prompt ("schreib mir was über Marketing") und einem präzisen ("schreib eine 150-Wörter-Einleitung für einen B2B-Newsletter, Zielgruppe: Marketingleiter in mittelständischen Unternehmen, Ton: sachlich, ohne Superlative").

Prompting für Text: Struktur schlägt Kreativität-Anweisungen

Bei Textgenerierung bringt die Anweisung "sei kreativer" selten etwas, ein KI-Modell interpretiert das vage. Wirksamer ist es, die gewünschte Struktur vorzugeben: Anzahl der Absätze, ob eine Frage zum Einstieg gehört, ob am Ende eine Handlungsaufforderung stehen soll. ChatGPT und Claude reagieren beide gut auf klar nummerierte Anforderungen in einem Prompt, Claude gilt zusätzlich als stärker darin, einen einmal vorgegebenen Ton über einen langen Text konsistent zu halten.

Prompting für Code: den Kontext der Codebasis mitliefern

Bei Coding-Assistenten wie GitHub Copilot oder Cursor ist der wichtigste Hebel nicht die Formulierung, sondern der mitgelieferte Kontext: welche Datei, welche Funktion, welche Konventionen im Projekt bereits gelten. Ein Prompt wie "schreib eine Funktion, die validiert" liefert generischen Code, ein Prompt mit Beispiel einer bestehenden Funktion aus demselben Projekt liefert Code, der zum Stil des restlichen Codes passt. Cursors Agent-Modus nutzt automatisch mehr Codebasis-Kontext als eine reine Chat-Anfrage, was bei Multi-Datei-Aufgaben spürbar bessere Ergebnisse liefert.

Prompting für Bildgeneratoren: Beschreibung statt Anweisung

Bildgeneratoren wie Midjourney reagieren besser auf beschreibende Prompts (Motiv, Stil, Beleuchtung, Kameraperspektive) als auf Anweisungen im Imperativ. Statt "mach ein schönes Bild von einer Stadt" liefert "Luftaufnahme einer europäischen Altstadt bei Sonnenuntergang, warmes Licht, fotorealistisch" deutlich konsistentere Ergebnisse. Konkrete Referenzen (Stilrichtung, Lichtstimmung) reduzieren die Varianz zwischen mehreren Generierungen desselben Prompts spürbar.