Was ist Prompt Engineering? Ein praktischer Leitfaden für Nicht-Entwickler
Prompt Engineering bedeutet, Anweisungen für ein KI-Modell so zu schreiben und zu verfeinern, dass es zuverlässig das liefert, was du willst. Ein Prompt ist alles, was du dem Modell gibst – eine Frage, eine Aufgabe, etwas Kontext, Beispiele. Prompt Engineering heißt, bewusst zu entscheiden, was hineinkommt, zu prüfen, was herauskommt, und nachzusteuern. Es geht weniger um magische Formulierungen als um klare Kommunikation.
Warum es beim Bauen mit KI wichtig ist
Bei einem KI-App-Builder sind deine Prompts die Spezifikation. Die KI kann nur bauen, was du beschreibst, und wenn deine Anfrage Lücken lässt, füllt sie diese mit plausibel klingenden Annahmen. Manchmal passen sie. Oft aber nicht: falsche Felder in einem Formular, eine Funktion, die du nicht wolltest, ein Design, das nicht zu deiner Zielgruppe passt.
Ein klarer Prompt spart dir mehrere Korrekturrunden, und jede Runde kostet Zeit und meist auch Credits. Prompting ist außerdem wichtig, wenn du KI in deine App einbaust: Die Anweisungen, die du diesem Modell gibst, bestimmen, wie dein Chatbot mit Kunden spricht, was er ablehnt und ob er bei deinen Fakten bleibt. Speziell für das Bauen von Apps siehe wie du Prompts für KI-App-Builder schreibst.
Ein Alltagsvergleich
Stell dir vor, du briefst einen erfahrenen Freelancer, der dich noch nie getroffen hat, dein Geschäft nicht kennt und sofort loslegt, sobald du aufhörst zu reden.
„Mach mir ein Logo“ liefert dir ein Logo. „Ein Logo für eine Schwimmschule für Kinder in Dubai; freundlich, nicht kindisch; Blau und Orange; muss auf einer Schwimmkappe klein noch funktionieren; hier sind zwei, die wir mögen, und eines, das wir nicht mögen“ bringt dir etwas, das deiner Vorstellung nahekommt.
Ein KI-Modell ist dieser Freelancer – talentiert, schnell und komplett abhängig von deinem Briefing. Prompt Engineering heißt, ein gutes Briefing zu schreiben.
Die wichtigsten Techniken
| Technik | Was sie bedeutet | Beispiel |
|---|---|---|
| Ziel konkret benennen | Sag, was du willst und warum. | „Eine Buchungsseite, auf der neue Kunden eine 30- oder 60-minütige Sitzung auswählen können.“ |
| Kontext geben | Für wen es ist, was schon existiert, was wichtig ist. | „Die Nutzer sind meist ältere Kunden am Handy.“ |
| „Fertig“ definieren | Beschreibe das fertige Ergebnis. | „Fertig heißt: Ein Kunde kann buchen, und ich bekomme eine E-Mail.“ |
| Grenzen setzen | Was nicht passieren soll, und Limits. | „Noch kein Login einbauen. Die bestehenden Farben beibehalten.“ |
| Beispiele zeigen | Ein Muster davon geben, was gut aussieht. | „Schreibe die Antwort in diesem Stil: …“ |
| Format verlangen | Sag, wie die Ausgabe aufgebaut sein soll. | „Antworte als Tabelle mit den Spalten X, Y, Z.“ |
| In Schritte zerlegen | Bei großen Aufgaben eins nach dem anderen. | „Zuerst das Datenmodell, dann das Formular, dann die E-Mails.“ |
| Nachfragen oder planen lassen | Vor Änderungen einen Plan bekommen. | „Liste vor dem Bauen deine Fragen und einen Plan auf.“ |
| Iterieren | Ergebnis prüfen und verfeinern. | „Das Formular funktioniert. Mach jetzt den Datumswähler größer.“ |
Ein Beispiel: vorher und nachher
Vorher:
Mach eine Fitness-App.
Die KI muss alles raten: Mitglieder oder Personal? Kurse oder Personal Training? Zahlungen? Wahrscheinlich bekommst du ein generisches Dashboard mit erfundenen Trainingsplänen.
Nachher:
Baue eine Web-App für ein kleines Boxstudio mit etwa 150 Mitgliedern.
Wer sie nutzt: Mitglieder buchen Kurse auf ihrem Handy. Die Inhaberin, Sam, verwaltet den Stundenplan am Laptop.
Mitglieder können: die Kurse dieser Woche sehen (Uhrzeit, Trainer, freie Plätze) und bis 2 Stunden vor Beginn buchen oder stornieren.
Sam kann: Kurse hinzufügen, bearbeiten und absagen und sehen, wer in jedem Kurs angemeldet ist.
Regeln: maximal 12 Personen pro Kurs. Keine Doppelbuchung desselben Termins.
Jetzt noch nicht: Zahlungen, Trainingstracking, eine mobile App.
Stil: dunkler Hintergrund, rote Akzente, große Tippflächen.
Bevor du baust, liste alles auf, was unklar ist, und beschreibe die Seiten, die du anlegen wirst.
Der zweite Prompt ist nicht schlau formuliert, sondern vollständig. Er nennt Nutzer, Aktionen, Regeln, was wegbleiben soll und wie die KI anfangen soll. Die letzte Zeile lädt die KI ein zu planen und Fragen zu stellen, was Missverständnisse abfängt, bevor Code entsteht.
Prompts in deiner App
Wenn deine App selbst ein Sprachmodell aufruft, schreibst du Prompts, die viele Male für viele Nutzer laufen. Dieselben Prinzipien gelten, dazu kommen ein paar weitere:
- System-Prompt: dauerhafte Anweisungen, die jede Antwort prägen – Rolle, Tonfall, Regeln. „Du bist der Assistent von Leaf & Pot, einem Pflanzenladen. Beantworte nur Fragen zu Bestellungen, Pflanzen und Lieferung.“
- Grounding: Gib die Fakten mit, die das Modell verwenden soll, etwa deine Richtlinien oder deinen Produktkatalog, und sag ihm, dass es sich darauf stützen soll. Warum das wichtig ist, erklärt was ein LLM ist.
- Ausweichlösungen: Sag ihm, was es tun soll, wenn es unsicher ist: „Wenn die Antwort nicht in den bereitgestellten Informationen steht, sag das und nenne die Support-E-Mail.“
- Ausgabeformat: Wenn dein Code die Antwort auswertet, verlange ein striktes Format wie JSON.
- Testen: Probiere schwierige Eingaben aus – unhöfliche Nachrichten, themenfremde Fragen, Versuche, die Anweisungen zu umgehen (das nennt man Prompt Injection) –, bevor echte Nutzer es tun.
Wichtige Begriffe erklärt
| Begriff | Was er bedeutet |
|---|---|
| Prompt | Die Eingabe, die du einem KI-Modell gibst. |
| System-Prompt | Dauerhafte Anweisungen, die vor dem Gespräch festgelegt werden. |
| Kontext | Hintergrundinformationen, die im Prompt mitgeliefert werden. |
| Zero-Shot / Few-Shot | Fragen ganz ohne Beispiele oder mit einigen Beispielen der gewünschten Ausgabe. |
| Chain of Thought | Das Modell bitten, ein Problem Schritt für Schritt durchzudenken, bevor es antwortet. |
| Grounding | Dem Modell Quellmaterial geben und ihm sagen, dass es sich darauf stützen soll. |
| Prompt Injection | Text, der versucht, die Anweisungen des Modells zu überschreiben, etwa „ignoriere alle vorherigen Anweisungen“. |
| Kontextfenster | Wie viel Text das Modell gleichzeitig berücksichtigen kann. |
| Iteration | Einen Prompt auf Basis des Ergebnisses verfeinern. |
Häufige Fehler und Irrtümer
- Nach Zauberwörtern suchen. „Du bist ein Experte von Weltrang“ ist viel weniger wichtig, als zu sagen, was du tatsächlich brauchst.
- Alles auf einmal verlangen. Eine Anfrage mit 20 Funktionen ergibt 20 halb fertige Funktionen. Baue in Scheiben.
- Die Lösung statt des Problems beschreiben. „Füge eine Tabelle mit drei Spalten hinzu“ hilft weniger als „Sam muss auf einen Blick sehen, wer in jedem Kurs angemeldet ist.“
- Nicht sagen, was nicht sein soll. Wenn du noch kein Login, keine Zahlungen oder kein Redesign willst, sag das.
- Das Ergebnis nicht prüfen. Teste das Gebaute gegen deine Definition von „fertig“, bevor du weitermachst.
- Neu anfangen statt verfeinern. Meist ist eine kurze Nachfrage („Das ist nah dran; ändere X“) besser, als den ganzen Prompt neu zu schreiben.
- Geheimnisse in Prompts einfügen. Füge keine Passwörter oder aktiven API-Schlüssel in den Chat ein, außer das Tool hat einen sicheren Weg, sie zu speichern.
Was du deinen KI-Builder fragen kannst
- „Frag mich vor dem Bauen nach allen offenen Punkten und zeig mir deinen Plan.“
- „Fass in drei Sätzen zusammen, was ich deiner Meinung nach will.“
- „Ändere nur das Buchungsformular und nichts anderes.“
- „Was hast du angenommen, das ich nicht angegeben habe?“
- „Mach aus meinen Notizen eine kurze Spezifikation mit Nutzern, Funktionen, Regeln und ‚noch nicht‘-Punkten.“ Siehe wie du mit KI eine Produktanforderungsbeschreibung schreibst.
- „Schlage vor, wie ich die letzte Anfrage besser hätte formulieren können.“
Prompting in Mythex
Mythex hat drei Chat-Modi, die zu dieser Arbeitsweise passen: Plan, um eine Vorgehensweise abzustimmen, bevor sich etwas ändert, Build, um Änderungen umzusetzen, und Ask für Fragen, die keine Dateien verändern sollen. Du kannst Screenshots oder Entwürfe als Kontext anhängen, und wenn eine Änderung schiefgeht, kannst du zu einem Checkpoint zurückkehren. Die Doku-Seiten zu wirksamen Prompts und Iterieren enthalten weitere Beispiele, und wie du eine mit KI gebaute App iterierst beschreibt die Schleife aus Nachfragen und Anpassen.
Fragen
Was ist Prompt Engineering einfach erklärt?
Prompt Engineering ist die Kunst, Anweisungen für ein KI-Modell so zu schreiben und zu verfeinern, dass es zuverlässig das Ergebnis liefert, das du willst. Dazu gehören, was du fragst, welchen Kontext du mitgibst, Beispiele, Vorgaben und das Format der Antwort.
Brauche ich besondere Tricks oder Zauberwörter?
Eigentlich nicht. Moderne Modelle reagieren am besten auf klare, konkrete und gut gegliederte Anweisungen – also genau das, was auch einem menschlichen Kollegen hilft. Kontext, Beispiele und eine klare Beschreibung des fertigen Ergebnisses sind viel wichtiger als besondere Formulierungen.
Was ist ein System-Prompt?
Ein System-Prompt ist eine Reihe dauerhafter Anweisungen, die dem Modell vor dem Gespräch gegeben werden, etwa zu Rolle, Regeln und Tonfall. Apps nutzen ihn, um jede Antwort zu prägen, während die Nachrichten der Nutzer erst danach kommen.
Wird Prompt Engineering noch gebraucht, wenn KI immer klüger wird?
Bessere Modelle brauchen weniger Umwege, können aber trotzdem keine Gedanken lesen. Wenn du dein Ziel, deine Zielgruppe, deine Vorgaben und deine Vorstellung vom Ergebnis nennst, verbessert das die Resultate immer, weil das Modell nur mit dem arbeiten kann, was du ihm sagst.