Zum Inhalt springen
ReviewRamble

Der wöchentliche Brief

KI im Test, in deinem Postfach.

  • Neue Tests von Tools, Modellen, MCP-Servern und Repos, mit dem Urteil vorneweg
  • Neu geprüfte Preise und Bewertungen, wenn sich etwas ändert
  • Neue Analysen, sobald sie erscheinen

Modelle, Agenten, MCP-Server und die Tools, die deine Zeit wirklich wert sind.

Eine E-Mail pro Woche. Abmelden kannst du dich über den Link in jedem Brief. Wie wir deine E-Mail-Adresse nutzen

Prompt Engineering

Prompt Engineering ist die Praxis, die Anweisungen und Beispiele für ein Sprachmodell so zu schreiben, zu strukturieren und zu testen, dass es die Ausgabe liefert, die eine Anwendung braucht, ohne die Gewichte des Modells zu ändern.

Auch: prompting

Von Divya Sharma · Geprüft am 15. Nov. 2026 · So testen wir

Ein Sprachmodell reagiert auf Text, also verändern Wortlaut, Reihenfolge und Struktur dieses Textes das Ergebnis. Prompt Engineering ist die Arbeit, einen Prompt zu finden, der für eine Aufgabe verlässliche Antworten liefert, und ihn dann mit echten Eingaben zu prüfen.

Gängige Techniken

- Klare, direkte Anweisungen, die Aufgabe, Zielgruppe und Format nennen. - Eine Rolle und feste Regeln im System-Prompt. - Ausgearbeitete Beispiele, bekannt als Few-Shot-Prompting, um Format und Ton zu zeigen, die du willst. - Das Modell bitten, Schritt für Schritt zu denken, wie beim Chain-of-Thought-Prompting. - Trennzeichen wie XML-Tags oder Überschriften, um Anweisungen von Daten zu trennen. - Structured Output anfordern, wenn Code die Antwort parsen soll.

Warum es wichtig ist

Prompt-Änderungen sind günstig und schnell im Vergleich zu Fine-Tuning. Sie sind meist das Erste, was man versucht, wenn ein Modell das falsche Format liefert, eine Regel übersieht oder zu ungenau antwortet. Weil eine kleine Änderung im Wortlaut die Ergebnisse verschieben kann, gilt es als gute Praxis, einen Satz Testeingaben vorzuhalten und Prompt-Versionen daran zu vergleichen, wie unter LLM-Evaluation beschrieben.

Unterschied zu Context Engineering

Anthropic beschreibt Context Engineering als die natürliche Weiterentwicklung des Prompt Engineering. Prompt Engineering konzentriert sich auf das Schreiben der Anweisungen. Context Engineering umfasst alles andere, was während eines Laufs in der Eingabe des Modells landet, etwa abgerufene Dokumente, Tool-Ergebnisse und Gesprächsverlauf, und ist ein größeres Thema für Agenten, die über viele Runden arbeiten.

Grenzen

Ein Prompt kann kein Wissen hinzufügen, das dem Modell fehlt, und kein Verhalten garantieren. Prompts, die auf ein Modell abgestimmt sind, brauchen oft Änderungen, wenn du das Modell wechselst.

Verwandte Begriffe

Few-Shot Prompting
Few-Shot Prompting (Prompting mit wenigen Beispielen) bedeutet, einem Sprachmodell im Prompt eine Handvoll durchgearbeiteter Beispiele einer Aufgabe zu geben, damit es das Muster ohne erneutes Training auf eine neue Eingabe übertragen kann.
System-Prompt
Ein System-Prompt ist der Block von Anweisungen, den eine Anwendung vor den Nachrichten des Nutzers an ein Sprachmodell schickt. Er legt Rolle, Regeln, Ton und Ausgabeformat des Modells für die ganze Unterhaltung fest.
Context Engineering
Context Engineering (Kontextgestaltung) ist die Praxis, alles auszuwählen und zu pflegen, was während einer Aufgabe in das Kontextfenster eines Sprachmodells gelangt: Anweisungen, abgerufene Dokumente, Tool-Definitionen, Tool-Ergebnisse und Gesprächsverlauf.
Chain-of-Thought
Chain-of-Thought (CoT, Gedankenkette) ist eine Prompting-Methode, bei der ein Sprachmodell vor seiner endgültigen Antwort Zwischenschritte seines Denkens ausschreibt, was Ergebnisse bei Mathematik, Logik und anderen mehrstufigen Aufgaben meist verbessert.
LLM-Evaluierung
LLM-Evaluierung (LLM Evaluation), oft Evals genannt, misst, wie gut ein Modell oder eine KI-Anwendung eine Aufgabe erledigt, indem man es auf einem Satz von Testfällen laufen lässt und die Ausgaben nach festgelegten Kriterien bewertet, per Code, durch Menschen oder durch ein anderes Modell.

Quellen