Zum Hauptinhalt
nobreakpoints

Prompt Engineering

Die Kunst, Anweisungen fuer KI-Modelle so zu formulieren, dass sie optimale Ergebnisse liefern.

AIAnfängerpromptingllmbest-practices

Was ist Prompt Engineering?

Prompt Engineering beschreibt die systematische Gestaltung von Eingaben (Prompts) an KI-Modelle, um praezise und nuetzliche Ausgaben zu erhalten. Es ist eine Kernkompetenz fuer jeden, der mit LLMs arbeitet.

Wichtige Techniken

1. System Prompts

Definiere die Rolle und das Verhalten des Modells:

Du bist ein erfahrener Python-Entwickler.
Erklaere Code klar und praegnant.
Nutze deutsche Fachbegriffe wo moeglich.

2. Few-Shot Prompting

Gib Beispiele fuer das gewuenschte Format:

Uebersetze technische Begriffe:
- "API" → "Programmierschnittstelle"
- "Cache" → "Zwischenspeicher"
- "Deploy" → ?

3. Chain of Thought

Fordere schrittweises Denken an:

Erklaere Schritt fuer Schritt, wie du diesen Bug analysieren wuerdest.
Denke laut nach bevor du die Loesung gibst.

4. Constraints setzen

Antworte in maximal 3 Saetzen.
Nutze nur Informationen aus dem gegebenen Kontext.
Wenn du dir unsicher bist, sage das explizit.

Code-Beispiel

const response = await generateText({
  model: anthropic("claude-sonnet-4-6"),
  system: `Du bist ein Code-Reviewer.
Analysiere den Code auf: Bugs, Performance, Lesbarkeit.
Formatiere dein Feedback als Markdown-Liste.`,
  prompt: `Review diesen Code:\n\n${codeSnippet}`,
});

Best Practices

  • Sei spezifisch: "Schreibe eine Python-Funktion" statt "Schreibe Code"
  • Gib Kontext: Erklaere den Hintergrund deiner Anfrage
  • Iteriere: Verfeinere deinen Prompt basierend auf den Ergebnissen
  • Trenne Anweisungen von Daten: Nutze klare Abgrenzungen (XML-Tags, Trennlinien)

Verwandte Begriffe

Inhouse statt Nachschlagewerk

Für den Transfer ins Unternehmen sind die Inhouse-Schulungen der passende nächste Schritt.

Schulungen ansehen