Prompt Engineering: 8 Techniken die wirklich funktionieren

“Schreib mir einen Blogpost über KI” – das ist ein schlechter Prompt. Nicht weil er zu kurz ist, sondern weil er zu wenig Information enthält. Das Modell weiß nicht, für wen, in welchem Ton, welcher Länge und mit welchem Ziel.

Prompt Engineering ist die Kunst, KI-Modelle präzise zu steuern. Hier sind 8 Techniken, die ich täglich nutze.

1. Role-Prompting: Gib dem Modell eine Identität

Statt: “Erkläre mir Aktien” Besser: “Du bist ein erfahrener Finanzberater, der komplexe Themen für absolute Einsteiger erklärt. Erkläre mir, wie Aktien funktionieren.”

Durch die Rollenvergabe aktivierst du spezifisches “Wissen” im Modell und steuerst den Ton. Das funktioniert besonders gut bei: Experten-Erklärungen, Kundendialogen, spezifischen Berufsfeldern.

2. Chain of Thought: Denken in Schritten erzwingen

Füge am Ende deines Prompts hinzu: “Denke Schritt für Schritt.”

Beispiel: “Ich habe ein Online-Business mit 50.000 € Umsatz und will auf 100.000 € skalieren. Analysiere mögliche Strategien. Denke Schritt für Schritt.”

Das Modell arbeitet dann strukturierter und macht weniger Fehler bei komplexen Aufgaben. Besonders wirksam bei: Mathematik, Logik, Planungsaufgaben.

3. Few-Shot Learning: Mit Beispielen trainieren

Zeig dem Modell, was du willst, bevor du fragst:

Hier sind zwei Beispiele für Produkt-Headlines im gewünschten Stil:

Beispiel 1: "Nie wieder schlechten Kaffee – die Maschine, die dein Morgenritual verändert"
Beispiel 2: "Mehr Zeit für das Wesentliche – CRM-Software, die sich selbst füllt"

Schreibe jetzt eine ähnliche Headline für eine KI-Schreibassistenz-App.

Few-Shot Learning ist extrem effektiv für: Tonalitäts-Konsistenz, Formatvorgaben, Marken-Stil.

4. Das Format explizit vorgeben

Wenn du weißt, welches Format du brauchst, sag es:

“Antworte als Markdown-Tabelle mit den Spalten: Tool | Preis | Besonderheit | Empfehlung”

Oder: “Antworte in maximal 3 Stichpunkten, je maximal 15 Wörter.”

Das spart Zeit beim Nachbearbeiten und gibt dir direkt verwendbare Outputs.

5. Das Kontext-Sandwich

Struktur: Kontext → Aufgabe → Ausgabeformat

[Kontext]
Ich betreibe einen B2B-SaaS-Newsletter mit 5.000 Abonnenten im Mittelstand.
Die Leser sind Geschäftsführer und IT-Leiter, die wenig Zeit haben.

[Aufgabe]
Schreibe eine Betreffzeile und einen 3-Satz-Preview-Text für einen Artikel
über KI-Automatisierung im Einkauf.

[Format]
Betreffzeile: maximal 50 Zeichen
Preview-Text: 3 Sätze, Du-Ansprache, kein Buzzword-Bingo

6. Perspektivenwechsel erzwingen

“Welche 3 Gegenargumente würde ein Kritiker gegen diese Idee vorbringen?”

oder

“Spiele den Advocatus Diaboli: Was könnte an meinem Plan schiefgehen?”

Das bricht die KI aus ihrer Standard-Zustimmungs-Tendenz und liefert ehrlichere, kritischere Analysen.

7. Iteratives Verfeinern

Ein Prompt ist selten perfekt beim ersten Versuch. Nutze Follow-up-Prompts:

• “Das ist gut, aber mach es 30% kürzer und schärfer im Ton”
• “Ersetze die zwei letzten Punkte durch konkretere Handlungsempfehlungen”
• “Schreib das Gleiche, aber als würdest du es einem Teenager erklären”

Denke an KI-Arbeit als Kollaboration, nicht als einmalige Anfrage.

8. Constraints setzen

Manchmal hilft es, explizit zu sagen, was das Modell NICHT tun soll:

“Erkläre Quantencomputing. Benutze dabei keine Analogien mit dem menschlichen Gehirn und keine Fachbegriffe ohne sofortige Erklärung.”

Negative Constraints fokussieren das Modell und verhindern typische, ausgelutschte Erklärungsmuster.

Mein Prompt-Template für tägliche Arbeit

ROLLE: [Wer soll das Modell sein?]
KONTEXT: [Was ist der Hintergrund?]
AUFGABE: [Was genau soll gemacht werden?]
EINSCHRÄNKUNGEN: [Was soll vermieden werden?]
FORMAT: [Wie soll die Ausgabe aussehen?]
BEISPIEL (optional): [Zeig, was du meinst]

Nicht jedes Feld ist immer nötig. Aber je komplexer die Aufgabe, desto mehr Felder füllst du aus.

Prompt Engineering ist kein Zauber – es ist strukturiertes Kommunizieren. Wer klar denkt, schreibt klare Prompts und bekommt klare Antworten.