Was ist ein „Prompt“?
Ein „Prompt“ ist nichts anderes als eine Benutzereingabe – also das, was man in das angebotene Eingabefeld des maschinellen Dialogsystems (Chatbot) schreibt, mit dem man kommunizieren möchte. Hinter dem etwas technisch klingenden Begriff des „Prompt Engineering“ steckt ein ganz einfaches Konzept: Es geht beim „Prompt Engineering“ darum, eine effiziente, in der Regel natürlichsprachliche Eingabe (Input) für ein KI-System zu formulieren, um auf diese Weise die Antwort des Systems, den sogenannten Output, zu optimieren.
Es geht (im Prinzip) auch ohne Prompt Engineering!
Grundsätzlich kann jeder, auch ganz ohne Vorkenntnisse, mit einem Chatbot wie z.B. ChatGPT interagieren: Man kann ein „Gespräch“ beginnen wie mit einem menschlichen Gegenüber, kann Fragen stellen und um Hilfe bitten. Man wird Antworten bekommen, die einen mal mehr, mal weniger zufriedenstellen – und die auch mal mehr, mal weniger zutreffend sind. Bei unbedarftem „Prompting“ – also Eingaben, die ohne Hintergrundkenntnisse zu den Systemen und ihrer Funktionsweise verfasst sind – wird man allerdings insgesamt zu deutlich schlechteren Ergebnissen kommen. Letztlich führt dies dann unweigerlich dazu, die Möglichkeiten der Systeme erheblich zu unterschätzen.
Resultatoptimierung durch sachkundige Prompts
Es lohnt sich daher, sich etwas mehr mit der Funktionsweise von Large Language Models (LLMs) wie ChatGPT & Co und speziellen Prompting-Techniken zu beschäftigen. So lässt sich das enorme Potential der Systeme besser ausschöpfen und zugleich eine Intuition entwickeln, für welche Fragestellungen und Aufgaben LLMs überhaupt (besonders) geeignet sind, wo aber umgekehrt auch ihre Grenzen und Probleme liegen.
Ein zentrales Problem der KI-Chatbots ist das sogenannte „Halluzinieren“, d.h. das freie Erfinden von Inhalten. Es ist jedem bekannt, dass für das Abbiegen in eine Einbahnstraße in Gegenrichtung nicht das hinweisgebende Navigationssystem verantwortlich gemacht werden darf. Dasselbe gilt zunächst einmal für KI-Tools: Die Verantwortung für die Nutzung der Inhalte, die mittels KI generiert wurden, haben wir selbst. Eine Prüfung ist unerlässlich, und wo uns die Kompetenz für diese Prüfung fehlt, ist KI letztlich fehl am Platze. Sich mittels KI schnell zu „informieren“, mag praktisch sein, ist aber stets mit der Gefahr der Desinformation verbunden. Je wichtiger die Korrektheit im jeweiligen Anwendungsfall, desto dringlicher die inhaltliche Prüfung.
Prompt-Engineering kann erheblich dazu beitragen, die Angemessenheit und Nützlichkeit des Outputs zu fördern. Einen vollständigen Schutz gegen das Phänomen des Halluzinierens jedoch kann auch das beste Prompt Design nicht bieten. Das ist bei aller Arbeit mit KI im Kopf zu behalten.
Prompting – Die Basics
Für gutes, gezieltes Prompting gibt es spezielle Techniken, mit denen Inhalt und/oder Form der Ausgabe beeinflusst werden können – einige konkrete Techniken sollen unten erläutert werden. Effizientes Prompting basiert aber zunächst einmal auf ein paar allgemeinen Grundregeln, die zu befolgen sind. Die wichtigste ist vielleicht: Prompting ist als ein iterativer Prozess zu betrachten, d.h. man schreibt einen Prompt, evaluiert den Output des Systems (wollte ich die Antwort so? was fehlt oder könnte anders sein?) und formuliert den eigenen Prompt nötigenfalls um bzw. ergänzt ihn. Je nach Anwendung und Situation kann es sinnvoll sein, mit dem Chatbot im Gesprächsverlauf direkt am früheren Output zu arbeiten und ihn gezielt zu modifizieren. Ist ein Output aber zu weit von dem entfernt, was mir vorschwebte, ist es in der Regel empfehlenswert, mit einem überarbeiteten Prompt einen neuen Chat zu beginnen. Dabei muss man wissen: Das KI-Tool nimmt für jede Antwort im Gesprächsverlauf noch einmal den gesamten Chat von Beginn an zur Kenntnis – dass es dabei dann auch immer wieder mit Dingen konfrontiert wird, die wir längst korrigiert oder nachjustiert haben, kann zu Irritationen im Chatverlauf führen und dazu, dass Umwege und Widersprüche weitertransportiert werden, die wir längst verworfen wissen wollten. Besser als Korrekturen wie „ich meinte/wollte aber, dass“ löst in der Regel also ein neuer Chat das Verständigungsproblem!
Was die (ggf. stufenweise) Verfeinerung eines Prompts angeht, bewegen wir uns nicht in grundverschiedenen Bahnen zum Gespräch mit einem menschlichen Gegenüber. Wenn mir ein menschlicher Gesprächspartner meine Frage nicht so beantwortet, wie ich sie gemeint habe, fasse ich auch nach, formuliere meine Frage exakter, modifiziere sie. Bessere (d.h. konkretere) Frage, Chance auf bessere (d.h. adäquatere) Antwort – das gilt auch hier!
Aber natürlich können wir die Zahl der Iterationen, Korrekturen und Ergänzungen geringer halten, wenn wir schon im Vorwege einige Dinge bedenken, die für sämtliche Interaktionen mit dem Chatbot gelten: Prompts sollten möglichst präzise formuliert werden, d.h. sehr klar benennen, worin die Aufgabe besteht, und genug Kontext zur Aufgabenstellung liefern, um zu verdeutlichen, was erwartet wird. Auch Vorstellungen vom Format des Outputs sollten formuliert werden, sofern es sie gibt. Ein Prompt, der nur die Aufgabe benennt (z.B. „Fasse die wichtigsten Trends im E-Commerce seit 2025 zusammen“), lässt dem Tool freie Hand, während ein Prompt, der klarere Vorgaben zu Inhalten und Format des Outputs macht, diesen effektiv reguliert („Fasse die wichtigsten Trends im E-Commerce seit 2025 in Stichpunkten zusammen – nutze dafür maximal 5 Bulletpoints, beginne mit den drei umsatzstärksten Entwicklungen und gib zu jedem Punkt ein Beispielunternehmen an“). Grundsätzlich gibt es zwei Möglichkeiten, die Ausgaben zu lenken: Genaue Anweisungen und Beispiele. Manche Dinge sind leichter mit Instruktionen zu beschreiben, andere eignen sich eher für Beispielvorgaben. Man sollte stets beide Optionen im Blick haben und natürlich auch miteinander verbinden.
Wenn die Antwort auf konkreten Inhalten basieren soll, ist es am sichersten, diese nicht vom Tool suchen zu lassen, sondern direkt in den Prompt zu integrieren, indem man etwa einen Text in das Dialogfenster kopiert oder eine Datei hochlädt – damit reduziert sich die Halluzinationsgefahr erheblich (s. Abschnitt Halluzinationen)!
Es gilt ein ganzes Stück weit: Je spezifischer der Input, desto besser der Output. Grenzen gibt es hier allerdings auch. So sinnvoll es etwa sein kann, einen Chatbot mit einem oder mehreren Beispielen zu instruieren und so die Art der Ausgabe zu lenken, limitiert man mit einer zu großen Serie von Beispielen oder allzu ausufernden Vorgaben irgendwann auch die „Kreativität“ so stark, dass die Ausgabequalität leidet. Es ist gut, um diesen Zusammenhang zu wissen, in der Praxis aber ist die zu starke Reglementierung durch den Nutzer ein eher seltenes Problem. In der Regel führen konkrete Vorgaben im Prompt zu einem besseren Output.
Prompting-Techniken
Neben diesen grundlegenden Tipps gibt es etliche spezielle Prompting-Techniken, mit denen Inhalt und/oder Form der Ausgabe gezielt beeinflusst werden können. Es wird hier eine Auswahl von Prompt-Techniken vorgestellt, die für die Nutzung von ChatGPT und anderen KI-Tools nützlich sein können.
Angemerkt sei, dass einige Prompting-Techniken, von denen eine Zeitlang sehr intensiv die Rede war, heute im Grunde genommen für normale Anwendungen nicht mehr nötig sind, dazu zählt etwa das vielerorts diskutierte „Chain-of-Thought-Prompting“, ein exemplarisches Durchexerzieren von Denkschritten im Prompt, die als Vorbild dienen sollen. Diese Technik half bei Fragen wie „Als ich 6 Jahre alt war, war mein Bruder doppelt so alt wie ich. Jetzt bin ich 35. Wie alt ist mein Bruder?“ und verhinderte die Antwort „70“. Diese Art des „Reasoning“, bei der erst einmal der Altersabstand ermittelt wird, leisten die Systeme heute i.d.R. von selbst, weil sie längst entsprechend instruiert sind, hier ChatGPT: „Als du 6 Jahre alt warst, war dein Bruder doppelt so alt wie du. Das bedeutet: Du warst 6, er war 12. Der Altersunterschied beträgt also 6 Jahre. Dieser Unterschied bleibt immer gleich. Jetzt bist du 35 Jahre alt, also ist dein Bruder: 35 + 6 = 41 Jahre alt.👉 Dein Bruder ist 41 Jahre alt.“ Diese kleinschrittige Herleitung wird nicht etwa zu unserem Verständnis geboten, sondern dient allein dem System selbst, am Ende eine richtige Antwort zu geben, die es ad hoc nicht hätte geben können (s. Funktionsweise)! Entsprechend sind auch Aufforderungen, schrittweise vorzugehen, kein Fehler, fundamental wie noch vor einiger Zeit sind sie aber nicht mehr, weil das Systemverhalten längst darauf ausgerichtet ist („Bitte erkläre schrittweise“).
Die hier vorgestellten speziellen Prompting-Techniken sind demgegenüber der Natur der Sache nach stabil, weil sie nicht generelle Optimierungen des Systemverhaltens betreffen, sondern auf anwendungsbezogene Anforderungen abzielen und ermöglichen, den Output inhaltlich oder formal den eigenen Vorstellungen anzupassen.
Eine Bemerkung vorab: Die Veränderungen an den verfügbaren KI-Chatbots vollziehen sich mit rasanter Geschwindigkeit. Die Beispieldialoge, die ich in den Erklärungen liefere, sind nicht reproduzierbar – nicht nur, weil ein Chatbot ohnehin jedesmal eine andere Antwort liefert (s. Funktionsweise), sondern auch, weil sich die Systemeinstellungen und -grundlagen permanent verändern. Angesichts der enormen Dynamik, die das ganze Gebiet derzeit hat, ist stete Anpassungsbereitschaft unverzichtbar. Grundsätzliches lässt sich dennoch lernen – und darum geht es hier!
Die in der englischsprachigen (Forschungs-)Literatur, Schulungsvideos und ähnlichen Quellen weit verbreiteten Verfahren werden hier ohne einzelne Quellenhinweise vorgestellt. Besondere Impulse verdanken die Ausführungen dem amerikanischen Informatiker Jules White (Vanderbilt University), der in grundlegenden Forschungspapieren (z.B. J. White et al., „A Prompt Pattern Catalog to Enhance Prompt Engineering with ChatGPT“, arXiv, Februar 2023) und Online-Kursen (Vanderbilt University/Coursera) maßgeblich dazu beigetragen hat, Prompting als systematisierbare, auf reproduzierbare Methoden setzende Technik zu etablieren.
Prompting-Techniken:
Rollentechnik („Persona Pattern“)
Adressatentechnik („Audience Persona Pattern“)
Interaktionsumkehr-Technik („Flipped Interaction Pattern“)
Vereinbarungstechnik („Meta Language Creation Pattern“)
Promptpräzisierungs-Technik („Question Refinement Pattern“)