Prompt Engineering: Was wirklich funktioniert (und was Mythos ist)

Was ist Prompt Engineering?

Prompt Engineering ist die Disziplin, Eingaben an Sprachmodelle so zu formulieren, dass zuverlässig bessere Antworten entstehen. 2024 war das noch Kunst — heute ist es Handwerk mit klaren Regeln.

Moderne Modelle wie Claude Opus 4.7 oder GPT-5 verstehen natürliche Sprache sehr gut. Der Gewinn liegt nicht mehr darin, das Modell auszutricksen, sondern darin, präzise und vollständig zu sein.

Rolle und Kontext: das stärkste Fundament

Eine konkrete Rollenzuweisung am Anfang gibt dem Modell einen klaren Referenzrahmen. Konkret ist das Stichwort:

Schwach: „Du bist ein Experte. Antworte auf folgende Frage: …"
Stark: „Du bist ein Steuerberater mit Fokus auf E-Commerce-Unternehmen in Deutschland. Antworte gemäß aktueller Rechtslage und ohne Rechtsvorbehalt-Disclaimer: …"

Ergänze den Kontext: Zielgruppe der Antwort, gewünschte Länge, Formatierungserwartung. Je enger der Rahmen, desto weniger Streuung in den Antworten.

Strukturierte Eingabe: Inhalte von Anweisungen trennen

Unstrukturierte Prompts sind für das Modell Rauschen. Struktur hilft:

• Claude bevorzugt XML-Tags: <kontext>...</kontext>, <anweisung>...</anweisung>, <beispiel>...</beispiel>
• GPT arbeitet gut mit Markdown: Überschriften, Listen, Code-Blöcke
• Llama / Mistral profitieren von klaren Trennzeichen und expliziten Formatvorgaben

Eine häufige Schwäche: Daten und Anweisungen vermischen. Besser: Daten in einen Block, Anweisungen klar davor oder danach. Das verhindert auch Prompt-Injection bei Agenten.

Few-Shot-Beispiele: der unterschätzte Hebel

Der wirksamste Einzeltrick: zwei bis drei Eingabe-Ausgabe-Paare zeigen, wie das Ergebnis aussehen soll. Statt lange zu beschreiben, einfach vormachen.

Beispiel für E-Mail-Klassifizierung:

Input:  "Wann kommt mein Paket?"
Output: {"kategorie":"versand","dringlichkeit":"mittel"}

Input:  "Rechnung fehlerhaft, bitte korrigieren"
Output: {"kategorie":"buchhaltung","dringlichkeit":"hoch"}

Input:  [neue E-Mail]
Output: ?

Drei gute Beispiele ersetzen eine halbe Seite Erklärung. Wichtig: Beispiele müssen repräsentativ sein — zeige die Bandbreite, nicht nur Standardfälle.

Chain of Thought: für komplexe Aufgaben

Bei mehrstufigen Aufgaben (Rechnen, Logik, Planung) verbessert eine Aufforderung zum schrittweisen Denken die Qualität deutlich. Formulierungen wie „Löse Schritt für Schritt" oder „Begründe deine Antwort" aktivieren bei modernen Modellen den „Reasoning-Modus".

Beispiel: Bei einer Logikaufgabe „welcher der drei Kandidaten passt zur Stellenbeschreibung" steigt die Trefferquote von ca. 60 auf über 85 Prozent, wenn das Modell die Kandidaten zuerst einzeln durchgeht.

Achtung: Bei reinen Faktenabfragen („Wann wurde X gegründet?") bringt Chain-of-Thought nichts — es verlängert nur die Antwort.

Drei verbreitete Mythen

Mythos 1: „Auf Englisch prompten bringt bessere Ergebnisse." Stimmt für deutsche Anfragen seit GPT-4 nicht mehr. Aktuelle Modelle sind auf Deutsch praktisch gleich stark. Wer in Deutsch schreibt, denkt meist auch klarer auf Deutsch — das zählt mehr als die Sprache des Prompts.

Mythos 2: „Höflichkeit hilft." Studien zeigen minimale Effekte. „Bitte" und „Danke" schaden nicht, aber sie verbessern auch keine Ergebnisse. Die Zeit ist in konkreten Anweisungen besser investiert.

Mythos 3: „Magic Words wie ‚nimm dir Zeit' oder ‚atme tief durch' verbessern die Qualität." Galt 2023 bei GPT-3.5, ist bei heutigen Modellen wirkungslos. Klare Aufgabenbeschreibung schlägt jeden Trick.

Praxis-Template

Ein robustes Template, das sich in vielen Projekten bewährt hat:

<rolle>
Du bist [spezifische Rolle] mit Fokus auf [Domäne].
</rolle>

<ziel>
[Ein Satz: was soll am Ende herauskommen]
</ziel>

<kontext>
[Alle relevanten Daten, Regeln, Einschränkungen]
</kontext>

<beispiele>
Input 1: ...
Output 1: ...

Input 2: ...
Output 2: ...
</beispiele>

<aufgabe>
[Konkrete Eingabe für diese Runde]
</aufgabe>

<format>
[Wie soll die Antwort aussehen? JSON, Markdown, Freitext?]
</format>

Dieses Muster ist bei einfachen Aufgaben Overkill — bei produktiven n8n- oder MCP-Agenten aber Gold wert, weil jeder Abschnitt einzeln pflegbar bleibt.

Fazit

Prompt Engineering ist 2026 Handwerk statt Kunst. Vier Dinge bringen den Großteil der Qualität: konkrete Rolle, saubere Struktur, Few-Shot-Beispiele, bei komplexen Aufgaben Chain-of-Thought.

Wer produktive KI-Agenten betreibt, hat seine Prompts als versionierte Templates — nicht als mühsam getippte Einzeltexte. Der Rest sind Mythen, die man getrost vergessen kann.