Prompt Engineering Grundlagen: Ein praktisches Glossar

Prompt Engineering ist die Praxis, Eingabetext zu schreiben, der ein Sprachmodell dazu bringt, die Ausgabe zu erzeugen, die du tatsächlich möchtest. Es liegt irgendwo zwischen Schreiben und Debugging: Du programmierst nicht im klassischen Sinne, aber du testest Hypothesen darüber, wie ein Modell Anweisungen interpretiert, und iterierst, wenn es etwas falsch macht.

Was ein Prompt eigentlich ist

Ein Prompt ist alles, was du an ein Modell sendest, bevor es eine Antwort generiert — Anweisungen, Kontext, Beispiele und die eigentliche Frage oder Aufgabe. Die meisten modernen Chat-Modelle unterteilen dies in Rollen: eine Systemnachricht (legt Verhalten und Constraints fest), Benutzernachrichten (die eigentliche Anfrage) und manchmal Assistentennachrichten (frühere Züge oder Beispiele). Wenn du eine API wie die von OpenAI oder Anthropic verwendest, stellst du diese explizit im Code ein. Wenn du eine Chat-Oberfläche verwendest, ist der System-Prompt oft verborgen oder wird einmalig am Anfang eines Gesprächs gesetzt.

Warum die gleiche Frage unterschiedliche Antworten gibt

Sprachmodelle sagen das nächste Token basierend auf allem vorher Kommenden voraus, einschließlich deiner Formulierung, Wortfolge und sogar Satzzeichen. Frag "Erklär Rekursion" und du bekommst eine generische Lehrbuchantwort. Frag "Erklär Rekursion einem Junior-Developer, der Schleifen versteht aber nicht Rekursion, mit einem einzigen Python-Beispiel mit Base Case und Recursive Case" und du bekommst etwas viel Nützlicheres. Die Genauigkeit deiner Eingabe formt direkt die Genauigkeit der Ausgabe. Das ist die Kernidee, die Anfänger verstehen müssen: Das Modell liest nicht deine Gedanken, es macht Pattern-Matching gegen deine Worte.

Grundtechniken, die zuerst lohnt sich zu lernen

Zero-shot Prompting bedeutet direkt zu fragen ohne Beispiele: "Schreib einen regex, der US-Telefonnummern matched." Das funktioniert gut für häufige, gut definierte Aufgaben.

Few-shot Prompting bedeutet, dem Modell ein oder mehrere Beispiele des Input/Output-Musters zu zeigen, das du möchtest, bevor du es bittest, das Muster fortzusetzen. Wenn du ein Modell haben möchtest, das Support-Tickets in Kategorien klassifiziert, drei gekennzeichnete Beispiele vorher zu zeigen wird konsistentere Ergebnisse erzeugen als die Kategorien nur in Prosa zu beschreiben.

Chain-of-Thought Prompting fordert das Modell auf, Schritt für Schritt zu argumentieren, bevor es eine letzte Antwort gibt, oft indem du buchstäblich "think step by step" hinzufügst oder bittest, seine Arbeit zu zeigen. Das hilft bei Mathe, Logik und mehrstufigen Aufgaben, erhöht aber auch die Token-Nutzung und Antwortlänge.

Role Prompting weist dem Modell eine Persona zu — "Du bist ein Senior Security Engineer, der diesen Code auf Schwachstellen überprüft" — was Ton, Vokabeln und die Art von Detail, die es priorisiert, verschieben kann. Es gewährt dem Modell keine neuen Fähigkeiten, aber es verankert seinen Ausgabenstil.

Struktur zählt mehr als Cleverness

Anfänger nehmen oft an, Prompt Engineering ist darum, einen Zaubersatz zu finden. In der Praxis schlägt Struktur fast jedes Mal Cleverness. Teile deinen Prompt in klare Teile: Kontext, Aufgabe, Constraints und Format. Zum Beispiel:

Kontext: Du überprüfst eine Python Flask-App für ein Security-Audit.
Aufgabe: Identifiziere SQL-Injection-Risiken im Code unten.
Constraints: Markiere nur Probleme in den /login und /search Routes.
Format: Gib eine nummerierte Liste mit der Zeilennummer und einer einzigen Erklärung zurück.

Diese Art von explizitem Formatting reduziert Mehrdeutigkeit und macht Ausgaben leichter zu parsen, wenn du Prompts zusammen in einem Skript verkettst.

Häufige frühe Fehler

Ein häufiger Fehler ist Vaguheit, die sich als Kürze ausgibt — "mach das besser" zu fragen, ohne zu definieren, was "besser" bedeutet (schneller? lesbarer? sicherer?). Ein anderer ist, einen einzelnen Prompt mit fünf unverwandten Aufgaben zu vollstopfen, was dazu neigt, oberflächliche Antworten auf alle fünf statt einer soliden Antwort auf eine zu erzeugen. Anfänger vergessen auch, dass Modelle kein Gedächtnis zwischen separaten API-Aufrufen haben, es sei denn, du gibst explizit frühere Gesprächshistorie zurück, was Leute verwirrt, die irgendwas Stateful aufbauen.

Testen und Iterieren wie ein Engineer

Behandle Prompts wie Code, den du versionierst und testest, nicht wie einmaligen Text, den du wegwirfst. Führe ein Log von Prompt-Variationen und deren Ausgaben, besonders für alles, das du in Produktion wiederverwendest, wie einen Customer-Support-Bot oder einen Code-Review-Assistant. Kleine Wording-Änderungen — "zusammenfassen" vs "in genau drei Stichpunkten zusammenfassen" — können bedeutsam verschiedene Ergebnisse erzeugen, und der einzige Weg zu wissen, was für deinen Use Case funktioniert, ist, den Vergleich selbst durchzuführen, statt anzunehmen.

Wo das in echte Dinge passt

Sobald Prompts zuverlässig werden, ist der nächste Schritt normalerweise programmgesteuerte Nutzung: eine API mit temperature und max_tokens-Einstellungen aufrufen, die für deine Aufgabe optimiert sind, Wiederholungslogik für malformed Ausgaben hinzufügen und Antworten validieren, bevor sie einen User erreichen. Hier ist, wo Prompt Engineering anfängt, mit regulärer Software Engineering Disziplin zu überlappen, und es ist ein guter Punkt, um vom Experimentieren in einem Chat-Fenster zum Schreiben echter Skripte zu wechseln.

Wenn du weiter gehen möchtest, schau dir Korra Studio's Segmente zum Arbeiten mit LLM APIs in Python und zum Aufbauen kleiner AI-gestützter Tools von Grund auf an.