Prompt-Engineering-Techniken: Leitfaden zur LLM-Optimierung

Prompt Engineering ist die Kunst und Wissenschaft, Eingaben systematisch so zu gestalten, dass KI-Modelle die gewünschten Ausgaben erzeugen. Korrekte Prompt-Strategien können die Modellleistung um bis zu 50 % steigern.

Grundlagen des Prompt Engineerings

Aufbau eines Prompts

Ein effektiver Prompt besteht aus den folgenden Komponenten:

1. Systemanweisung: Rolle und Verhaltensregeln des Modells
2. Kontext: Hintergrundinformationen zur Aufgabe
3. Beispiel(e): Beispiele für das gewünschte Ausgabeformat
4. Aufgabe: Konkrete Anfrage oder Frage
5. Ausgabeformat: Erwartete Struktur der Antwort

Grundstruktur eines Prompts

1[Role Definition]
2You are a {field of expertise} expert.
3
4[Context]
5{Relevant information}
6
7[Task]
8{Specific request}
9
10[Format]
11{Expected output format}

Grundlegende Prompt-Techniken

1. Zero-Shot Prompting

Direkte Definition der Aufgabe ohne Beispiele:

Summarize the following text:
{text}

Anwendungsfälle:

• Einfache Aufgaben
• Allgemeinwissensfragen
• Klassifikation

2. Few-Shot Prompting

Aufgabendefinition mit Beispielen:

1Text: "This product is great, I am very satisfied"
2Sentiment: Positive
3
4Text: "It was a terrible experience, I do not recommend it"
5Sentiment: Negative
6
7Text: "It's okay for the price"
8Sentiment: ?

Best Practices:

• 3–5 Beispiele sind normalerweise ausreichend
• Verschiedene Edge Cases hinzufügen
• Beispiele in zufälliger Reihenfolge anordnen

3. Chain-of-Thought (CoT)

Schrittweises Denken:

1Question: A store has 15 apples. 8 apples were sold, 
2then 6 more apples arrived. How many apples are there?
3
4Let's think step by step:
51. Initially there are 15 apples
62. 8 apples sold: 15 - 8 = 7 apples left
73. 6 apples arrived: 7 + 6 = 13 apples
8
9Answer: 13 apples

4. Self-Consistency

Verschiedene Denkwege für dieselbe Frage:

1Solve this problem in 3 different ways and choose the most consistent answer:
2
3[Problem]

5. Tree of Thoughts (ToT)

Verzweigter Gedankbaum:

1Problem: {complex problem}
2
3Thought 1: {approach A}
4  → Sub-thought 1.1: {detail}
5  → Sub-thought 1.2: {detail}
6  
7Thought 2: {approach B}
8  → Sub-thought 2.1: {detail}
9  
10Evaluate and select the most suitable path.

Erweiterte Techniken

ReAct (Reasoning + Acting)

Schleife aus Denken und Handeln:

1Question: How many times larger is Istanbul's population than Paris?
2
3Thought: I need to find the population of both cities
4Action: [search] Istanbul population
5Observation: Istanbul population ~16 million
6
7Thought: Now I need to find Paris population
8Action: [search] Paris population  
9Observation: Paris population ~2.2 million
10
11Thought: I can calculate the ratio
12Action: [calculate] 16 / 2.2
13Observation: 7.27
14
15Answer: Istanbul's population is approximately 7.3 times larger than Paris.

Constitutional AI Prompting

Definition ethischer und sicherheitsrelevanter Regeln:

1System: You are a helpful assistant.
2
3Rules:
41. Do not generate harmful content
52. Do not share personal information
63. Do not help with illegal activities
74. Always be honest
8
9User question: {question}

Role Prompting

Definition eines spezifischen Fachgebiets:

1You are a cybersecurity expert with 20 years of experience.
2You have worked as a CISO in Fortune 500 companies.
3You can explain technical details clearly and understandably.
4
5User's question: {question}
6## Strategien zur Prompt-Optimierung
7
8### 1. Erhöhung der Spezifität
9
10❌ Schlecht:

Write a blog post

✅ Gut:

Target audience: Software developers Topic: Docker container security Length: 1500-2000 words Tone: Technical but accessible Format: Introduction, 5 main sections, conclusion

1
2### 2. Bestimmung des Ausgabeformats
3

Provide your response in this JSON format: { "summary": "string", "key_points": ["string"], "next_steps": ["string"], "confidence_score": number }

1
2### 3. Negatives Prompting
3
4Unerwünschtes Verhalten spezifizieren:
5

Do NOT do the following:

• Give speculative information
• Make claims without citing sources
• Lead the user
• Give excessively long answers

1
2### 4. Verwendung von Abgrenzern
3
4Abschnitte klarstellen:
5

###CONTEXT### {context information}

###TASK### {work to be done}

###FORMAT### {output format}

1
2## Modellspezifische Optimierungen
3
4### Für GPT
5

• Use System message effectively
• Activate JSON mode: response_format={"type": "json_object"}
• Temperature: 0.7-1.0 for creative tasks, 0.1-0.3 for analytical

1
2### Für Claude
3

• Use XML tags: <context>, <task>, <format>
• Put important information at the end in long context
• Evaluate Thinking tags

1
2### Für Gemini
3

• Optimize for multimodal prompts
• Up-to-date information with Grounding
• Adjust Safety settings

1
2## Prompt-Testing und Iteration
3
4### A/B-Testing-Framework
5

Prompt A: {version 1} Prompt B: {version 2}

Metrics:

• Accuracy: %
• Consistency: 1-5
• Latency: ms
• Token usage: #

1
2### Prompt-Versionierung
3

prompt_v1.0: First version prompt_v1.1: Typo corrections prompt_v2.0: CoT added prompt_v2.1: Output format changed

1
2## Enterprise Prompt Management
3
4### Erstellung einer Prompt-Bibliothek
5

/prompts /classification - sentiment_analysis.json - intent_detection.json /generation - blog_writer.json - code_reviewer.json /extraction - entity_extraction.json - data_parsing.json

1
2### Prompt-Template-System
3
4```python
5class PromptTemplate:
6    def __init__(self, template, variables):
7        self.template = template
8        self.variables = variables
9    
10    def render(self, **kwargs):
11        return self.template.format(**kwargs)
12
13# Usage
14sentiment_prompt = PromptTemplate(
15    template="Analyze sentiment: {text}",
16    variables=["text"]
17)

Häufige Fehler und Lösungen

Fehler 1: Übermäßig vager Prompt

Problem: Das Modell versteht nicht, was Sie wollen
Lösung: Fügen Sie spezifische Anweisungen und Beispiele hinzu

Fehler 2: Sehr langer Prompt

Problem: Token-Limit überschritten, Kosten steigen
Lösung: Entfernen Sie unnötige Informationen, verwenden Sie eine Zusammenfassung

Fehler 3: Widersprüchliche Anweisungen

Problem: Modell verhält sich inkonsistent
Lösung: Regeln priorisieren und klarstellen

Fehler 4: Halluzination

Problem: Modell liefert erfundene Informationen
Lösung: Grounding, Zitierpflicht, niedrigere Temperatur

Fazit

Prompt Engineering ist ein entscheidender Faktor für den Erfolg von KI-Projekten. Mit den richtigen Techniken und einem systematischen Ansatz können Sie die Modellleistung deutlich steigern.

Bei Veni AI entwickeln wir maßgeschneiderte Prompt-Strategien für unsere Unternehmenskunden. Kontaktieren Sie uns für professionelle Unterstützung.