Prompt Engineering: Wie ich Prompts schreibe, prüfe und pflege

Prompt Engineering für Gründer: was einen guten Prompt ausmacht, warum Techniken mit neuen Modellen altern und wie du Prompts wie Werkzeuge pflegst.

KI & Automation · · 8 Min.

Titelbild zum Artikel „Prompt Engineering: Wie ich Prompts schreibe, prüfe und pflege“ von Felix Schmitz (KI & Automation)

Kurz gesagt

  • Prompt Engineering ist das gezielte Formulieren, Testen und Verbessern von Anweisungen an ein Sprachmodell, damit es verlässlich das gewünschte Ergebnis liefert.
  • Eine Replikationsstudie mit 19.620 generierten Code-Antworten zeigt, dass Prompt-Techniken mit neuen Modellversionen an Wirkung verlieren können, je nach Modellfamilie unterschiedlich stark.
  • In einer Befragung von 57 Studierenden formulierten die meisten präzise Prompts, aber nur wenige verbesserten sie Schritt für Schritt.
  • Wer die KI zuerst die Aufgabe erklären und Sonderfälle nennen lässt, bekommt Antworten, die sich leichter prüfen lassen.
  • Für kleine Teams lohnt es sich, gute Prompts wie Werkzeuge zu behandeln: gespeichert, versioniert und nach jedem Modellwechsel neu getestet.
Mit ChatGPT, Claude oder Perplexity weiterdenken
Inhalt8 Abschnitte

Prompt Engineering ist das gezielte Formulieren, Testen und Verbessern von Anweisungen an ein KI-Sprachmodell, damit es verlässlich das Ergebnis liefert, das du brauchst. Ein guter Prompt enthält ein klares Ziel, den nötigen Kontext, ein Beispiel, das gewünschte Format und einen Prüfschritt. Die einzelnen Tricks verlieren mit jeder neuen Modellgeneration an Bedeutung, das saubere Briefing bleibt.

Ich arbeite jeden Tag mit KI, beim Schreiben, beim Bauen und bei der Planung. Der größte Unterschied zwischen einem brauchbaren und einem schwachen Ergebnis liegt bei mir fast nie im Modell. Er liegt in dem, was ich vorher entschieden habe. Wer nicht weiß, was er will, bekommt von der KI eine sehr gut formulierte Version davon.

Für diesen Artikel habe ich mir vier Studien angesehen. Es sind überwiegend Konferenzbeiträge aus Softwaretechnik und Hochschullehre, mit kleinen oder sehr speziellen Stichproben. Ich lese sie deshalb als vorsichtige Hinweise und sage dazu, was ich daraus für die Arbeit in kleinen Teams ableite.

Was Prompt Engineering ist und was es nicht leisten kann

Ein Prompt ist die Eingabe, die du einem Sprachmodell gibst. Prompt Engineering heißt, diese Eingabe bewusst zu gestalten und so lange zu verbessern, bis das Ergebnis wiederholbar passt. Der Begriff klingt technischer, als die Sache ist. Im Kern ist es ein gutes Briefing, so wie du es auch einer neuen Mitarbeiterin geben würdest.

Rund um das Thema gibt es eine Reihe fester Techniken. Die bekanntesten:

  • Zero-Shot: Du beschreibst die Aufgabe ohne Beispiel.
  • Few-Shot: Du gibst ein oder mehrere Beispiele mit, wie das Ergebnis aussehen soll.
  • Chain-of-Thought: Du bittest das Modell, in Schritten zu denken, bevor es antwortet.
  • Rollenanweisung: Du legst fest, aus welcher Perspektive das Modell antworten soll.

Was Prompt Engineering nicht leisten kann: fehlendes Wissen ersetzen. Wenn das Modell deine Kunden, deine Preise oder deine Projektgeschichte nicht kennt, hilft kein Trick. Dann brauchst du Kontext, entweder direkt im Prompt oder über eine Wissensquelle, wie ich sie im Artikel zu Retrieval Augmented Generation beschreibe. Und es schützt nicht vor erfundenen Fakten. Warum Modelle selbstsicher falsch liegen, steht im Artikel über KI-Halluzinationen.

Warum Prompt-Techniken altern

Die spannendste Studie in meiner Auswahl stammt von Rudyk, Oertel und Hebig (2026), vorgestellt auf der IEEE-Konferenz für Softwarewartung ICSME. Sie haben eine frühere Untersuchung teilweise wiederholt und gefragt, ob Prompt-Techniken bei neueren Modellversionen genauso gut wirken wie bei älteren.

Getestet wurden fünf Techniken, darunter Zero-Shot, Few-Shot und Chain-of-Thought, an drei Paaren aus älterem und neuerem Modell: GPT-3.5-Turbo und GPT-4o, zwei Versionen von Qwen sowie zwei Modelle von Mistral. Die Aufgabe: Python-Funktionen schreiben. Grundlage waren 218 Funktionen mit viel Kontext und insgesamt 19.620 generierte Antworten, die auf funktionale Korrektheit geprüft wurden.

Das Ergebnis nennen die Autoren das „Altern“ von Prompt Engineering, und es verläuft je nach Modellfamilie anders:

Modellfamilie Was die Studie beobachtet
GPT Beim neueren Modell bringen strukturierte Prompt-Techniken weniger oder sogar einen negativen Zusatznutzen
Qwen Few-Shot und eine Variante von Chain-of-Thought helfen weiterhin deutlich
Mistral Gemischt, eine Technik hilft weiter, andere verlieren an Wirkung

Die Autoren schließen daraus, dass Prompt-Strategien pro Modellfamilie und Generation angepasst werden müssen. Ihre Vermutung: Neuere Modelle haben das schrittweise Denken und das Befolgen von Anweisungen zum Teil schon verinnerlicht.

Die Studie misst nur Programmieraufgaben. Ob sich das auf Texte, Angebote oder Analysen überträgt, weiß ich nicht sicher. Die Richtung finde ich trotzdem plausibel. Was bei jedem Modell bleibt, sind Ziel, Kontext und Beispiel, weil das Modell diese Dinge schlicht nicht wissen kann. Für mich heißt das: Ein Prompt ist nie fertig. Er gilt für ein bestimmtes Modell zu einem bestimmten Zeitpunkt.

Prompt Engineering in der Praxis: das Briefing vor dem Prompt

Die zweite Studie kommt aus der Hochschullehre und ist eine Befragung. Posavec (2026) hat im International Journal of Instruction untersucht, wie 57 Studierende mit generativer KI in strukturierten Aufgaben umgehen. Fast alle hatten schon Erfahrung mit KI-Werkzeugen. Die meisten formulierten ihre Prompts präzise und mit Blick auf den Zusammenhang. Deutlich weniger verbesserten ihre Prompts Schritt für Schritt, nachdem die erste Antwort da war.

Genau diese Lücke sehe ich auch bei Selbstständigen. Der erste Prompt ist ordentlich, die erste Antwort mittelmäßig, und dann wird entweder kopiert oder aufgegeben. Dabei liegt der eigentliche Gewinn in der zweiten und dritten Runde. Die Stichprobe ist klein und besteht aus Studierenden, aber das Muster ist so alltäglich, dass ich es für übertragbar halte.

Bevor ich einen Prompt schreibe, kläre ich vier Dinge für mich: für wen das Ergebnis ist, was es bewirken soll, welchen Standpunkt ich habe und was ich sage, das andere so nicht sagen. Erst danach öffne ich das Modell. Der Prompt selbst folgt dann fast immer derselben Struktur.

Grafik mit fünf Bausteinen für Prompt Engineering: Ziel nennen, Kontext geben, Beispiel zeigen, Format festlegen und eine Selbstprüfung verlangen, bevor die KI antwortet
Die Selbstprüfung am Ende macht die Antwort leichter kontrollierbar, die ersten vier Bausteine machen sie passend.

Ein Beispiel, damit es greifbar wird. Angenommen, ein Fotograf will Anfragen schneller beantworten. Ein schwacher Prompt lautet: „Schreib eine Antwort auf diese Anfrage.“ Ein besserer: „Schreib eine Antwort auf die Anfrage unten. Ziel: ein Telefontermin. Kontext: Ich fotografiere Hochzeiten im Rheinland, Pakete ab einem festen Preis, ich duze meine Kunden. Beispiel: meine letzte gute Antwort unten. Format: höchstens 120 Wörter, eine Frage am Ende. Wiederhol vorher in einem Satz, was die Anfrage will, und nenn Unklarheiten.“

Der zweite Prompt ist länger, aber jede Zeile hat eine Aufgabe. Das Ziel verhindert, dass die KI einen freundlichen Text ohne nächsten Schritt schreibt. Der Kontext verhindert einen Ton, der nicht zum Fotografen passt, und erfundene Leistungen. Das Beispiel überträgt seinen Stil besser als jede Beschreibung. Die Wortgrenze spart ihm das Kürzen. Und die Wiederholung der Anfrage zeigt ihm sofort, ob die KI sie richtig verstanden hat.

Diesen Prompt schreibt er einmal. Danach tauscht er nur noch die Anfrage aus. Genau an diesem Punkt wird aus einer Eingabe ein Werkzeug, und darum geht es weiter unten.

Erst erklären, dann liefern: Antworten prüfbar machen

Den letzten Baustein habe ich aus einer kleinen Studie, die ich trotz ihrer Grenzen nützlich finde. Raiter (2026) hat auf der Konferenz ACIT zehn kurze Python-Aufgaben an einen Programmierassistenten auf Basis von GPT-5 gestellt, jeweils zweimal. Einmal mit direkter Bitte um Code. Einmal mit einem Prompt, der vorher verlangt: Aufgabe wiederholen, Sonderfälle benennen, Lösungsweg erklären, kurze Selbstprüfung.

Die 20 Antworten hat der Autor selbst mit einem Bewertungsraster bewertet. Die Variante mit Erklärung zuerst erreichte im Schnitt 6,3 von 8 Punkten, die direkte Variante 5,0. Sie schnitt bei neun von zehn Aufgaben besser ab. Am deutlichsten war der Unterschied bei der Nachvollziehbarkeit, kaum bei Korrektheit und Effizienz.

Der Autor ist selbst vorsichtig. Ein Modell, ein Bewerter, keine statistische Signifikanz, Fehler wurden nicht beseitigt. Was die Methode laut Abstract aber leistet: Schwache Annahmen werden früher sichtbar, und die Antwort entfernt sich seltener von der eigentlichen Anforderung. Genau das brauche ich im Alltag. Eine Antwort, deren Annahmen ich sehe, kann ich in einer Minute prüfen. Eine glatte Antwort ohne Begründung muss ich komplett nachrechnen.

Prompts wie Werkzeuge pflegen

Die vierte Studie stammt aus der Softwarearchitektur. Kasimala und Kumar (2026) beschreiben auf der IEEE-Konferenz ICAD ein Konzept, das sie PromptOps nennen. Ihre Ausgangsbeobachtung: In den meisten echten Anwendungen werden Prompts informell erstellt und angepasst, ohne Versionen, ohne Nachverfolgung, ohne Regeln. Sie schlagen vor, Prompts als verwaltete Ressourcen zu behandeln, die entworfen, bewertet, verbessert, ausgerollt und überwacht werden. In ihren Tests liefen so gepflegte Prompts stabiler und veränderten sich weniger schleichend als frei geschriebene. Konkrete Zahlen nennt das Abstract nicht.

Das Konzept ist für große Anwendungen gedacht. Den Gedanken finde ich trotzdem für jedes kleine Team richtig, und er passt zur Studie über alternde Techniken. Wenn ein Prompt nach einem Modellwechsel schlechter wird, merkst du das nur, wenn du ihn gespeichert und mit einem Testbeispiel verglichen hast.

Vergleichsgrafik zum Prompt Engineering: ein Einmal-Prompt im Chatverlauf gegenüber einem gepflegten Prompt mit Speicherort, Version, Testbeispiel und Prüfung nach jedem Modellwechsel
Ein gepflegter Prompt kostet beim ersten Mal mehr Zeit und spart sie bei jeder Wiederholung zurück.

Ich mache das mit Skills. Meinen Prozess für Lead-Magneten habe ich zum Beispiel in einen Claude Skill gegossen, acht Phasen von der Zielgruppenanalyse bis zum fertigen Aufruf zum Handeln. Wie die Phasen aussehen, beschreibe ich im Artikel Lead Magnet erstellen. Auch jedes Website-Paket auf ai-website.com enthält sieben Skills, damit KI-Werkzeuge wie Claude Code mit dem Projekt arbeiten, ohne dass jemand jedes Mal von vorn erklärt. Wie das beim Bauen aussieht, steht im Artikel Claude Code für Gründer.

Ein guter Prompt ist ein Prozess, den du einmal aufgeschrieben hast. Ein schlechter ist ein Prozess, den du jedes Mal neu erfindest.

Typische Fehler beim Prompt Engineering

Diese Fehler begegnen mir am häufigsten, bei mir selbst eingeschlossen:

  1. Kein Ziel. Der Prompt beschreibt ein Thema statt eines Ergebnisses. „Etwas über Preise“ führt zu einem Aufsatz, „drei Sätze für meine Preisseite“ zu einem Baustein.
  2. Zu wenig Kontext. Das Modell kennt weder dich noch deine Kunden. Alles, was du nicht hineinschreibst, ergänzt es mit Durchschnitt.
  3. Nach der ersten Antwort aufhören. Genau das zeigte sich auch bei den Studierenden. Die zweite Runde mit „kürzer, konkreter, mit Beispiel aus meiner Branche“ bringt oft mehr als der ganze erste Prompt.
  4. Alte Tricks mitschleppen. Floskeln wie „Du bist ein Weltklasse-Experte“ stammen aus einer Zeit, in der sie vielleicht halfen. Bei neueren Modellen würde ich sie testen, bevor ich sie behalte.
  5. Antworten ungeprüft übernehmen. Gerade bei Fakten, Zahlen und Code. Ein Prüfschritt im Prompt ersetzt nicht deinen eigenen Blick, er macht ihn nur schneller.

Wie viel Zeit du mit guten Prompts tatsächlich sparst, hängt stark von der Aufgabe ab. Was Studien dazu messen, habe ich im Artikel über KI-Produktivität zusammengetragen.

Selbstcheck, wie gut sind deine Prompts

Denk an die Aufgabe, für die du KI am häufigsten nutzt, und hake ab, was zutrifft.

Selbstcheck, wie gut sind deine Prompts

0 von 8

Zufallstreffer Deine Ergebnisse hängen vermutlich stark von der Tagesform ab. Fang mit Ziel und Kontext an, das bringt den größten Sprung.

Wie ich Prompt Engineering heute einordne

Mein Eindruck nach den Studien und aus meiner täglichen Arbeit mit KI: Prompt Engineering wird als Sammlung von Tricks unwichtiger und als Fähigkeit, klar zu briefen, wichtiger. Die Modelle werden besser darin, eine Aufgabe zu verstehen. Sie werden nicht besser darin, deine Situation zu kennen.

Bei quik connect habe ich App, Website und Werbegrafiken in zwei Wochen mit Claude Code gebaut. Eines meiner Learnings daraus: KI ändert das Tempo, nicht das Verstehen. Für Prompts heißt das: Je klarer ich selbst eine Aufgabe verstanden habe, desto kürzer kann der Prompt sein. Wo ich unsicher bin, wird er lang und das Ergebnis trotzdem schwach.

Prompt Engineering ist für mich deshalb eine Grundfertigkeit wie gutes Schreiben. Wer sich tiefer damit beschäftigen will, welche Fähigkeiten im Umgang mit KI insgesamt zählen, findet mehr im Artikel über KI-Kompetenz.

Fazit

Prompt Engineering heißt heute vor allem: klar briefen, in Runden verbessern und gute Prompts aufheben. Die Studien zeigen, dass einzelne Techniken mit neuen Modellversionen an Wirkung verlieren können, dass viele Nutzer nach der ersten Antwort aufhören und dass eine Erklärung vor dem Ergebnis die Prüfung erleichtert.

Mein Vorschlag für diese Woche: Nimm die eine Aufgabe, die du am häufigsten mit KI erledigst, und schreib dafür einen Prompt mit allen fünf Bausteinen. Speichere ihn mit Datum und einem Testbeispiel. Wenn du sehen willst, welche Vorlagen und Skills ich selbst gerade baue, findest du das in den Unternehmer Thoughts.

Mit KI weiterdenken

Frag deine KI zu diesem Artikel

Öffnet den Dienst in einem neuen Tab. Erst mit dem Klick geht der Prompt an den Anbieter, vorher wird nichts übertragen.

Häufige Fragen

Was ist Prompt Engineering?

Prompt Engineering bezeichnet das bewusste Gestalten von Eingaben an ein KI-Sprachmodell. Dazu gehören Ziel, Kontext, Beispiele, das gewünschte Format und Prüfschritte. Ziel ist ein Ergebnis, das verlässlich und wiederholbar passt.

Welche Prompt-Techniken gibt es?

Bekannte Techniken sind Zero-Shot (Aufgabe ohne Beispiel), Few-Shot (Aufgabe mit Beispielen), Chain-of-Thought (die KI denkt in Schritten) und Rollenanweisungen. Eine Studie von Rudyk, Oertel und Hebig (2026) zeigt, dass ihr Nutzen je nach Modell und Modellversion stark schwankt.

Braucht man Prompt Engineering bei neuen KI-Modellen noch?

Weniger als früher, was Tricks angeht. Neuere Modelle folgen Anweisungen besser, manche Techniken bringen dort kaum noch etwas. Klarer Kontext, ein eindeutiges Ziel und ein Prüfschritt bleiben aber wichtig, weil das Modell deine Situation nicht kennt.

Wie lerne ich Prompt Engineering am schnellsten?

Nimm eine Aufgabe, die du jede Woche erledigst, und schreib dafür einen Prompt mit Ziel, Kontext, Beispiel und Format. Verbessere ihn über mehrere Runden und speichere die beste Fassung. Durch dieses Wiederholen lernst du mehr als durch Listen mit Tricks.

Quellen4 Quellen
  1. Rudyk, Oertel, Hebig (2026): Aging of Prompt Engineering Techniques Across LLM Versions. IEEE International Conference on Software Maintenance and Evolution (ICSME) (öffnet in neuem Tab)
  2. Posavec (2026): Leveraging Generative AI in Support of Self-Directed Learning: Insights from Student Prompting Practices. International Journal of Instruction (öffnet in neuem Tab)
  3. Raiter (2026): Explanation First Prompting for Reviewing AI Programming Answers in Undergraduate Courses. International Conference on Advanced Computer Information Technologies (ACIT) (öffnet in neuem Tab)
  4. Kasimala, Kumar (2026): PromptOps: An End-to-End Architecture for Prompt Engineering Lifecycle Management in Large Language Model Applications. IEEE International Conference on AI and Data Analytics (ICAD) (öffnet in neuem Tab)

Passt dazu

Alle Artikel