Prompt Engineering ist das Formulieren von Anweisungen an ein KI-Modell. Bei aktuellen Modellen zählen dabei weniger Formulierungstricks als Informationen: die Absicht hinter der Aufgabe, gute Beispiele und ein prüfbares Ziel. Context Engineering geht einen Schritt weiter und sorgt dafür, dass das Modell zur richtigen Zeit genau die Informationen hat, die es braucht.
Was ist Prompt Engineering?
Prompt Engineering ist die Kunst, Anweisungen an ein KI-Modell so zu formulieren, dass gute Ergebnisse herauskommen. Lange galt dabei: Je genauer die Rolle und je nachdrücklicher die Anweisung, desto besser. „Du bist ein erfahrener Texter, das ist extrem wichtig." Bei aktuellen Modellen trägt das kaum noch etwas bei. Sie versuchen ohnehin, das bestmögliche Ergebnis zu liefern. Was heute zählt, sind nicht Formulierungstricks, sondern Informationen.
Was ist Context Engineering?
Context Engineering heißt, dem Modell zur richtigen Zeit die richtigen Informationen zu geben und alles andere draußen zu lassen. Ein Sprachmodell unterscheidet nicht zwischen Anweisung, Regel, Dokument und Gesprächsverlauf, für das Modell ist alles Text im sogenannten Kontextfenster. Wer diesen Raum gezielt füllt, bekommt bessere Ergebnisse als jemand, der an Formulierungen feilt.
Ein Grund, warum das so wichtig ist: Ein volles Kontextfenster macht Modelle unzuverlässiger. Anthropic misst das mit einem eigenen Test. Bei rund 256.000 Tokens findet ein Modell 93 Prozent der abgefragten Informationen wieder, bei einer Million Tokens nur noch 76 Prozent. Die Hintergründe stehen in Von Prompt Engineering zu Context Engineering, den Unterschied der beiden Begriffe im Detail erklärt Context Engineering vs. Prompt Engineering.
Was wirkt heute noch?
- Absicht statt Anweisung: nicht nur sagen, was das Modell tun soll, sondern wofür und für wen. Dann kann es die Aufgabe mit allem verbinden, was es sonst weiß.
- Zeigen statt beschreiben: drei echte Beispiele für das gewünschte Ergebnis wirken stärker als jede Beschreibung des Stils.
- Prüfbares Ziel: „nicht zu lang" ist keine Vorgabe, „500 Wörter, drei Absätze, am Ende ein Tipp" schon. Und dazu, wogegen das Modell sein Ergebnis prüfen soll.
- Grenzen benennen: sagen, was das Modell nicht tun soll. Aktuelle Modelle neigen dazu, sich hilfreiche Zusatzaufgaben auszudenken.
- Den richtigen Ausschnitt geben: die relevanten Dokumente statt des ganzen Ordners.
Zehn konkrete Tipps nach Anthropics eigener Anleitung stehen in 10 Tipps für bessere Claude-Prompts, welche Techniken überholt sind, in Prompting-Techniken: Was wirklich wirkt.
Eine Vorlage für gute Prompts
Diese Struktur funktioniert für fast jede Aufgabe im Büro:
| Baustein | Beispiel |
|---|---|
| Situation | Ich schreibe ein Angebot für einen Maschinenbauer, der uns über die Messe kennt. |
| Ziel | Er soll verstehen, warum sich die teurere Variante für ihn rechnet. |
| Material | Hier sind meine Gesprächsnotizen und unsere Preisliste. |
| Beispiele | Hier sind zwei Angebote, die gut angekommen sind. |
| Ergebnis | Eine Seite, drei Abschnitte, sachlicher Ton, am Ende ein Terminvorschlag. |
| Grenzen | Keine Rabatte anbieten, keine Liefertermine zusagen. |
| Prüfung | Vergleiche Ton und Länge mit den beiden Beispielen. |
Vom guten Prompt zur Vorlage im Team
Was einmal gut funktioniert hat, gehört festgehalten, statt es jede Woche neu zu formulieren. Drei Stufen haben sich bewährt:
- Projektanweisungen in ChatGPT oder Claude für wiederkehrende Aufgaben eines Teams.
- Skills: kleine Ordner mit Anweisungen und Beispielen, die das Modell nur lädt, wenn die Aufgabe sie braucht. Wie man sie baut, zeigt Agent Skills erstellen.
- Automatisierte Abläufe, in denen der Prompt fester Bestandteil eines Workflows ist und ohne manuelles Kopieren läuft.
Häufige Fehler beim Prompten
- Rollen und Nachdruck statt Information: „Du bist ein Experte" ersetzt keine Beispiele.
- Endlose Chatverläufe: Ein Gespräch, das den ganzen Tag weiterläuft, füllt den Kontext mit Altlasten. Lieber neu beginnen.
- Alles auf einmal: fünf Aufgaben in einem Prompt statt fünf klarer Schritte.
- Ungeprüfte Übernahme: Ergebnisse, vor allem Zahlen, Namen und Zitate, immer gegen die Quelle prüfen.
- Zu viel Kontext: Jedes mitgeschickte Wort kostet Aufmerksamkeit und, bei automatisierten Abläufen, Geld. Wie stark das durchschlägt, zeigt KI-Kosten senken.
Wie lernt ein Team gutes Prompten?
Am schnellsten an den eigenen Aufgaben. Wer im Workshop seine echten Angebote, Mails und Protokolle mit KI bearbeitet und dabei gemeinsam Vorlagen baut, nutzt sie am nächsten Tag weiter. Wer allgemeine Beispiele gesehen hat, fällt meist in alte Gewohnheiten zurück. Für Entwickler und technisch Interessierte zeigen Claude-Code-Befehle und OpenAI Codex, wie dieselben Prinzipien bei Coding-Agenten greifen.
Häufige Fragen
Was ist der Unterschied zwischen Prompt Engineering und Context Engineering?
Prompt Engineering optimiert die Anweisung selbst. Context Engineering gestaltet alles, was das Modell zu sehen bekommt: Anweisungen, Beispiele, Dokumente und Verlauf. Bei aktuellen Modellen bringt das zweite deutlich mehr.
Bringen Rollen wie „Du bist ein Experte" noch etwas?
Kaum. Eine Rollenangabe verändert höchstens den Stil. Beispiele, Ziel und Prüfkriterien verbessern das Ergebnis weit stärker.
Wie lang sollte ein guter Prompt sein?
So lang, wie nötig, um Situation, Ziel, Material, Beispiele, Ergebnis und Grenzen zu beschreiben. Das sind oft nur wenige Zeilen plus Anhänge. Unnötiger Text verschlechtert das Ergebnis eher.
Kann man Prompt Engineering lernen?
Ja, am schnellsten an den eigenen Aufgaben. Wer mit echten Beispielen aus dem Alltag übt und daraus Vorlagen baut, nutzt sie danach auch.
Im Workshop baut dein Team an einem Tag Prompt-Vorlagen für die eigenen Aufgaben. KI-Workshop →