Prompt Engineering bedeutet, Anweisungen so zu gestalten, dass ein KI-Modell nützliche Arbeit leistet, statt abzuschweifen, zu halluzinieren oder Constraints zu ignorieren. In der Praxis beginnt das fast immer mit einer Trennung: den dauerhaften Regeln, denen das Modell folgen soll, und der Aufgabe, die Sie jetzt stellen.
Diese Trennung ist System-Prompt vs. User-Prompt. Wer sie beherrscht, macht aus vagem Prompt-Engineering-Rat konkrete Arbeitsweise.
Wenn Sie vor allem Copy-Paste-Vorlagen brauchen, nutzen Sie den Begleitartikel: System-Eingabeaufforderung vs. Benutzer-Eingabeaufforderung: Unterschiede, Beispiele und Vorlagen. Dieser Text definiert den Begriff, erklärt das Verhaltensmodell und zeigt, wie beide Ebenen zusammenwirken.
Was ist Prompt Engineering?
Prompt Engineering ist die Fähigkeit, Modelleingaben so zu formen, dass die Ausgabe zum Ziel passt: korrekte Fakten, richtiges Format, passender Ton und sichere Grenzen. Offizielle Hersteller-Dokumentationen beschreiben dieselbe Idee mit leicht unterschiedlicher Formulierung:
- IBM zu Prompt Engineering beschreibt es als Schreiben von Eingaben, die das Modellverhalten steuern.
- OpenAIs Prompt-Engineering-Guide betont klare Anweisungen, Struktur und Iteration.
- Anthropics Prompt-Engineering-Überblick legt Wert auf explizite Rollen, Beispiele und Constraints.
- Googles Gemini Prompting Strategies behandeln Klarheit, Kontext und iterative Verfeinerung.
Sie brauchen keinen besonderen Titel dafür. Wer Anweisungen für ein LLM schreibt, betreibt Prompt Engineering. Die Fähigkeit zeigt sich in Chat-Tools, Support-Agenten, Sales-Entwürfen, Coding-Assistenten und Automations-Workflows.
Was Prompt Engineering nicht ist
- Es sind keine magischen Keywords, die ein Modell „freischalten“.
- Es bedeutet nicht, jede Richtlinie in eine einzige lange User-Nachricht zu stopfen.
- Es bedeutet nicht, Kennzahlen oder Fallstudien zu erfinden, um zu beweisen, dass Prompts „funktionieren“.
- Es ist kein einmaliges Setup. Modelle ändern sich, Aufgaben ändern sich, und Prompts brauchen Review.
System-Prompt vs. User-Prompt: die zentrale Trennung
| Aspekt | System-Prompt | User-Prompt |
|---|---|---|
| Zweck | Dauerhafte Rolle, Regeln und Leitplanken | Sofortige Aufgabe oder Frage |
| Umfang | Gilt über viele Turns oder Sessions | Meist eine Anfrage |
| Wer setzt ihn | Product Owner, Entwickler, Admins | Endnutzer oder Workflow-Schritt |
| Änderungen | Selten, wenn sich die Verhaltenspolitik ändert | Bei jeder Aufgabe |
| Typischer Inhalt | Persona, Ton, Compliance-Regeln, Ausgabe-Schema | Daten, Frage, Format für diesen Job |
System-Prompts: die stehende Stellenbeschreibung
Ein System-Prompt sagt dem Modell, wer es ist, was es tun darf und was es ablehnen muss. Gute System-Prompts enthalten in der Regel:
- Identität: Rolle und Domäne (zum Beispiel „Sie sind ein Support-Agent für ein B2B-SaaS-Billing-Produkt“).
- Grenzen: Was nicht erfunden werden darf, was eskaliert wird, welche Daten tabu sind.
- Stil: Ton, Länge, Sprache, Zitiergewohnheiten.
- Ausgabe-Vertrag: geforderte Struktur wie Markdown-Abschnitte, JSON-Keys oder eine kurze Checkliste.
Halten Sie System-Prompts stabil. Wenn jedes Ticket die Markenstimme neu schreibt, haben Sie keinen System-Prompt. Sie haben Chaos.
User-Prompts: die Aufgabe für diesen Moment
Ein User-Prompt ist der Arbeitsauftrag. Die Forschung von Nielsen Norman Group zur Prompt-Struktur betont ein praktisches Muster: klare Anfrage, relevanter Kontext, definiertes Format und unterstützende Referenzen (NN/g zu AI-Prompt-Struktur).
Schwacher User-Prompt:
Fassen Sie das zusammen.
Stärkerer User-Prompt:
Fassen Sie den angehängten Churn-Report in drei Bullet Points zusammen: Top-Treiber, gefährdete Segmente und zwei nächste Schritte. Maximal 80 Wörter. Einfache Sprache für eine nicht-technische Gründerin oder einen Gründer.
Der System-Prompt besitzt bereits Ton und Sicherheit. Der User-Prompt besitzt den Job.
Wie beide Ebenen das KI-Verhalten formen
Denken Sie in Schichten:
- Die System-Ebene setzt die Standardpolitik.
- Die User-Ebene liefert den variablen Input.
- Das Modell versucht, beides zu erfüllen. Bei Konflikten wird das Verhalten seltsam: ignorierte Regeln, kaputte Formate oder überhebliche Vermutungen.
Deshalb ist Prompt Engineering für Produktionssysteme vor allem Architektur, nicht clevere Einzeiler:
- Legen Sie wiederverwendbare Regeln in den System-Prompt.
- Legen Sie Aufgabendaten und einmalige Constraints in den User-Prompt.
- Fügen Sie wenige Beispiele nur hinzu, wenn sich das Format schwer in Worten beschreiben lässt.
- Iterieren Sie, wenn Fehler sich wiederholen. „Reparieren“ Sie eine systemische Regel nicht, indem Sie sie in jede User-Nachricht kopieren.
Mini-Beispiel: Support-Triage
System-Prompt (stabil):
You are a first-line support triage assistant for a B2B SaaS product.
Be concise and factual. Never invent policy.
If the answer is not in the provided knowledge snippets, say you are unsure and recommend human follow-up.
Return Markdown with sections: Summary, Likely cause, Suggested reply, Escalate? (yes/no).
User-Prompt (pro Ticket):
Ticket subject: Invoice shows duplicate charge
Customer plan: Pro annual
Knowledge snippets:
- Refunds for duplicate charges require billing review within 5 business days.
- Customers should not be told a refund is already processed unless billing confirms it.
Draft the triage output.
Derselbe System-Prompt kann Hunderte Tickets bedienen. Jeder User-Prompt bleibt kurz und spezifisch.
Praktische Prompt-Engineering-Checkliste
Nutzen Sie diese Liste, wenn ein KI-Workflow unzuverlässig wirkt:
- Schreiben Sie das Ziel in einem Satz. Wenn Sie das nicht können, wird der Prompt es auch nicht.
- Trennen Sie dauerhafte und temporäre Anweisungen. Dauerhaft gehört ins System. Temporär gehört zum User.
- Benennen Sie das Ausgabeformat. Bullets, Tabelle, JSON, E-Mail-Entwurf: wählen Sie eines.
- Geben Sie nur den nötigen Kontext. Extra-Paste erhöht Rauschen und Kosten.
- Definieren Sie das Unsicherheitsverhalten. Sagen Sie dem Modell, was zu tun ist, wenn Evidenz fehlt.
- Testen Sie mit schweren Fällen, nicht nur Happy Paths: fehlende Daten, widersprüchliche Notizen, aggressive Eingaben.
- Ändern Sie beim Debuggen nur eine Sache. Sonst wissen Sie nicht, was den Fehler behoben hat.
- Versionieren Sie den System-Prompt wie Code, wenn er Automatisierung antreibt.
Für tiefere Vorlagen und Ablehnungsmuster siehe System-Eingabeaufforderung vs. Benutzer-Eingabeaufforderung: Unterschiede, Beispiele und Vorlagen.
Häufige Fehler im Prompt Engineering
- Alles im User-Prompt. Regeln gehen verloren, wenn die Nachricht lang wird.
- Vage Verben. „Mach das besser“ ohne Kriterien erzeugt zufällige Umschreibungen.
- Widersprüchliche Anweisungen. „Sei knapp“ und „decke jeden Randfall ab“ in derselben Ebene.
- Kein Ausgabe-Vertrag. Freier Fließtext lässt sich schwer in n8n, Sheets oder CRM-Felder leiten.
- Stille Fehlermodi. Das Modell erfindet Richtlinien, statt „unbekannt“ zu sagen.
- System-Prompt nie überarbeiten. Die Produktpolitik hat sich geändert; der Prompt nicht.
Fazit
Prompt Engineering ist keine mysteriöse Spezialdisziplin. Es ist die Disziplin, KI klare, geschichtete Anweisungen zu geben. Die wirkungsvollste Trennung ist System-Prompt vs. User-Prompt: stehende Regeln auf der einen Seite, aktuelle Aufgabe auf der anderen.
Beginnen Sie mit einem Workflow, der Ihr Team bereits frustriert. Schreiben Sie einen kurzen System-Prompt, formulieren Sie einen User-Prompt mit Anfrage-Kontext-Format-Constraints neu und prüfen Sie, ob die Ausgaben weniger Nacharbeit brauchen. Wenn Sie als Nächstes fertige Vorlagen wollen, öffnen Sie den oben verlinkten Begleitartikel, oder buchen Sie ein kurzes Automatisierungs-Strategiegespräch, wenn Sie Prompts in einen echten Workflow einbinden möchten.