Ein Prompt ist eine Spezifikation. Prompt Engineering heißt, sie gut zu schreiben und zu prüfen, ob das Modell ihr folgt.
So funktioniert es
Der Leitfaden von OpenAI definiert Prompt Engineering als „the process of writing effective instructions for a model“ (Übersetzung: „den Prozess, wirksame Anweisungen für ein Modell zu schreiben“), damit es „consistently generates content that meets your requirements“ (Übersetzung: „zuverlässig Inhalte erzeugt, die Ihre Anforderungen erfüllen“). Die Kerntechniken ähneln sich bei allen Anbietern:
| Technik | Was zu tun ist |
|---|---|
| Rollen | Regeln in den System-Prompt (oder die Developer-Message), die Anfrage in die User-Message |
| Struktur | System-Prompt in der Reihenfolge Identität, Anweisungen, Beispiele, Kontext; Abschnitte mit Markdown-Überschriften und XML-Tags markieren |
| Beispiele | Einige Input-Output-Paare ergänzen (Few-Shot-Prompting), die verschiedene Fälle abdecken |
| Reasoning | Schrittweises Denken anfordern (Chain of Thought) oder ein Reasoning-Modell nutzen |
| Ausgabeformat | Ein festes Format verlangen oder strukturierte Ausgabe nutzen, wo die API sie unterstützt |
| Stabilität | Eine Modellversion fixieren, damit sich das Verhalten nicht unbemerkt ändert |
Der Überblick von Anthropic rät, mit drei Dingen zu beginnen: klaren Erfolgskriterien, einer Möglichkeit, dagegen zu testen, und einem ersten Prompt-Entwurf. In der Praxis heißt das: ein Eval-Set.
Ein kurzes Beispiel, vorher und nachher. Die zweite Fassung legt eine Rolle fest, verlangt genau drei Stichpunkte (Problem, Auswirkung auf den Kunden, nächster Schritt), übernimmt Fehlermeldungen im Wortlaut des Kunden und verbietet Vermutungen über Ursachen:
Before: Summarize this ticket.
After: You summarize support tickets for an engineering team.
Write 3 bullet points: the problem, the customer impact, the next step.
Use the customer's words for error messages. Do not guess at causes.
<ticket>...</ticket>
Bei Agenten ist der Prompt nur ein Teil eines größeren Kontexts. Der Beitrag von Anthropic zum Context Engineering trennt Prompt Engineering, „methods for writing and organizing LLM instructions“ (Übersetzung: „Methoden zum Schreiben und Organisieren von LLM-Anweisungen“), vom Context Engineering, das alles andere verwaltet, was das Modell sieht.
Warum es wichtig ist
- Qualität ohne Training. Ein besserer Prompt ist die günstigste Lösung, die Sie ausprobieren können, noch vor Fine-Tuning oder einem größeren Modell.
- Kosten. Der System-Prompt wird bei jeder Anfrage erneut gesendet. Streichen Sie, was den Output nicht verändert; siehe Prompt-Tokens reduzieren.
- Migration. Ein Prompt, der auf ein Modell abgestimmt ist, kann sich bei einem anderen anders verhalten. Lassen Sie Ihr Eval-Set nach einem Wechsel erneut laufen.
Bei BroadNet Inference
Die Chat-Modelle von BroadNet nehmen die standardmäßige messages-Liste von Chat Completions entgegen; die Rollen system, user und assistant sowie Few-Shot-Beispiele funktionieren also wie gewohnt. Im Playground können Sie Prompts ausprobieren, bevor Sie Code schreiben. Für arabischen Output behandelt arabisches Prompt Engineering Register, Dialekt, Ziffern und Formatierung von rechts nach links.
Strukturierte Ausgabe ist für GLM 5.3 und Qwen3.8 27B dokumentiert. Bei DeepSeek V4.1 Flash, GLM 5.3 und Qwen3.8 27B zählt Reasoning zu max_tokens; ein Prompt nach dem Muster „think step by step“ (Übersetzung: „denke Schritt für Schritt“) braucht also auch Platz im Budget.