Meisterkurs Prompt Engineering
Strukturierte Frameworks nutzen
Von Anweisungen zu Architektur
Einfache Chats mit einer KI sind wie ein kurzes Gespräch. Man stellt eine Frage und bekommt eine Antwort. Aber um wirklich komplexe und vorhersagbare Ergebnisse zu erzielen, müssen wir unsere Prompts nicht als bloße Anweisungen, sondern als Architektur betrachten. Wir entwerfen einen Rahmen, in dem die KI operieren soll.
Strukturierte Frameworks sind die Baupläne für diese Architektur. Sie wandeln vage Wünsche in präzise, logische Anweisungen um. Anstatt der KI einen Haufen Text zuzuwerfen und auf das Beste zu hoffen, geben wir ihr eine klare Struktur, die jeden Aspekt der Aufgabe definiert. Das reduziert Fehler und erhöht die Qualität der Antwort erheblich.
Gut strukturierte Prompts helfen der KI, den Kontext zu verstehen und genauere, relevantere und präzisere Inhalte zu liefern.
Das CO-STAR-Framework
Eines der nützlichsten Frameworks ist CO-STAR. Es ist ein Akronym, das sicherstellt, dass du alle wesentlichen Elemente für einen qualitativ hochwertigen Prompt abdeckst. Betrachten wir die einzelnen Teile:
| Komponente | Beschreibung |
|---|---|
| Context | Hintergrundinformationen, die die KI benötigt, um die Aufgabe zu verstehen. |
| Objective | Das klare, spezifische Ziel. Was genau soll die KI tun? |
| Style | Der Schreibstil, der verwendet werden soll (z. B. formell, akademisch, journalistisch). |
| Tone | Die emotionale Färbung des Textes (z. B. optimistisch, neutral, humorvoll). |
| Audience | Für wen ist die Antwort bestimmt? (z. B. Experten, Anfänger, Kinder). |
| Response | Das gewünschte Format der Ausgabe (z. B. eine Liste, eine Tabelle, ein JSON-Objekt). |
Anstatt zu fragen: „Schreib was über die Vorteile von Remote-Arbeit“, ermöglicht CO-STAR eine viel präzisere Anweisung.
CONTEXT: Ich bin ein Manager, der seinem CEO die Vorteile von Remote-Arbeit präsentieren möchte, um eine unternehmensweite Richtlinie dafür durchzusetzen.
OBJECTIVE: Erstelle eine überzeugende Zusammenfassung der fünf wichtigsten Vorteile von Remote-Arbeit für unser Unternehmen. Konzentriere dich auf Produktivität, Mitarbeiterbindung und Kosteneinsparungen.
STYLE: Professionell und datengestützt.
TONE: Überzeugend und zuversichtlich.
AUDIENCE: Ein vielbeschäftigter CEO, der schnell die wichtigsten Punkte erfassen muss.
RESPONSE: Formatiere die Antwort als eine Aufzählungsliste mit kurzen Erklärungen für jeden Punkt.
Das RISEN-Framework
RISEN ist ein weiteres starkes Framework, das sich besonders gut für aufgabenorientierte Prompts eignet. Es strukturiert die Anweisung um eine klare Rolle und einen schrittweisen Prozess.
| Komponente | Beschreibung |
|---|---|
| Role | Weise der KI eine bestimmte Rolle oder Persona zu (z. B. „Du bist ein erfahrener Marketing-Stratege“). |
| Instructions | Die Hauptanweisung, die die KI befolgen soll. |
| Steps | Eine schrittweise Anleitung, wie die Aufgabe ausgeführt werden soll. |
| End Goal | Das übergeordnete Ziel oder der gewünschte Endzustand. |
| Narrowing | Einschränkungen oder negative Anweisungen (z. B. „Vermeide Fachjargon“). |
RISEN hilft, komplexe Aufgaben in überschaubare Teile zu zerlegen. Hier ist ein Beispiel für die Erstellung eines Marketingplans.
ROLE: Du bist ein Social-Media-Marketingexperte, der sich auf Tech-Startups spezialisiert hat.
INSTRUCTIONS: Entwickle eine Social-Media-Strategie für die Einführung einer neuen Projektmanagement-App.
STEPS:
1. Identifiziere die drei relevantesten Social-Media-Plattformen für die Zielgruppe.
2. Schlage für jede Plattform drei konkrete Content-Ideen vor.
3. Entwirf einen Beispiel-Post für LinkedIn.
END GOAL: Ziel ist es, einen klaren, umsetzbaren Plan zu erstellen, mit dem das Marketing-Team sofort starten kann.
NARROWING: Konzentriere dich nur auf organische (nicht bezahlte) Strategien. Verwende keine Hashtags, die mehr als 20 Zeichen haben.
Kontext und Trennzeichen
Ein häufiger Fehler ist es, Kontext und Anweisungen einfach als einen langen Textblock zu übergeben. Das kann die KI verwirren. Besser ist es, die verschiedenen Teile des Prompts klar voneinander zu trennen. Hierfür eignen sich Trennzeichen (Delimiter) wie Markdown oder XML-Tags.
Durch die Verwendung von Tags wie <context> oder <anweisung> weiß das Modell genau, welcher Teil des Prompts welche Funktion hat. Das ist besonders wichtig, wenn du der KI große Mengen an Text zur Analyse gibst.
Anstatt die KI raten zu lassen, wo die Daten enden und die Anweisung beginnt, schaffen wir eine saubere Trennung.
Hier ist ein Kundenfeedback zu unserem Produkt:
<feedback>
Die Benutzeroberfläche ist etwas unübersichtlich, aber der Kundenservice war fantastisch und hat mein Problem schnell gelöst. Das Preis-Leistungs-Verhältnis ist unschlagbar.
</feedback>
<anweisung>
Fasse das obige Feedback in einem einzigen Satz zusammen und extrahiere die positiven und negativen Aspekte in einer Liste.
</anweisung>
Diese Methode erhöht die Zuverlässigkeit dramatisch, da die KI nicht versehentlich Teile der Daten als Anweisung interpretiert oder umgekehrt.
Warum ist die Verwendung von strukturierten Frameworks wie CO-STAR oder RISEN beim Prompting von KI-Modellen vorteilhaft?
Welchen Hauptzweck erfüllen Trennzeichen (Delimiter) wie <kontext> und </kontext> in einem KI-Prompt?
Die Verwendung von Frameworks und klarer Strukturierung ist der erste Schritt, um vom Gelegenheitsnutzer zum professionellen Anwender von KI-Systemen zu werden. Es legt die Grundlage für alle weiteren fortgeschrittenen Techniken.