Techniken des Prompt Engineering: ein praktischer Leitfaden zu Zero-Shot, Few-Shot, Chain-of-Thought und mehr

Prompt Engineering ist der günstigste und schnellste Weg, um zu verändern, was ein großes Sprachmodell tut: Sie ändern die Eingabe, nicht das Modell. Kein Training, keine Datenpipeline, keine GPU-Rechnung - nur klarere Anweisungen. Es ist die erste Stufe der Anpassungsleiter (siehe wie KI-Modelle trainiert werden für die vollständige Leiter), und es wird in jeder grundlegenden KI- und Generative-AI-Prüfung intensiv abgefragt, vom AWS AI Practitioner (AIF-C01) bis zu den Pendants von Azure und Google Cloud.

Dieser Leitfaden ist anbieterneutral - die Techniken funktionieren bei jedem modernen LLM gleich. Er behandelt die Anatomie eines guten Prompts, die Kerntechniken mit dem jeweiligen Einsatzzweck, die Inferenzeinstellungen, die die Ausgabe formen, und die Sicherheitsrisiken, die Sie kennen müssen. Wo eine Prüfung auf etwas Wert legt, gibt es einen Hinweis „In der Prüfung“. Behandeln Sie ihn als Nachschlagewerk, das Sie abschnittsweise durchgehen.

Was Prompt Engineering ist (und was nicht)

Was es ist. Das Gestalten und Verfeinern des Textes, den Sie einem Modell geben, damit es die gewünschte Ausgabe zurückliefert. Es nutzt aus, was das Modell während des Pre-Trainings bereits gelernt hat; Sie steuern, Sie lehren nicht.

Warum es wichtig ist. Es ist nahezu kostenlos und sofort verfügbar. Bevor Sie zu RAG oder Fine-Tuning greifen - die Daten, Geld und Zeit kosten - sollten Sie das Prompting ausschöpfen. Oft schließt ein besserer Prompt die gesamte Lücke.

Was es nicht ist. Es ändert nicht die Gewichte des Modells. Wenn dem Modell schlicht das Wissen (Ihre privaten Daten) oder ein verlässliches Verhalten fehlt, wird Prompting allein das nicht beheben - dann steigen Sie auf zu RAG oder Fine-Tuning. Verwechseln Sie Prompt Engineering (das Schreiben besserer Anweisungen) nicht mit Prompt Tuning (einer Trainingstechnik, die „Soft-Prompt“-Vektoren lernt); die Prüfung behandelt Prompt Engineering als die Option ohne erneutes Training.

Die Anatomie eines guten Prompts

Die meisten starken Prompts enthalten bis zu vier Teile:

• Anweisung - die Aufgabe: „Zusammenfassen“, „Klassifizieren“, „Übersetzen“, „Extrahieren“.
• Kontext - Hintergrund, den das Modell braucht: Zielgruppe, Ton, Domäne, Einschränkungen.
• Eingabedaten - der eigentliche Inhalt, auf den reagiert werden soll.
• Ausgabeindikator - die Form der Antwort: „Gib JSON zurück“, „Ein Satz“, „Eine Aufzählungsliste“.

Prinzipien, die jeden Teil funktionieren lassen:

• Seien Sie spezifisch und eindeutig. „Schreibe eine 3-Satz-Zusammenfassung für einen nicht-technischen Leser“ schlägt „fasse das zusammen“.
• Bevorzugen Sie positive Anweisungen. Sagen Sie dem Modell, was es tun soll, nicht nur, was es vermeiden soll; „Antworte nur mit dem Kategorienamen“ ist klarer als ein Haufen „Nicht“-Regeln (auch wenn negative Einschränkungen ihren Platz haben - siehe unten).
• Geben Sie Einschränkungen vor. Länge, Ton, Leseniveau, Format, was auszuschließen ist.
• Verwenden Sie Trennzeichen. Umschließen Sie die Eingabe mit klaren Trennern - dreifache Anführungszeichen, XML-artige Tags oder Markdown-Überschriften - damit das Modell weiß, wo Anweisungen enden und Daten beginnen. Das verringert auch das Risiko, dass von Nutzern gelieferter Text als Anweisung gelesen wird (siehe Prompt Injection).
• Legen Sie den Ausgabevertrag fest. Wenn ein anderes Programm die Ausgabe liest, geben Sie die exakte Form an (gültiges JSON mit diesen Schlüsseln, kein Fließtext drumherum). Modelle halten sich nicht an eine Struktur, wenn Sie sie nicht einfordern.

Die Kerntechniken

Zero-Shot-Prompting

Was. Bitten Sie das Modell, die Aufgabe ohne Beispiele zu erledigen, und verlassen Sie sich rein auf sein vortrainiertes Wissen.

Wann. Einfache, verbreitete Aufgaben, die das Modell eindeutig schon gesehen hat (grundlegende Klassifizierung, unkomplizierte Zusammenfassungen, allgemeine Fragen).

Risiko. Ist die Aufgabe ungewöhnlich oder weit vom Training des Modells entfernt, können Zero-Shot-Ergebnisse unzuverlässig sein - das ist Ihr Signal, Beispiele hinzuzufügen.

In der Prüfung. Zero-Shot bedeutet keine Beispiele im Prompt. Das genannte Risiko ist schlechte Leistung, wenn die Aufgabe zu weit von dem entfernt ist, was das Modell gelernt hat.

One-Shot- und Few-Shot-Prompting (In-Context Learning)

Was. Fügen Sie ein (One-Shot) oder wenige (Few-Shot) durchgearbeitete Beispiele aus Eingabe-und-gewünschter-Ausgabe in den Prompt ein, damit das Modell das Muster ableitet. Dies wird auch In-Context Learning genannt, weil das Modell die Aufgabe aus dem Kontext des Prompts „lernt“, ohne jegliche Parameteraktualisierungen.

Wann. Die Aufgabe hat ein bestimmtes Format, einen Labelsatz oder einen Stil, den Sie konsistent nachgebildet haben wollen - zum Beispiel das Klassifizieren von Nachrichten in Ihre eigenen Kategorien oder das Treffen eines bestimmten Tons.

Wie. Zeigen Sie 2 bis 5 saubere, repräsentative Beispiele, die die Bandbreite der Fälle abdecken, und geben Sie dann die neue Eingabe. Eine konsistente Formatierung über die Beispiele hinweg zählt mehr als die Menge.

In der Prüfung. Few-Shot Learning und In-Context Learning sind dieselbe Idee: Beispiele im Prompt, kein erneutes Training. Es ist die Standardantwort für „das Modell einem bestimmten Muster oder Labelschema folgen lassen, ohne Fine-Tuning“.

Chain-of-Thought-(CoT-)Prompting

Was. Bitten Sie das Modell, Schritt für Schritt zu schließen, bevor es die endgültige Antwort gibt, statt direkt darauf zu springen.

Wann. Mehrstufige Probleme: Arithmetik, Logik, Planung, alles, wo Zwischenschlüsse helfen.

Wie. Liefern Sie entweder Beispiele, die das Schließen zeigen (Few-Shot CoT), oder hängen Sie einfach einen Auslöser wie Let's think step by step an, um das Schließen ohne Beispiele hervorzurufen (Zero-Shot CoT).

In der Prüfung. Chain-of-Thought ist die genannte Technik, um die Leistung bei komplexem, mehrstufigem Schließen zu verbessern.

Self-Consistency

Was. Führen Sie Chain-of-Thought mehrmals aus (mit etwas Zufall) und nehmen Sie dann die Antwort, die über die Durchläufe hinweg am häufigsten vorkommt.

Wann. Schließen mit hohem Einsatz, bei dem eine einzelne Kette danebengehen könnte; mehrere zu ziehen und abzustimmen verbessert die Zuverlässigkeit.

Rollen- (Persona-) und System-Prompting

Was. Sagen Sie dem Modell, wer es sein soll - „Du bist ein leitender Steuerberater“, „Du bist ein knapper Code-Reviewer“. In Chat-Modellen liegt dies oft in einem separaten System-Prompt, der dauerhaftes Verhalten festlegt.

Wann. Um Ton, Fachniveau oder Perspektive über ein ganzes Gespräch hinweg festzulegen.

Wie. Geben Sie die Rolle, die Zielgruppe und die Einschränkungen vorab an. Halten Sie den System-Prompt stabil; variieren Sie den Nutzer-Prompt.

Trennzeichen und Struktur

Was. Verwenden Sie explizite Markierungen, um die Teile Ihres Prompts zu trennen (Anweisungen vs. Daten vs. Beispiele).

Warum. Es verbessert die Einhaltung jedes Abschnitts durch das Modell und hilft vor allem, zu verhindern, dass nicht vertrauenswürdige Eingaben als Anweisungen interpretiert werden.

Ausgabeformatierung

Was. Legen Sie die genaue Ausgabeform fest und bitten Sie das Modell idealerweise, die Antwort in Tags zu umschließen oder striktes JSON zurückzugeben.

Warum. Unerlässlich, wenn die Ausgabe in ein anderes Programm oder Modell einfließt. Ein expliziter Ausgabevertrag verwandelt fehleranfälliges Parsen in verlässliche Pipelines.

Prompt-Vorlagen

Was. Wiederverwendbare, parametrisierte Prompt-Strukturen mit Platzhaltern, die Sie zur Laufzeit füllen.

Warum. Konsistenz und Wartbarkeit - Ihre Anwendung erzeugt jedes Mal denselben gut getesteten Prompt und variiert nur die Eingabe. Verwaltete Plattformen bieten oft Funktionen für Prompt-Vorlagen und Prompt-Verwaltung genau dafür.

Aufgabenzerlegung und Prompt Chaining

Was. Zerlegen Sie eine komplexe Aufgabe in kleinere Prompts und speisen Sie die Ausgabe jedes Schritts in den nächsten ein.

Wann. Eine Aufgabe ist für einen einzigen Prompt zu groß oder zu mehrstufig (extrahieren, dann analysieren, dann entwerfen). Chaining ist verlässlicher als alles auf einmal zu verlangen, und jeder Schritt lässt sich leichter testen.

ReAct (Reason + Act)

Was. Ein Muster, bei dem das Modell Schließen mit Aktionen abwechselt - Werkzeuge aufrufen, suchen oder Daten abfragen - und dann das Ergebnis beobachtet und fortfährt. Es ist die Prompting-Idee hinter Agenten.

Wann. Das Modell braucht externe Informationen oder muss Schritte in der Welt unternehmen, nicht nur aus dem Gedächtnis antworten. (Dies verbindet Prompt Engineering mit Agenten-Frameworks.)

Negatives Prompting

Was. Geben Sie explizit an, was ausgeschlossen oder vermieden werden soll - „Keine persönlichen Meinungen einbeziehen“, „Jeglichen Code ausschließen“ oder, bei Bildmodellen, das Auflisten von Elementen, die Sie nicht wollen.

Wann. Um bekannte Fehlermodi auszuschließen. Verwenden Sie es als gezielte Ergänzung zu positiven Anweisungen, nicht als den gesamten Prompt.

Die Inferenzeinstellungen, die die Ausgabe formen

Der Prompt-Text ist nur die halbe Geschichte. Diese Generierungsparameter verändern die Ausgabe, ohne ein Wort Ihres Prompts zu ändern:

• Temperature - Zufälligkeit. Niedrig (nahe 0) liefert deterministische, wiederholbare, fokussierte Antworten; hoch liefert kreative, abwechslungsreiche.
• Top-p (Nucleus Sampling) und top-k - begrenzen den Pool an Kandidaten für das nächste Token, aus dem das Modell ziehen darf, ein weiterer Hebel für die Vielfalt.
• Max Tokens - begrenzt die Länge der Antwort.
• Stoppsequenzen - Zeichenfolgen, die dem Modell sagen, mit dem Generieren aufzuhören.

In der Prüfung. „Antworten konsistenter oder wiederholbarer machen“ bedeutet, die Temperature zu senken. Wissen Sie, dass Temperature und top-p/top-k Zufälligkeit und Vielfalt steuern und zur Inferenzzeit gesetzt werden, nicht in den Prompt-Text eingebacken.

Wo Prompting im Vergleich zu RAG und Fine-Tuning passt

Prompt Engineering ist das Erste, was man versuchen sollte, aber es hat Grenzen. Die Anpassungsleiter, das Günstigste zuerst:

• Prompt Engineering - die Anweisungen formen. Kein neues Wissen, kein erneutes Training.
• RAG (Retrieval-Augmented Generation) - Ihre eigenen aktuellen Daten zur Abfragezeit in den Prompt einfügen. Verwenden Sie es, wenn das Modell Fakten braucht, auf die es nie trainiert wurde, oder wenn sich Wissen häufig ändert.
• Fine-Tuning - auf gelabelten Beispielen neu trainieren, um ein Verhalten oder einen Stil einzubacken. Verwenden Sie es, wenn Prompting und RAG noch immer nicht konsistent genug sind.

In der Prüfung. Wenn ein Szenario private oder aktuelle Fakten braucht, reicht Prompting allein nicht - das ist RAG. Wenn es ein verlässlich wiederholtes Verhalten oder einen Fachstil braucht, ist das Fine-Tuning. Prompting ist die Antwort, wenn das Modell die Aufgabe bereits kann und nur klarere Steuerung braucht.

Prompt-Sicherheit und verantwortungsvolle Nutzung

Prompts sind eine Angriffsfläche. Grundlegende Prüfungen fragen diese unter verantwortungsvoller KI und Sicherheit ab:

• Prompt Injection - ein Angreifer versteckt Anweisungen in einer von Nutzern gelieferten Eingabe (oder in einem Dokument, das das Modell liest), um Ihren System-Prompt zu überschreiben und das Verhalten des Modells oder nachgelagerte Aktionen zu kapern.
• Jailbreaking - gestaltete Prompts, die die Sicherheits-Guardrails des Modells umgehen, um eingeschränkte oder schädliche Ausgaben zu erzeugen.
• Prompt Leaking - das Modell dazu bringen, seinen eigenen verborgenen System-Prompt oder vertraulichen Kontext preiszugeben.
• Adversariales Prompting im Allgemeinen - der Oberbegriff für diese Manipulationstechniken.

Abwehrmaßnahmen, die Sie kennen sollten:

• Vertrauenswürdige Anweisungen von nicht vertrauenswürdiger Nutzereingabe trennen und klar abgrenzen; niemals blind aneinanderhängen.
• Eingaben validieren und bereinigen; einschränken, was das Modell ausgeben und tun darf.
• Guardrails / Inhaltsfilter und PII-Schwärzung sowohl auf die Eingabe als auch auf die Ausgabe anwenden.
• Dem Modell und allen angebundenen Werkzeugen Zugriff nach dem Prinzip der geringsten Rechte geben, damit eine erfolgreiche Injection nicht viel anrichten kann.
• Einen Menschen für Aktionen mit hohem Einsatz in der Schleife behalten.

Prompting hilft auch bei Halluzination: verankern Sie das Modell in abgerufenen Fakten (RAG), bitten Sie es, Quellen zu zitieren, und erlauben Sie explizit „Ich weiß es nicht“, damit es aufhört, Antworten zu erfinden. Die Temperature zu senken und Verankerung hinzuzufügen verringert selbstsicheren Unsinn.

Checkliste der bewährten Praktiken

• Fangen Sie einfach an; fügen Sie Komplexität (Beispiele, Schließen, Chaining) erst hinzu, wenn der einfache Prompt scheitert.
• Seien Sie spezifisch: nennen Sie die Aufgabe, die Zielgruppe, die Einschränkungen und das exakte Ausgabeformat.
• Verwenden Sie Trennzeichen, um Anweisungen von Daten zu trennen.
• Fügen Sie Beispiele (Few-Shot) hinzu, wenn Sie ein bestimmtes Muster brauchen; fügen Sie Let's think step by step hinzu, wenn Sie Schließen brauchen.
• Iterieren und testen Sie mit echten Eingaben; kleine Wortänderungen zählen.
• Senken Sie die Temperature für Konsistenz; erhöhen Sie sie für Kreativität.
• Behandeln Sie Nutzereingaben als nicht vertrauenswürdig; grenzen Sie sie ab, validieren Sie sie und schützen Sie die Ausgabe.

Der 30-Sekunden-Entscheidungsleitfaden

• Einfache, vertraute Aufgabe -> Zero-Shot
• Ein bestimmtes Format oder Labelschema nötig -> Few-Shot (In-Context Learning)
• Mehrstufiges Schließen -> Chain-of-Thought (Let's think step by step hinzufügen)
• Höhere Zuverlässigkeit bei schwierigem Schließen nötig -> Self-Consistency (ziehen und abstimmen)
• Ton oder Fachniveau über einen Chat hinweg festlegen -> Rollen- / System-Prompt
• Ausgabe fließt in ein anderes Programm ein -> ein striktes Ausgabeformat festlegen (JSON, Tags)
• Aufgabe zu groß für einen Prompt -> zerlegen und verketten
• Modell braucht Werkzeuge oder Live-Daten -> ReAct / Agenten
• Private oder aktuelle Fakten nötig -> RAG, nicht Prompting
• Ein konsistent wiederholtes Verhalten nötig -> Fine-Tuning, nicht Prompting
• Ausgabe deterministisch machen -> die Temperature senken

Verwandte Zertifizierungen

Prompt Engineering ist zentral für jede Generative-AI-Prüfung - dieser Leitfaden erscheint unter „Verwandte Studienführer“ auf jedem ihrer Hubs:

• AWS Certified AI Practitioner (AIF-C01) - prüft Prompt-Techniken, In-Context Learning und Inferenzparameter direkt.
• AWS Certified Generative AI Developer Professional (AIP-C01) - geht tiefer auf das Bauen mit Prompts, RAG und Agenten ein.
• Microsoft Azure AI Fundamentals (AI-900 / AI-901) - Grundlagen von generativer KI und Prompting.
• Google Cloud Generative AI Leader - Prompt-Design und Nutzung von Foundation-Modellen.
• NVIDIA-Certified Associate: Generative AI and LLMs (NCA-GENL) - LLM-Prompting und -Anpassung.
• Claude Certified Architect - Foundations (CCA-F) - Claude effektiv prompten.
• IBM watsonx Generative AI Engineer Associate - Grundlagen der generativen KI.

Wie Sie das lernen

Üben Sie für eine Prüfung, ein Szenario einer Technik zuzuordnen, und kennen Sie die Grenzen, über die Leute stolpern: Zero-Shot vs. Few-Shot, Chain-of-Thought als das Werkzeug zum Schließen, Temperature als den Hebel für Konsistenz und - der große Punkt - Prompting vs. RAG vs. Fine-Tuning (Steuern vs. Fakten hinzufügen vs. Verhalten ändern). Für die echte Arbeit halten Sie Prompts spezifisch, abgegrenzt und getestet und behandeln Sie jede von Nutzern gelieferte Zeichenfolge als nicht vertrauenswürdig. Bearbeiten Sie Übungsfragen mit geöffnetem 30-Sekunden-Entscheidungsleitfaden, und wenn Sie eine verpassen, lesen Sie diese Technik hier erneut, bis die Grenze scharf ist.

Quelle: der Prüfungsleitfaden und die Fragedomänen des AWS Certified AI Practitioner (AIF-C01) sowie standardmäßige Referenzen zum Prompt Engineering, Stand September 2026.