Glossar · KI & LLMs
Disziplin, einem LLM via Systemprompt, Beispielen und Strukturierung zuverlässig die gewünschte Ausgabe zu entlocken, ohne das Modell selbst anzufassen.
Definition
Prompt Engineering ist weniger 'Magic Words finden' als systematisches Spezifizieren: Rolle, Aufgabe, Constraints, Ausgabeformat, Edge-Cases und Beispiele (Few-Shot). Ein gut konstruierter Prompt reduziert Halluzinationen, erzwingt strukturiertes JSON und macht das Verhalten testbar.
Erprobte Techniken: explizite Schritt-für-Schritt-Anweisungen, XML-Tags zur Sektionierung, Negativ-Beispiele für 'so nicht', Chain-of-Thought für komplexe Reasoning-Aufgaben, und Self-Critique (das Modell prüft seine eigene Ausgabe).
Für Produktivsysteme gilt: Prompts gehören ins Version-Control, mit Test-Suites gegen ein Eval-Set. Sonst merkt niemand, dass eine kleine Änderung 5 % mehr Fehlklassifikationen produziert.
So nutzen wir das bei adsbird
Jeder LLM-basierte Workflow, den wir bauen, hat seine Prompts in Git, mit einem Eval-Set von 30-200 echten Beispielen. Vor jedem Deploy laufen die Evals, sonst merkst du erst in Production, dass dein neuer Prompt höflicher klingt, aber bei Refund-Anfragen jetzt 12 % falsch routet.
Verwandte Begriffe
Prompt Engineering in deinem Projekt?
Wenn du Prompt Engineering in einem konkreten Workflow brauchst, wir haben das wahrscheinlich schon gebaut.