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.