Prompt Engineering als Systemdesign: 5 Schichten für zuverlässige KI-Ergebnisse
Wer Prompts als Einzeiler versteht, bekommt Einzeiler-Ergebnisse. Wie strukturiertes Prompt Engineering KI-Ausgaben planbar und reproduzierbar macht.
“Erkläre mir Automatisierung.”
Das ist ein Prompt. Er funktioniert — im Sinne von: das Modell antwortet. Aber die Antwort ist generisch, oft zu lang, kaum auf die eigene Situation anwendbar.
Wer dieselbe Anfrage jeden Tag anders stellt, bekommt jeden Tag andere Antworten. Das ist kein KI-Problem. Es ist ein Designproblem.
Prompt Engineering ist kein Trick und keine Magie. Es ist Systemdesign: der strukturierte Aufbau von Anfragen, die konsistente, verwertbare Ergebnisse liefern.
Warum Prompts Struktur brauchen
Ein Sprachmodell füllt Lücken. Wo Information fehlt, trifft es Annahmen — basierend auf dem, was statistisch wahrscheinlich ist. Das ist manchmal gut genug. Für reproduzierbare Ergebnisse in professionellen Kontexten ist es zu wenig.
Strukturierte Prompts geben dem Modell das, was es braucht, um die richtigen Annahmen zu treffen — oder keine Annahmen treffen zu müssen.
Die 5 Schichten eines strukturierten Prompts
Schicht 1: Rolle
Wer soll das Modell sein? Eine Rolle gibt dem Modell eine Perspektive — und damit eine Grundlage für Ton, Terminologie und Schwerpunkte der Antwort.
Nicht: “Schreib eine E-Mail.” Sondern: “Du bist ein erfahrener Kundenbetreuer in einem mittelständischen Softwareunternehmen. Deine Kommunikation ist direkt, freundlich und lösungsorientiert.”
Die Rolle verändert nicht, was das Modell weiß. Sie verändert, wie es antwortet.
Schicht 2: Kontext
Was muss das Modell wissen, um die Aufgabe richtig zu lösen? Kontext ist die Information, die nicht aus der Aufgabe selbst hervorgeht, aber die Lösung beeinflusst.
Was ist der Hintergrund der Situation? Wer ist der Empfänger? Was ist bereits passiert? Welche Rahmenbedingungen gelten?
Je mehr relevanter Kontext vorhanden ist, desto weniger Annahmen muss das Modell treffen.
Schicht 3: Aufgabe und Ziel
Was soll das Modell konkret tun — und was soll das Ergebnis bewirken? Die Aufgabe ist das Was, das Ziel ist das Wozu.
“Schreib eine E-Mail” ist die Aufgabe. “Die E-Mail soll den Kunden dazu bringen, den Termin zu bestätigen — ohne Druck aufzubauen” ist das Ziel.
Das Ziel steuert Prioritäten in der Ausgabe, die aus der Aufgabe allein nicht erkennbar sind.
Schicht 4: Einschränkungen
Was darf nicht in der Ausgabe stehen? Was sind Grenzen, Formatvorgaben, Längenanforderungen, Tonvorgaben?
Einschränkungen sind oft das, was Prompts von gut zu sehr gut macht. Nicht weil das Modell ohne sie schlechte Arbeit leistet — sondern weil die Ausgabe ohne Grenzen auf wahrscheinliche statt auf spezifische Ergebnisse optimiert.
“Maximal 150 Wörter”, “kein Fachjargon”, “keine Aufzählungslisten”, “duze den Leser nicht” sind Einschränkungen, die direkt in die Ausgabe eingreifen.
Schicht 5: Format und Beispiel
In welchem Format soll die Antwort erscheinen? Fließtext, Aufzählung, Tabelle, JSON, Markdown-Überschriften?
Und wenn möglich: ein Beispiel für das, was das Modell produzieren soll. Nichts steuert die Ausgabe präziser als ein konkretes Beispiel — weil es alle fünf vorherigen Schichten implizit enthält.
Chain-of-Thought: Denken sichtbar machen
Eine separate Technik, die sich mit den 5 Schichten kombiniert: das Modell explizit aufzufordern, seinen Denkweg zu zeigen.
“Denke Schritt für Schritt durch das Problem, bevor du eine Lösung vorschlägst.”
Das erzwingt keine langsame Antwort. Es verhindert, dass das Modell zur schnellen, plausibel klingenden, aber nicht durchdachten Antwort springt. Bei analytischen Aufgaben, Abwägungen und komplexen Entscheidungen verbessert Chain-of-Thought die Ausgabequalität messbar.
Prompts als wiederverwendbare Bausteine
Ein gut strukturierter Prompt ist kein Einmaldokument. Er ist ein wiederverwendbares Template — für die immer gleiche Art von Aufgabe.
Wer regelmäßig Meetingprotokolle zusammenfasst, Kundenanfragen kategorisiert oder Berichte erstellt, baut sich einmal einen guten Prompt — und nutzt ihn jedes Mal. Die Ergebnisse werden konsistent, unabhängig davon, wer den Prompt ausführt.
In [[KI-Agent|Agenten-Workflows]] sind strukturierte Prompts die Grundlage jeder einzelnen Aufgabe. Jede Phase, jeder Schritt, jede Delegation an einen spezialisierten Agenten basiert auf einem Prompt — der gut oder schlecht sein kann.
Was sich durch Struktur wirklich ändert
Die Verbesserung durch strukturierte Prompts ist weniger ein Qualitätssprung als eine Konsistenzverbesserung. Das Modell ist gut genug — mit oder ohne Struktur. Aber:
- Ausgaben werden reproduzierbar: Der gleiche Prompt gibt morgen dasselbe Ergebnis wie heute
- Teams können Prompts teilen und weiterentwickeln
- Fehler in der Ausgabe werden lokalisierbar: Welche Schicht fehlt oder ist unklar?
- Automatisierung wird möglich: Ein Prompt, der zuverlässig funktioniert, kann in einen Workflow eingebettet werden
Prompt Engineering ist kein Advanced-Topic für KI-Spezialisten. Es ist eine Grundkompetenz — für jeden, der KI-Werkzeuge professionell einsetzt.