Skip to main content

​
Überblick

Die Grundlagen sagen, was ein guter Prompt enthält. Die folgenden Techniken sagen, wie sich diese Bestandteile für bestimmte Aufgabentypen kombinieren lassen. Jede Technik hat einen spezifischen Anwendungsfall, einen spezifischen Fehlermodus und einen spezifischen Token Aufwand. Zu wissen, wann welche Technik passt, ist der Großteil des Handwerks.

Zero Shot Prompting

Direkt fragen, ohne Beispiele. Geeignet für einfache, gut bekannte Aufgaben.

Few Shot Prompting

Zwei bis fünf Beispiele in den Prompt einbauen. Geeignet für Formatierung und Klassifikation.

Chain of Thought

Das Modell schrittweise denken lassen. Geeignet für Mathematik, Logik und mehrstufige Entscheidungen.

Role Prompting

Eine Rolle oder Expertise zuweisen. Geeignet für Tonalitätskontrolle und domänenspezifische Aufgaben.

Prefilling

Die Antwort des Modells für es beginnen. Geeignet, um Format zu erzwingen und Vorreden zu vermeiden.

Prompt Chaining

Eine schwierige Aufgabe auf mehrere Prompts aufteilen. Geeignet für lange Workflows und komplexe Pipelines.

​
Zero Shot Prompting

Zero Shot ist der Standardmodus: Die Aufgabe wird beschrieben, das Modell führt sie ohne Beispiele aus. Moderne instruction tuned Modelle sind erstaunlich stark im Zero Shot bei Aufgaben, die in ihren Trainingsdaten häufig vorkamen: Zusammenfassung, Übersetzung, Sentiment Klassifikation, einfache Extraktion, einfaches Reasoning.
Wenn Zero Shot funktioniert, sollte es genutzt werden. Es ist günstiger, einfacher zu warten und skaliert besser als mit Beispielen vollgestopfte Prompts. Few Shot kommt erst dann ins Spiel, wenn Zero Shot inkonsistente oder falsch formatierte Ausgaben produziert. Eine nützliche mentale Prüfung: Wenn die Aufgabe in einem Satz und das Format in einem Satz beschrieben werden kann, zuerst Zero Shot versuchen. Beispiele erst hinzufügen, wenn nachweisbar ist, dass sie helfen.

​
Few Shot Prompting

Few Shot Prompting bindet zwei bis fünf Beispiele aus Eingabe und Ausgabe direkt in den Prompt ein. Das Modell schließt das Muster aus den Beispielen und wendet es auf die neue Eingabe an. Few Shot ist besonders stark bei:
  • Klassifikation mit eigenen Labels. Wenn die Taxonomie nicht standardisiert ist, sind Beispiele schneller als prosaische Beschreibungen.
  • Formaterzwingung. Wenn die Ausgabe einer präzisen Struktur folgen muss, ist ein Beispiel mehr wert als mehrere Absätze Erklärung.
  • Style Transfer. Wenn eine bestimmte Stimme erforderlich ist, fangen zwei gut gewählte Beispiele sie besser ein als Adjektive.
Für die meisten Aufgaben sind drei bis fünf Beispiele die richtige Zahl. Zwei reichen manchmal; mehr als fünf hilft selten und beginnt, das Modell auf Oberflächenmuster zu fixieren. Die Beispiele sollten vielfältig sein, nicht redundant. Drei Beispiele für denselben einfachen Fall lehren das Modell nichts über die schwierigen Fälle. Beispiele wählen, die die Grenzen der Aufgabe abdecken: ein offensichtlicher Fall, ein kniffliger Grenzfall, einer mit Eingaben, die in der Vergangenheit Probleme verursacht haben. Eine subtile, aber wichtige Erkenntnis: Bei reasoning lastigen Aufgaben können Few Shot Beispiele auf den neuesten Modellen die Leistung verschlechtern, indem sie das Modell an Oberflächenmuster binden, statt es frisch denken zu lassen. Few Shot für Klassifikation und Formatierung; Zero Shot mit Chain of Thought für Mathematik und Logik.

​
Chain of Thought

Chain of Thought, oft mit CoT abgekürzt, ist die Technik, das Modell vor der Antwort sein Reasoning produzieren zu lassen. Der Effekt ist groß, gut dokumentiert und überdauert mehrere Modellgenerationen. Schon die einfache Anweisung „Let’s think step by step“ erzeugt eine messbare Verbesserung bei Reasoning Aufgaben. Die einfachste Form ist Zero Shot CoT:
Für schwierigere Probleme funktioniert strukturiertes CoT besser. Das Reasoning in XML Tags kapseln, damit Reasoning und Antwort programmatisch getrennt werden können:
Einige Faustregeln, die anbieterübergreifend gelten:
  • CoT bei mehrstufigen Aufgaben. Mathematik, Multi Hop Reasoning, Planung, Debugging.
  • Kein CoT bei Retrieval oder einfacher Klassifikation. Es kostet Token und hilft selten.
  • Moderne Reasoning Modelle machen CoT intern. Die neuesten reasoning orientierten Modelle denken standardmäßig vor der Antwort. „Think step by step“ einem Reasoning Modell hinzuzufügen ist redundant und manchmal kontraproduktiv.
  • Reasoning von Antwort trennen. Stets festlegen, wie die finale Antwort geliefert wird, damit sie geparst werden kann, ohne das Reasoning mitzuparsen.

​
Role Prompting

Eine Rolle zu Beginn des Prompts zu setzen, üblicherweise in der System Nachricht, fokussiert Stimme, Vokabular und Wissenstiefe des Modells für die gesamte Konversation. Role Prompting gehört zu den Techniken mit dem höchsten Hebel zur Verhaltenssteuerung, weshalb jeder PANTA OS Assistent mit einer klar definierten Rolle in seinem System Prompt startet.
Einige Prinzipien für wirksames Role Prompting:
  • Konkret bei der Expertise sein. „Du bist Experte“ ist generisch. „Du bist klinischer Pharmazeut mit zwanzig Jahren Erfahrung in der Onkologie“ ist steuerbar.
  • Die Zielgruppe einschließen. Die Rolle definiert nicht nur, wer produziert, sondern auch, für wen.
  • Die Grenze nennen. „Deine Aufgabe ist X, nicht Y“ verhindert die häufigste Drift, bei der das Modell angrenzende Verantwortungen übernimmt.
  • Kurz halten. Zwei bis vier Sätze reichen. Längere Rollen bringen Widersprüche mit sich.
Role Prompting und Few Shot Beispiele kombinieren sich gut: Die Rolle setzt die Stimme, die Beispiele setzen das Format. Beides nutzen, wenn konsistente Ausgabe in einer bestimmten Persona benötigt wird.

​
Prefilling

Prefilling ist die Technik, die Antwort des Modells selbst zu beginnen, sodass das Modell von dort weiterschreibt. Eine starke, aber unterschätzte Methode, um Format zu erzwingen und unerwünschte Vorreden zu überspringen. Wenn die API es unterstützt, eine Assistant Nachricht mit dem gewünschten Anfang senden. Das Modell setzt von dort fort.
Anschließend wird eine Assistant Nachricht gesendet, die mit { beginnt, sodass das Modell mit dem JSON Objekt fortfährt, statt eine Vorrede wie „Hier sind die extrahierten Informationen:“ zu schreiben. Die häufigsten Anwendungen von Prefilling:
  • JSON Ausgabe erzwingen. Mit { prefillen, sodass das Modell auf eine JSON Antwort festgelegt ist.
  • Eine bestimmte Struktur erzwingen. Mit <analysis> prefillen, sodass das Modell innerhalb des Tags fortfährt.
  • Ein Ablehnungsmuster erzwingen. Mit „Ich kann nicht helfen mit“ prefillen, um zu einer Ablehnung zu bewegen.
  • Im Charakter bleiben. Mit dem Charakternamen prefillen, um einen Roleplay Assistenten in der Stimme zu halten.
Die Unterstützung für Prefilling variiert je nach Anbieter. Einige APIs erlauben es nativ über den messages Parameter; andere erfordern einen Workaround.

​
Prompt Chaining

Wenn eine Aufgabe für einen einzelnen Prompt zu komplex ist, sollte sie in eine Kette von Prompts aufgeteilt werden, bei der die Ausgabe des einen die Eingabe des nächsten ist. Chaining nutzen, wann immer ein einzelner Prompt mehr als zwei klar getrennte Stufen hätte, weil jede Stufe so die volle Aufmerksamkeit des Modells bekommt, statt mit den anderen zu konkurrieren. Eine typische Kette hat drei Stufen:
  1. Extraktion. Die relevanten Informationen aus der Quelle ziehen.
  2. Transformation. Die Logik, Klassifikation oder Analyse auf die extrahierten Informationen anwenden.
  3. Komposition. Das Ergebnis für das Ziel formatieren.
Chaining ist das Designprinzip hinter PANTA OS Apps: Jede App zerlegt einen komplexen Output in eine Sequenz wohldefinierter Schritte, jeder mit einem eigenen Prompt, oft mit einem Human in the Loop Checkpoint zwischen den Stufen. Die Vorteile gegenüber einem einzelnen Megaprompt sind real. Jede Stufe ist leichter zu debuggen, leichter zu evaluieren und leichter auszutauschen. Der Preis ist operative Komplexität: Mehrere Prompts müssen gepflegt werden statt einem. Eine nützliche Heuristik: Wenn ein einzelner Prompt mehr als 1500 Token Anweisungen umfasst und das Modell inkonsistent antwortet, vor weiterem Hinzufügen erst Chaining versuchen. Kleinere, fokussierte Prompts schlagen ausufernde fast immer.

​
Techniken kombinieren

Die Techniken schließen sich nicht aus. Die meisten produktiven Prompts nutzen drei oder vier davon gleichzeitig. Eine kanonische Struktur, die Role Prompting, Struktur, Beispiele und Chain of Thought kombiniert, sieht so aus:
Das ist in etwa die Form eines starken produktiven Prompts. Rolle oben, Aufgabe danach, Beispiele in markierten Blöcken, Eingabe klar abgegrenzt, und am Ende eine explizite Reasoning und Output Struktur.

​
Was als Nächstes kommt

Die nächste Seite, Strukturierte Prompts, geht tiefer auf die strukturelle Seite ein: XML Tags, JSON Verträge und die Anatomie eines System Prompts. Die Techniken auf dieser Seite setzen voraus, dass eine saubere Struktur geschrieben werden kann; die nächste Seite zeigt wie.
Zuletzt geändert am 18. Mai 2026