Die Idee

Ein Prompt ist die Anweisung, die du einem KI-Modell gibst. Als Entwickler könntest du damit einen Chat-Assistenten bitten, eine Funktion zu erklären, einen Fehler zu untersuchen oder ein kleines Refactoring vorzuschlagen. Eine kurze Anfrage kann genügen. Ist die Aufgabe aber zu wenig präzise, muss das Tool wichtige Details erraten: für wen die Antwort gedacht ist, welcher Code relevant ist und wie eine hilfreiche Antwort aussehen soll.

Eine verlässliche Grundstruktur hat drei Teile:

  1. Ziel: Sage, was getan werden soll.
  2. Relevanter Kontext: Gib die Informationen an, die dafür nötig sind.
  3. Erwartetes Ergebnis: Lege Ausgabeformat, Detailtiefe und mögliche Grenzen fest.

Das ist keine magische Syntax. Die Struktur macht Entscheidungen sichtbar, die bisher nur in deinem Kopf waren. OpenAI empfiehlt klare Anweisungen und relevanten Kontext. Anthropic empfiehlt direkte Anweisungen und explizite Ausgabeformate. GitHub rät ebenfalls dazu, Anforderungen konkret zu benennen und bei Bedarf Beispiele bereitzustellen. OpenAI · Anthropic · GitHub

Einfach gesagt: Sage dem Tool, welche Aufgabe es hat, gib ihm die dafür nötigen Informationen und beschreibe, was eine fertige Antwort enthalten soll.

Das Ziel ist meist ein Verb mit einem Objekt: „Erkläre diese Funktion“, „ermittle wahrscheinliche Ursachen“ oder „schlage ein Refactoring vor“. Kontext ist nicht alles, was du über das Projekt weißt. Es sind der Code, die Fehlermeldung, Details zur Laufzeit, das erwartete Verhalten oder die Zielgruppe, die die Antwort verändern. Das erwartete Ergebnis macht eine Antwort leichter lesbar und bewertbar: Bitte um Stichpunkte, eine Tabelle, betroffene Dateien, Tests oder eine maximale Länge.

Du kannst eine Einschränkung ergänzen, wenn sie wichtig ist. Eine Einschränkung ist eine Grenze, etwa „Ändere die öffentliche API nicht“ oder „Verwende höchstens fünf Stichpunkte“. Wenn Reihenfolge oder Abdeckung wichtig sind, bitte um nummerierte Schritte oder eine Checkliste. Betrachte die erste Prompt-Version als Entwurf: Prüfe die Antwort und passe die Anfrage an, wenn ein wichtiges Detail fehlt.

Ein kleines Beispiel

Beispiel: Du möchtest eine bereitgestellte Python-Funktion erklärt bekommen. Eine vage Anfrage wäre: „Erkläre diese Funktion.“ Daraus geht nicht hervor, ob du eine Einführung für Anfänger, eine Korrektheitsprüfung oder Hilfe bei der Nutzung brauchst.

Ein klarerer Prompt könnte lauten:

Erkläre die folgende Python-Funktion für einen Entwickler mit sechs Monaten Python-Erfahrung. Nenne ihren Zweck, ihre Eingaben und ihren Rückgabewert. Liste zwei mögliche Randfälle auf. Verwende höchstens fünf Stichpunkte und füge einen Beispielaufruf hinzu. Ändere den Code nicht. Code: [Funktion einfügen]

Das Ziel ist das Erklären. Der relevante Kontext sind die Funktion und die Zielgruppe. Das erwartete Ergebnis besteht aus den gewünschten Inhalten, der Begrenzung der Stichpunkte und dem Beispielaufruf. „Ändere den Code nicht“ ist eine Einschränkung.

Diese Struktur garantiert nicht, dass jede Aussage korrekt ist. Sie macht fehlende Teile aber leichter erkennbar. Fehlt eine Beschreibung der Eingaben oder enthält die Antwort sechs Stichpunkte, siehst du die nicht erfüllte Anforderung schnell. Brauchst du eine andere Antwort, veränderst du gezielt einen Teil: Ergänze die Fehlermeldung, nenne eine andere Zielgruppe oder verlange Tests zusammen mit einem Refactoring-Vorschlag.

Probier es aus

Nimm dir fünf Minuten für eine echte Anfrage, die du kürzlich einem KI-Tool gestellt hast. Wähle keine sensible Codebasis, sondern einen kleinen, unbedenklichen Ausschnitt oder eine fiktive Aufgabe.

Schreibe zuerst das Ziel in einem Satz auf. Ergänze dann nur den Kontext, der die Antwort verändert. Definiere zuletzt ein Ergebnis, das du prüfen kannst, zum Beispiel: „Drei wahrscheinliche Ursachen, für jede ein Diagnoseschritt, keine Codeänderungen.“ Wenn dein Tool es erlaubt, führe die ursprüngliche und die überarbeitete Anfrage aus. Vergleiche, ob du die überarbeitete Antwort leichter prüfen kannst. Das ist eine Übung, kein Benchmark: Ein Vergleich kann nicht beweisen, dass eine Struktur für jedes Modell oder jede Aufgabe am besten funktioniert.

Darauf solltest du achten

Mehr Kontext ist nicht automatisch besser. Nicht zusammenhängende Dateien und langes, ungeordnetes Material können die eigentliche Aufgabe verdecken. Halte die Anfrage fokussiert und ergänze Informationen erst, wenn die erste Antwort zeigt, was fehlt.

Auch ein klarer Prompt ist keine Garantie für Korrektheit. KI-generierte Erklärungen und Code können falsch, unvollständig oder unsicher sein. Validierung bedeutet, ein Ergebnis anhand von Belegen, Tests und passenden Entwicklungswerkzeugen zu prüfen. GitHub empfiehlt Entwicklern, generierten Code zu verstehen und zu prüfen sowie ihn mit Tests und Werkzeugen zu validieren. GitHub

Behandle schließlich Formatvorschläge eines Anbieters nicht als allgemeingültige Regeln. Beispiele, Rollen-Anweisungen und Markup können nützliche Techniken sein, sind aber optional. Beginne mit Ziel, relevantem Kontext und erwartetem Ergebnis. Ergänze Struktur nur, wenn sie dir beim Prüfen der Antwort hilft.