Die Idee

Ein Prompt ist die Anweisung samt Informationen, die du einem KI-Modell gibst. Eine typische Entwickleranfrage könnte lauten: „Schreibe eine Commit-Nachricht für diese Änderung.“ Das klingt klar, lässt aber wichtige Entscheidungen offen. Soll die Antwort Conventional Commits nutzen? Soll sie einen Scope nennen? Soll sie einzeilig sein oder einen Textkörper enthalten?

Statt darauf zu hoffen, dass das Modell diese Entscheidungen errät, zeigst du ihm wenige kleine Beispiele und benennst das erforderliche Ausgabeformat. Dieser Ansatz heißt Few-shot Prompting: Der Prompt enthält eine kleine Zahl von Beispielen vor der neuen Aufgabe. Anthropic beschreibt Beispiele als verlässliche Methode, Format, Ton und Struktur zu steuern, und empfiehlt, gewünschtes Format und Einschränkungen ausdrücklich zu nennen. Quelle

Einfach gesagt: Beschreibe nicht nur eine gute Antwort. Zeige zwei oder drei kleine Varianten davon und bitte dann um die nächste Antwort in derselben Form.

Bei wiederkehrender Arbeit machen Beispiele deine Erwartungen sichtbar. Sie können zeigen, welchen Detailgrad „kurz“ für dein Team bedeutet. Sie können auch Felder zeigen, die immer vorkommen müssen, etwa Schweregrad und Lösungsvorschlag in einer Review-Notiz.

Jedes Beispiel ist ein Eingabe-Ausgabe-Paar: eine Beispieleingabe mit dem gewünschten Ergebnis für diese Art von Eingabe. Wähle Paare, die der tatsächlichen Aufgabe ähneln. Nutze Variation, wenn sie wichtig ist, etwa einen Bugfix und ein neues Feature. Anthropic empfiehlt Beispiele, die relevant, vielfältig und strukturiert sind, damit das Modell sie von den Anweisungen unterscheiden kann. Quelle

Hat ein Prompt mehrere Teile, beschrifte sie klar. XML-Tags sind eine gut lesbare Möglichkeit: <instructions>, <examples> und <input> trennen die Inhalte sichtbar. Anthropic dokumentiert XML-ähnliche Tags als Mittel, Anweisungen, Kontext, Beispiele und Eingabe in komplexen Prompts voneinander zu trennen. Quelle

Ein kleines Beispiel

Beispiel: Du möchtest aus einer kurzen Änderungsbeschreibung einen Entwurf für eine Conventional-Commit-Nachricht erzeugen. Eine schwache Anfrage lautet:

„Schreibe eine Conventional-Commit-Nachricht für: cache failed profile requests.“

Ein stärker gesteuerter Prompt könnte so aussehen:

<instructions>
Return exactly one Conventional Commit message.
Format: type(scope): short imperative summary
No body. No markdown.
</instructions>

<examples>
Input: add retry handling to the payment client
Output: feat(payments): add retry handling

Input: correct the expiry check for session cookies
Output: fix(auth): correct session expiry check
</examples>

<input>
cache failed profile requests
</input>

Die Beispiele legen fest, wie kurz die Zusammenfassung sein soll und wie Scopes geschrieben werden. Die Formatregel benennt, was das neue Ergebnis enthalten muss. Beides beweist nicht, dass die vorgeschlagene Nachricht fachlich perfekt ist. Es macht lediglich die gewünschte Form klarer.

Vorlagen können eine ähnliche Rolle spielen, wenn ein Format strikt sein muss. In seiner Anleitung verwendet Anthropic Eingabe-Ausgabe-Paare für Aufgaben, deren Qualität davon abhängt, Beispiele zu sehen. Quelle

Probier es aus

Nimm dir fünf Minuten, um einen Prompt zu verbessern, den du schon verwendest. Wähle eine kleine wiederkehrende Aufgabe: Bug-Reports in Issue-Zusammenfassungen umwandeln, Testfälle entwerfen oder Review-Notizen erstellen.

Schreibe zuerst die benötigten Felder auf. Für eine Issue-Zusammenfassung könnten das title, observed behavior, expected behavior und reproduction steps sein. Ergänze dann zwei realistische Eingabe-Ausgabe-Paare. Eines sollte ein normaler Fall sein, das andere ein leicht abweichender. Setze anschließend die neue Eingabe hinter die Beispiele und fordere genau diese Felder an.

Vergleiche die Antwort mit dem Ergebnis deiner ursprünglichen vagen Anfrage. Prüfe, ob jedes Feld vorkommt, ob der Detailgrad passt und ob die Antwort nicht angefordertes Material ergänzt. Behalte die Beispiele nur, wenn sie deine tatsächliche Aufgabe verbessern.

Darauf solltest du achten

Beispiele lenken eine Antwort, garantieren aber nicht, dass Fakten, Code oder Tests korrekt sind. Prüfe erzeugtes Material und führe die normalen Checks aus, bevor du dich darauf verlässt.

Prompting mit Beispielen ist außerdem nicht dasselbe wie maschinell erzwungene strukturierte Ausgabe. Ein Schema ist eine formale Definition erlaubter Datenfelder und Werte. Beispiele und Textanweisungen können eine JSON-ähnliche Antwort nahelegen, doch das Modell kann weiterhin ein Feld weglassen oder zusätzlichen Text hinzufügen. Wenn nachgelagerte Software strikt gültige Daten benötigt, nutze zusätzlich zum Prompt Validierung oder einen Mechanismus für strukturierte Ausgabe.

Vermeide Beispiele mit versehentlichen Gewohnheiten, etwa einem falschen Scope oder einer irrelevanten Erklärung. Mehr Beispiele sind nicht automatisch besser: Sie können Kontext verbrauchen und widersprüchliche Muster einführen. Bevorzuge wenige relevante, klar getrennte Beispiele. Mache zuletzt mehrdeutige Regeln ausdrücklich. „Halte es kurz“ ist schwächer als „Gib eine Zeile ohne Textkörper zurück“.