Prompt Engineering

Strategien für effektive Prompts in KI-Agenten-Systemen

---

Inhaltsverzeichnis

1. Überblick
2. Grundlegende Prompt-Strukturen
   1. Zero-Shot Prompting
   2. Few-Shot Prompting
   3. Chain-of-Thought (CoT)
3. System-Prompts für Agenten
   1. Struktur eines effektiven System-Prompts
   2. Beispiel: Vollständiger Agent-System-Prompt
   3. Typische Fehler bei System-Prompts
4. Tool-Beschreibungen optimieren
   1. Anatomie einer guten Tool-Beschreibung
   2. Checkliste für Tool-Beschreibungen
5. Ausgabeformatierung
   1. Explizite Formatvorgaben
   2. Strukturierte Ausgaben mit Pydantic
6. Fortgeschrittene Strategien
   1. Role-Prompting
   2. Self-Consistency
   3. Retrieval-Augmented Prompting
7. Best Practices
   1. Die CLEAR-Methode
   2. Iteratives Prompt-Design
   3. Prompt-Versionierung
8. Häufige Fehler und Lösungen
   1. Fehler: Ambige Anweisungen
   2. Fehler: Fehlende Beispiele bei komplexen Formaten
   3. Fehler: Widersprüchliche Anweisungen
9. Zusammenfassung
10. Abgrenzung zu verwandten Dokumenten

---

Überblick

Ein Prompt ist die Schnittstelle zwischen Mensch und Sprachmodell. Die Qualität der Antwort hängt maßgeblich davon ab, wie eine Aufgabe formuliert wird – nicht nur was gefragt wird.

Für KI-Agenten ist Prompt Engineering besonders relevant:

Kontext	Bedeutung
System-Prompts	Definieren Rolle, Fähigkeiten und Grenzen des Agenten
Tool-Beschreibungen	Bestimmen, wann und wie ein Agent Werkzeuge einsetzt
Reasoning-Prompts	Steuern den Denkprozess bei komplexen Aufgaben
Output-Formatierung	Garantieren strukturierte, verarbeitbare Antworten

Kernprinzip: Ein gut formulierter Prompt reduziert Fehler, verbessert die Konsistenz und macht das Verhalten eines Agenten vorhersagbar.

---

Grundlegende Prompt-Strukturen

Effektive Prompts folgen einer klaren Struktur. Drei Grundmuster haben sich etabliert.

Zero-Shot Prompting

Das Modell erhält eine Aufgabe ohne Beispiele und löst sie basierend auf seinem Vorwissen.

from langchain_core.prompts import ChatPromptTemplate

# Zero-Shot: Keine Beispiele, direkte Aufgabe
prompt = ChatPromptTemplate.from_messages([
    ("system", "Du bist ein hilfreicher Assistent."),
    ("human", "Klassifiziere die folgende E-Mail als 'dringend' oder 'normal': {email}")
])

Geeignet für:

• Einfache, eindeutige Aufgaben
• Allgemeinwissen-Fragen
• Standardformatierungen

Few-Shot Prompting

Das Modell erhält Beispiele, die das gewünschte Verhalten demonstrieren.

few_shot_prompt = ChatPromptTemplate.from_messages([
    ("system", "Klassifiziere E-Mails nach Dringlichkeit."),
    ("human", "Betreff: Server ausgefallen"),
    ("assistant", "dringend"),
    ("human", "Betreff: Quartalsbericht verfügbar"),
    ("assistant", "normal"),
    ("human", "Betreff: {email_subject}")
])

Geeignet für:

• Spezifische Formatvorgaben
• Domänenspezifische Klassifikationen
• Konsistente Ausgabestrukturen

Chain-of-Thought (CoT)

Das Modell wird angewiesen, seinen Denkprozess schrittweise darzulegen.

cot_prompt = ChatPromptTemplate.from_template(
    """Löse die folgende Aufgabe Schritt für Schritt.
    
Aufgabe: {aufgabe}

Denke laut nach:
1. Was ist gegeben?
2. Was wird gesucht?
3. Welche Schritte sind nötig?
4. Führe jeden Schritt aus.
5. Formuliere die Antwort.

Lösung:"""
)

Geeignet für:

• Mathematische Probleme
• Logische Schlussfolgerungen
• Mehrstufige Analysen

---

System-Prompts für Agenten

Der System-Prompt definiert die Identität und das Verhalten eines Agenten. Er ist der wichtigste Hebel für konsistentes Agentenverhalten.

Struktur eines effektiven System-Prompts

Ein guter System-Prompt beantwortet vier Fragen:

Frage	Inhalt
Wer?	Rolle und Expertise des Agenten
Was?	Aufgabenbereich und Fähigkeiten
Wie?	Verhaltensregeln und Tonalität
Was nicht?	Explizite Einschränkungen

Beispiel: Vollständiger Agent-System-Prompt

system_prompt = """Du bist ein technischer Support-Agent für ein Software-Unternehmen.

ROLLE:
- Experte für die Produkte X, Y und Z
- Erste Anlaufstelle für technische Fragen
- Eskalation an Menschen bei komplexen Fällen

FÄHIGKEITEN:
- Zugriff auf die Wissensdatenbank (Tool: search_knowledge)
- Ticket-Erstellung im Helpdesk (Tool: create_ticket)
- Prüfung des Kundenstatus (Tool: check_customer)

VERHALTENSREGELN:
- Antworte präzise und lösungsorientiert
- Frage nach, wenn Informationen fehlen
- Bestätige Verständnis bei komplexen Problemen
- Verwende technische Begriffe nur mit Erklärung

EINSCHRÄNKUNGEN:
- Keine Preisauskünfte oder Vertragsänderungen
- Keine Zusagen ohne Rücksprache mit dem Vertrieb
- Bei Sicherheitsfragen immer an Security-Team eskalieren
"""

Typische Fehler bei System-Prompts

[!WARNING] System-Prompt Anti-Patterns
Diese Fehler führen zu inkonsistentem, unvorhersagbarem Agentenverhalten — oft erst in der Produktion erkennbar.

Fehler	Problem	Lösung
Zu vage	Agent verhält sich inkonsistent	Konkrete Beispiele und Regeln
Zu lang	Wichtige Anweisungen gehen unter	Priorisieren, strukturieren
Widersprüchlich	Agent “halluziniert” Kompromisse	Eindeutige Hierarchie
Keine Grenzen	Agent überschreitet Kompetenz	Explizite Einschränkungen

---

Tool-Beschreibungen optimieren

Die Beschreibung eines Tools bestimmt, ob und wann ein Agent es korrekt einsetzt. Eine präzise Beschreibung ist entscheidender als der Code dahinter.

Anatomie einer guten Tool-Beschreibung

from langchain_core.tools import tool

@tool
def search_knowledge(query: str, max_results: int = 5) -> str:
    """Durchsucht die interne Wissensdatenbank nach relevanten Artikeln.
    
    WANN VERWENDEN:
    - Bei Fragen zu Produktfunktionen
    - Bei Fehlermeldungen und deren Lösungen
    - Bei How-To-Anfragen
    
    WANN NICHT VERWENDEN:
    - Bei Fragen zu Preisen oder Verträgen
    - Bei persönlichen Kundendaten
    - Wenn die Antwort bereits bekannt ist
    
    Args:
        query: Suchbegriff oder Frage in natürlicher Sprache
        max_results: Maximale Anzahl zurückgegebener Artikel (1-10)
    
    Returns:
        Formatierte Liste relevanter Wissensartikel mit Titel und Zusammenfassung
    """
    # Implementation...

Checkliste für Tool-Beschreibungen

• Zweck klar benannt – Was macht das Tool?
• Anwendungsfälle – Wann soll es verwendet werden?
• Gegenanzeigen – Wann soll es NICHT verwendet werden?
• Parameter erklärt – Was bedeuten die Eingaben?
• Rückgabewert beschrieben – Was kommt zurück?

---

Ausgabeformatierung

Strukturierte Ausgaben machen Agentenantworten verarbeitbar und konsistent.

Explizite Formatvorgaben

format_prompt = ChatPromptTemplate.from_template(
    """Analysiere den folgenden Text und extrahiere die Kernaussagen.

Text: {text}

Antworte EXAKT in diesem Format:
HAUPTTHEMA: [Ein Satz]
KERNAUSSAGEN:
- [Punkt 1]
- [Punkt 2]
- [Punkt 3]
STIMMUNG: [positiv/neutral/negativ]
KONFIDENZ: [hoch/mittel/niedrig]
"""
)

Strukturierte Ausgaben mit Pydantic

Für maschinelle Weiterverarbeitung bietet LangChain typsichere Ausgaben:

from pydantic import BaseModel, Field

class Analyse(BaseModel):
    hauptthema: str = Field(description="Zentrales Thema in einem Satz")
    kernaussagen: list[str] = Field(description="Liste der wichtigsten Punkte")
    stimmung: str = Field(description="positiv, neutral oder negativ")
    konfidenz: float = Field(description="Sicherheit der Analyse (0.0-1.0)")

# LLM mit strukturierter Ausgabe
structured_llm = llm.with_structured_output(Analyse)
result = structured_llm.invoke("Analysiere: " + text)

# result ist ein typisiertes Analyse-Objekt
print(result.hauptthema)
print(result.konfidenz)

---

Fortgeschrittene Strategien

Role-Prompting

Die Zuweisung einer spezifischen Rolle verbessert domänenspezifische Antworten.

role_prompts = {
    "jurist": "Du bist ein erfahrener Rechtsanwalt mit Spezialisierung auf IT-Recht.",
    "mediziner": "Du bist ein Facharzt für Innere Medizin mit 20 Jahren Berufserfahrung.",
    "entwickler": "Du bist ein Senior Software Engineer mit Expertise in Python und Cloud-Architekturen."
}

prompt = ChatPromptTemplate.from_messages([
    ("system", role_prompts["entwickler"]),
    ("human", "{frage}")
])

Self-Consistency

Mehrere Antworten generieren und die häufigste oder konsistenteste wählen.

def self_consistent_answer(question: str, n: int = 3) -> str:
    """Generiert mehrere Antworten und wählt die konsistenteste."""
    responses = []
    for _ in range(n):
        response = llm.invoke(question)
        responses.append(response.content)
    
    # Häufigste Antwort oder Zusammenfassung
    return aggregate_responses(responses)

Retrieval-Augmented Prompting

Kontext aus externen Quellen in den Prompt integrieren:

rag_prompt = ChatPromptTemplate.from_template(
    """Beantworte die Frage basierend auf dem bereitgestellten Kontext.
Wenn die Antwort nicht im Kontext steht, sage das ehrlich.

KONTEXT:
{context}

FRAGE: {question}

ANTWORT:"""
)

---

Best Practices

Die CLEAR-Methode

Buchstabe	Prinzip	Umsetzung
C	Concise	Präzise formulieren, Füllwörter vermeiden
L	Logical	Logische Struktur, klare Reihenfolge
E	Explicit	Erwartungen explizit benennen
A	Adaptive	An Aufgabe und Modell anpassen
R	Reproducible	Konsistente Ergebnisse ermöglichen

Iteratives Prompt-Design

flowchart LR
    A[Erster Entwurf] --> B[Testen]
    B --> C{Ergebnis OK?}
    C -->|Nein| D[Analysieren]
    D --> E[Anpassen]
    E --> B
    C -->|Ja| F[Dokumentieren]

Empfohlener Workflow:

1. Baseline erstellen – Einfachster funktionierender Prompt
2. Schwachstellen identifizieren – Wo versagt der Prompt?
3. Gezielt verbessern – Eine Änderung pro Iteration
4. Testen mit Varianten – Verschiedene Eingaben prüfen
5. Dokumentieren – Warum funktioniert diese Version?

Prompt-Versionierung

PROMPTS = {
    "classify_email_v1": "Klassifiziere als dringend/normal: {email}",
    "classify_email_v2": """Klassifiziere die E-Mail:
- dringend: Systemausfälle, Sicherheitsprobleme, Deadlines < 24h
- normal: Alle anderen Anfragen

E-Mail: {email}
Klassifikation:""",
}

# In Produktion: Version tracken
current_version = "classify_email_v2"

---

Häufige Fehler und Lösungen

Fehler: Ambige Anweisungen

Problem:

# Vage und mehrdeutig
prompt = "Fasse das zusammen: {text}"

Lösung:

# Präzise und eindeutig
prompt = """Erstelle eine Zusammenfassung in 3 Stichpunkten.
Jeder Punkt maximal 15 Wörter.
Fokus auf Handlungsempfehlungen.

Text: {text}

Zusammenfassung:"""

Fehler: Fehlende Beispiele bei komplexen Formaten

Problem:

# Erwartet spezifisches Format ohne Beispiel
prompt = "Extrahiere Entitäten aus: {text}"

Lösung:

# Mit Beispiel (Few-Shot)
prompt = """Extrahiere Entitäten im Format: ENTITÄT (TYP)

Beispiel:
Text: "Angela Merkel besuchte gestern Berlin."
Entitäten: Angela Merkel (PERSON), Berlin (ORT), gestern (ZEIT)

Text: {text}
Entitäten:"""

Fehler: Widersprüchliche Anweisungen

Problem:

# Widerspruch: kurz UND detailliert
prompt = "Erkläre kurz und detailliert: {thema}"

Lösung:

# Klare Priorisierung
prompt = """Erkläre das Thema in zwei Teilen:
1. KURZFASSUNG (1-2 Sätze): Kernaussage
2. DETAILS (3-5 Sätze): Wichtige Aspekte

Thema: {thema}"""

---

Zusammenfassung

Effektives Prompt Engineering basiert auf drei Säulen:

Säule	Kernaspekt
Klarheit	Eindeutige, strukturierte Anweisungen
Kontext	Relevante Informationen und Beispiele
Kontrolle	Explizite Formatvorgaben und Grenzen

Für KI-Agenten besonders wichtig:

• System-Prompts definieren das Gesamtverhalten
• Tool-Beschreibungen steuern die Werkzeugnutzung
• Strukturierte Ausgaben ermöglichen Weiterverarbeitung
• Iteratives Testen führt zu robusten Prompts

Im weiteren Kursverlauf werden diese Strategien praktisch in LangChain-Agents angewendet.

Abgrenzung zu verwandten Dokumenten

Dokument	Inhalt
Tool Use & Function Calling	Technische Tool-Definition — dieses Dokument beschreibt, wie Tools beschrieben werden
Agent-Architekturen	Welche Architektur welche Prompt-Strategien voraussetzt
Skills	Wiederverwendbare Prompt-Strukturen als produktionsreife Muster

---

Version: 1.0
Stand: November 2025
Kurs: KI-Agenten. Verstehen. Anwenden. Gestalten.