Prompt-Templates — Einsteiger-Guide

Eigene Prompts erstellen, strukturieren und wiederverwenden.
YAML-Frontmatter, XML-Tags und load_prompt() Schritt für Schritt erklärt.

---

Inhaltsverzeichnis

1. Was ist eine Prompt-Datei?
2. Was ist YAML?
   1. YAML-Syntax kurz erklärt
   2. YAML-Header in Prompt-Dateien
3. Was sind XML-Tags?
   1. Warum XML-Tags in Prompts?
   2. Wann XML-Tags verwenden?
   3. Häufig verwendete Tags im Kurs
4. Die drei Prompt-Typen
   1. Typ 1 — System-only Prompt
   2. Typ 2 — Template-Prompt (mit Variablen)
   3. Typ 3 — Few-Shot Prompt
   4. Hintergrund: Sektionen und LangChain MessageTypes
5. load_prompt() — Übersicht
6. Schritt-für-Schritt: Eigenen Prompt erstellen
7. Entscheidungshilfe
8. Häufige Fehler
9. Referenz-Dateien im Kurs

---

Was ist eine Prompt-Datei?

Prompts müssen nicht direkt im Code/Notebook als String hardcodiert werden, sondern können auch als separate Markdown-Dateien im Ordner 05_prompt/ gespeichert.

Vorteile:

• Prompts sind wiederverwendbar — einmal schreiben, überall nutzen
• Prompts sind vom Code getrennt — Prompt-Anpassungen ohne Notebook-Änderung
• Prompts sind versionierbar — Änderungen sind nachvollziehbar
• load_prompt() lädt sie direkt als ChatPromptTemplate oder String

Aufbau einer Prompt-Datei — drei Teile:

---
name: mein_prompt
description: Kurzbeschreibung was dieser Prompt tut
variables: []
---

## system

Du bist ein hilfreicher Assistent...

① YAML-Header (Metadaten zwischen den ----Trennern) ② Sektion-Bezeichner (## system, ## human, ## ai) ③ Prompt-Text (der eigentliche Inhalt)

---

Was ist YAML?

YAML (YAML Ain’t Markup Language) ist ein Format für strukturierte Daten — lesbar wie normaler Text, aber von Programmen direkt verarbeitbar.

YAML-Syntax kurz erklärt

---                           # Beginn des YAML-Blocks (Pflicht)
schluessel: wert              # Schlüssel-Wert-Paar
liste: [eintrag1, eintrag2]   # Liste in eckigen Klammern
leere_liste: []               # Leere Liste
---                           # Ende des YAML-Blocks (Pflicht)

Wichtige Regeln:

• Immer Schlüssel: Wert mit Doppelpunkt und Leerzeichen dahinter
• Kein Tabulator — Einrückung nur mit Leerzeichen
• Strings mit Sonderzeichen in Anführungszeichen: "wert mit: Doppelpunkt"

YAML-Header in Prompt-Dateien

---
name: rag_prompt                    # Interner Name (snake_case)
description: RAG-Prompt für Q&A     # Kurzbeschreibung (1 Satz)
variables: [context, question]      # Platzhalter im Prompt-Text
---

Feld	Pflicht	Bedeutung
name	✅	Eindeutiger Bezeichner
description	✅	Kurzbeschreibung (1 Satz)
variables	✅	Liste der {variable}-Platzhalter, oder [] wenn keine

[!WARNING] Häufiger Fehler
variables: [] vergessen, obwohl keine Platzhalter vorhanden. load_prompt() erwartet dieses Feld immer — auch wenn die Liste leer ist.

---

Was sind XML-Tags?

XML (Extensible Markup Language) ist eine Auszeichnungssprache, die Inhalte durch Tags mit öffnender und schließender Klammer strukturiert:

<TagName>
Inhalt des Tags
</TagName>

Warum XML-Tags in Prompts?

Sprachmodelle wurden während des Trainings mit enormen Mengen an XML- und HTML-Dokumenten trainiert. Dadurch erkennen sie Tags als semantische Abgrenzungen — ähnlich wie ein Mensch Überschriften und Absätze wahrnimmt.

Vergleich: ohne vs. mit XML-Tags

Ohne Tags (fließender Text — bei langen Prompts unübersichtlich):

Du bist Recherche-Spezialist. Recherchiere Fakten zum Thema. Nutze maximal 3 Suchen.
Gib mindestens 3 Kernfakten aus. Antworte auf Deutsch in maximal 200 Wörtern.

Mit Tags (klar gegliedert — Modell “sieht” die Struktur):

Du bist Recherche-Spezialist.

<Task>
Recherchiere Fakten zum angefragten Thema.
</Task>

<Instructions>
1. Beginne mit einem breiten Suchbegriff
2. Verfeinere bei Bedarf
3. Antworte auf Deutsch
</Instructions>

<Hard Limits>
Maximal 3 Suchen. Stoppe sobald die Anfrage beantwortbar ist.
</Hard Limits>

<Output>
Mindestens 3 Kernfakten als Stichpunkte. Maximal 200 Wörter.
</Output>

Vorteile strukturierter Prompts:

• Das Modell trennt klar zwischen Aufgabe, Anleitung und Grenzen
• Einzelne Abschnitte lassen sich ändern ohne den Rest zu berühren
• Reproduzierbarere und konsistentere Ergebnisse
• Weniger Halluzinationen bei komplexen Anweisungen

Wann XML-Tags verwenden?

Prompt-Komplexität	Empfehlung
Wenige Zeilen, eine klare Aufgabe	Kein XML nötig
Mehrere unterschiedliche Anweisungsblöcke	XML-Tags empfohlen
Agenten-Prompts mit Hard Limits	XML-Tags Pflicht
Few-Shot-Prompts mit Beispielen	<Example> Tags empfohlen

Häufig verwendete Tags im Kurs

Tag	Typischer Inhalt
<Task>	Was das Modell / der Agent tun soll
<Instructions>	Schritt-für-Schritt-Anweisungen
<Hard Limits>	Absolute Grenzen (Tool-Budget, Abbruchbedingungen)
<Output>	Gewünschtes Format und Struktur der Antwort
<Context>	Hintergrundinformationen
<Example>	Few-Shot-Beispiele

---

Die drei Prompt-Typen

Typ 1 — System-only Prompt

Wann: Nur Rolle und Verhalten definieren — keine Laufzeit-Variablen. Wird direkt als system-Nachricht übergeben, zum Beispiel an create_agent().

---
name: assistent_prompt
description: Einfacher Assistenten-Prompt ohne Variablen
variables: []
---

## system

Du bist ein hilfreicher Assistent.
Antworte immer präzise und auf Deutsch.

from genai_lib.utilities import load_prompt

system_text = load_prompt("05_prompt/assistent_prompt.md", mode="S")
# Rückgabe: String → direkt an create_agent() übergeben

---

Typ 2 — Template-Prompt (mit Variablen)

Wann: Der Prompt enthält Platzhalter {variable}, die zur Laufzeit befüllt werden. Typisch für RAG-Chains, SQL-Generierung, strukturierte Aufgaben.

---
name: rag_prompt
description: RAG-Prompt mit Kontext und Frage als Variablen
variables: [context, question]
---

## system

Du beantwortest Fragen ausschließlich auf Basis des bereitgestellten Kontexts.
Wenn die Antwort nicht im Kontext enthalten ist, sage das klar.

## human

Kontext:
{context}

Frage: {question}

from genai_lib.utilities import load_prompt

prompt = load_prompt("05_prompt/rag_prompt.md", mode="T")
# Rückgabe: ChatPromptTemplate → in LCEL-Chain einsetzbar
chain = prompt | llm | StrOutputParser()
antwort = chain.invoke({"context": "...", "question": "Was ist RAG?"})

---

Typ 3 — Few-Shot Prompt

Wann: Das Modell soll an Beispielen lernen, wie die Antwort aussehen soll. One-Shot = 1 Beispiel, Few-Shot = 2–5 Beispiele.

---
name: klassifikation_few_shot
description: Few-Shot Klassifikation von Support-Tickets
variables: [ticket]
---

## system

Klassifiziere Support-Tickets in: TECHNIK, ABRECHNUNG oder SONSTIGES.
Antworte nur mit dem Kategorie-Namen.

## human

Ticket: "Meine Rechnung ist doppelt abgebucht worden."

## ai

ABRECHNUNG

## human

Ticket: "Die App stürzt beim Start ab."

## ai

TECHNIK

## human

Ticket: {ticket}

Die ## ai-Sektionen simulieren Modell-Antworten als Vorab-Beispiele. Das Modell lernt das gewünschte Ausgabeformat aus den Beispielpaaren.

prompt = load_prompt("05_prompt/klassifikation_few_shot.md", mode="T")
chain = prompt | llm | StrOutputParser()
ergebnis = chain.invoke({"ticket": "Ich kann mich nicht einloggen."})

---

Hintergrund: Sektionen und LangChain MessageTypes

Die Datei-Sektionen sind eine vereinfachte Schreibweise — unter der Haube erzeugt load_prompt() daraus typisierte LangChain-Message-Objekte:

Datei-Sektion	LangChain MessageType	Verwendung
## system	SystemMessage	Rolle, Verhalten, Anweisungen an das Modell
## human	HumanMessage	Benutzereingabe oder Template mit {variablen}
## ai	AIMessage	Modell-Antwort — nur bei Few-Shot-Prompts
—	ToolMessage	Tool-Ergebnis zur Laufzeit — kein Template, von LangChain automatisch eingefügt

ToolMessage und ChatMessage (freie Rollen) erscheinen nicht in Prompt-Dateien. Diese Variablen entstehen zur Laufzeit und werden von LangChain intern verwaltet.

---

load_prompt() — Übersicht

from genai_lib.utilities import load_prompt

# mode="S" → String (für system_prompt in create_agent)
system_text = load_prompt("05_prompt/mein_prompt.md", mode="S")

# mode="T" → ChatPromptTemplate (für LCEL-Chains)
prompt_template = load_prompt("05_prompt/mein_prompt.md", mode="T")

mode	Rückgabetyp	Wann verwenden
"S"	str	create_agent(..., system_prompt=system_text)
"T"	ChatPromptTemplate	`chain = prompt

---

Schritt-für-Schritt: Eigenen Prompt erstellen

1. Datei in 05_prompt/ anlegen: mXX_rolle_prompt.md

2. YAML-Header schreiben:

---
name: mXX_mein_prompt
description: Was dieser Prompt macht (1 Satz)
variables: []
---

3. ## system-Block schreiben — Rolle, Aufgabe, Verhalten

4. Bei Variablen: variables: [var1] im Header + {var1} im ## human-Block

5. Bei Komplexität (mehrere Blöcke): XML-Tags verwenden

6. Testen im Notebook:

from genai_lib.utilities import load_prompt
p = load_prompt("05_prompt/mXX_mein_prompt.md", mode="S")
print(p)  # Prompt-Text prüfen

---

Entscheidungshilfe

flowchart TD
    A[Neuer Prompt] --> B{Platzhalter nötig?}
    B -->|Nein| C{Beispiele zeigen?}
    B -->|Ja| D([Typ 2: Template-Prompt<br>variables: list])
    C -->|Ja| E([Typ 3: Few-Shot<br>## ai Sektionen])
    C -->|Nein| F{Mehrere Anweisungsblöcke?}
    F -->|Ja| G([Typ 1 + XML-Tags])
    F -->|Nein| H([Typ 1: System-only<br>variables: empty])

    classDef solution fill:#bbf,stroke:#333,stroke-width:1px
    class D,E,G,H solution

---

Häufige Fehler

Fehler	Ursache	Lösung
KeyError: 'variables'	variables: im Header fehlt	Immer angeben, auch leer: variables: []
Platzhalter wird nicht ersetzt	{variable} im ## system statt ## human	Template-Variablen in ## human
## system fehlt	Sektion vergessen	## system ist Pflicht
XML-Tags erscheinen in der Ausgabe	Tags im falschen Block	XML-Tags gehören in ## system
load_prompt() gibt leeren String zurück	Sektion-Bezeichner falsch geschrieben	Genau ## system (zwei #, Leerzeichen)

---

Referenz-Dateien im Kurs

Typ	Datei	Modul
System-only	m10_tool_agent_system.md	M10 Agenten
Template mit Variablen	m08_rag_prompt.md	M08 RAG
Template mit Variablen	m09_sql_prompt.md	M09 SQL-RAG
Few-Shot (One-Shot)	m04_empfehlung_one_shot.md	M04 Prompting
Few-Shot (Zero-Shot)	m04_empfehlung_zero_shot.md	M04 Prompting

Alle Prompt-Dateien liegen in GenAI/05_prompt/.

---

Version: 1.0
Stand: März 2026
Kurs: Generative KI. Verstehen. Anwenden. Gestalten.