Prompt Engineering bezeichnet das gezielte Formulieren von Anweisungen an ein KI-Sprachmodell, um brauchbare und wiederholbare Ergebnisse zu erhalten. Der Prompt ist dabei die Eingabe, aus der das Modell seine Antwort ableitet.
Weil ein Sprachmodell auf der Eingabe aufbaut, entscheidet deren Qualität maßgeblich über das Ergebnis. Vier Bestandteile haben sich als tragfähig erwiesen: eine Rolle oder Perspektive, aus der geantwortet werden soll, die eigentliche Aufgabe in klaren Worten, der nötige Zusammenhang mit den relevanten Fakten, und eine Vorgabe zu Form und Umfang der Antwort. Fehlt der letzte Punkt, kommt oft ein brauchbarer Inhalt in unbrauchbarem Format zurück.
Einige Muster wirken verlässlich. Beispiele für gewünschte Ergebnisse führen schneller zum Ziel als abstrakte Beschreibungen. Eine Aufgabe in Teilschritte zu zerlegen liefert bei mehrstufigen Fragestellungen bessere Ergebnisse als eine einzelne große Frage. Und Randbedingungen ausdrücklich zu nennen, also was nicht vorkommen soll, verhindert die häufigsten Nacharbeiten. Höflichkeit schadet nicht, bringt aber auch nichts: Was zählt, sind Eindeutigkeit und Zusammenhang.
Im betrieblichen Einsatz verschiebt sich der Schwerpunkt von der einzelnen Eingabe zur wiederverwendbaren Vorlage. Wer dieselbe Aufgabe regelmäßig erledigt, etwa Produkttexte nach einem festen Schema oder die Zusammenfassung von Anfragen, formuliert einmal eine geprüfte Vorlage mit Platzhaltern und arbeitet danach mit dieser. Das macht Ergebnisse vergleichbar, erlaubt gezielte Verbesserungen und macht die Arbeit unabhängig davon, wer sie gerade ausführt.
Eine dauerhafte Spezialdisziplin ist das Ganze allerdings nicht. Mit jeder Modellgeneration verstehen die Systeme unpräzisere Eingaben besser, und ein Teil der früher nötigen Kunstgriffe ist bereits überflüssig geworden. Und keine Formulierung löst fehlendes Wissen des Modells. Wenn Antworten am eigenen Sachstand vorbeigehen, hilft nicht ein besserer Prompt, sondern das Bereitstellen der eigenen Dokumente als Grundlage der Antwort.