Prompt Engineering für die Praxis
Sprachmodelle gezielt und reproduzierbar einsetzen
01 Intro
Gute Ergebnisse mit Large Language Models entstehen nicht allein durch
möglichst ausgefeilte Formulierungen. Entscheidend ist, eine Aufgabe so zu
strukturieren, dass Ziel, Kontext, Randbedingungen und erwartetes Ergebnis
für das Modell möglichst eindeutig sind.
Der Kurs vermittelt Prompt Engineering als systematische Arbeitsweise. Die
Teilnehmer entwickeln Prompts für unterschiedliche Aufgaben, untersuchen das
Verhalten von Sprachmodellen und lernen, komplexere Anforderungen
schrittweise aufzubauen, Ergebnisse zu überprüfen und wiederverwendbare
Prompt-Strukturen zu entwickeln.
Kurs-ID
AI-002
Dauer
3 Tage
Format
Präsenz · Live Online · Inhouse
Vorkenntnisse
Grundlegende Erfahrung mit ChatGPT, Claude oder vergleichbaren Sprachmodellen
02 Trainingsprogramm
Inhalte
Grundlagen des Prompt Engineering
- Prompt Engineering als Schnittstelle zwischen Mensch und Modell
- Prompt, Kontext und Modellantwort
- Instruktionen und Informationen unterscheiden
- Einfluss von Modell und Kontext
- typische Ursachen schlechter Ergebnisse
- Grenzen des Prompt Engineering
Aufbau guter Prompts
- Ziel und Aufgabe eindeutig definieren
- notwendigen Kontext bereitstellen
- Randbedingungen und Prioritäten formulieren
- Rollen gezielt einsetzen
- gewünschte Ausgabe beschreiben
- unnötige Informationen vermeiden
Präzise Instruktionen
- Mehrdeutigkeiten und implizite Annahmen erkennen
- positive und negative Vorgaben
- Muss-, Soll- und Kann-Anforderungen
- Bedingungen und Ausnahmen
- fehlende Informationen und Rückfragen
- Abbruch- und Eskalationsbedingungen
Zero-Shot und Few-Shot Prompting
- Aufgaben ohne Beispiele formulieren
- geeignete Beispiele auswählen
- positive und negative Beispiele
- Format und Inhalt durch Beispiele steuern
- Anzahl und Qualität der Beispiele
- Grenzen beispielbasierter Steuerung
Strukturierte Ein- und Ausgaben
- Listen, Tabellen und Markdown
- JSON und andere strukturierte Formate
- Schemas, Pflichtfelder und optionale Felder
- validierbare Ausgaben
- maschinelle Weiterverarbeitung
- robuste statt nur optisch plausible Ergebnisse
Kontext gezielt aufbauen
- relevanten von irrelevantem Kontext trennen
- Reihenfolge und Umfang von Informationen
- lange Dokumente und mehrere Quellen
- Daten und Instruktionen trennen
- Kontext reduzieren und verdichten
- Auswirkungen großer Kontextmengen
Komplexe Aufgaben zerlegen
- Aufgaben in sinnvolle Teilschritte zerlegen
- Zwischenprodukte definieren
- Analyse und Ergebnis trennen
- mehrstufige Prompt-Verfahren
- Prüf- und Korrekturschritte einbauen
- Übergang vom Prompt zum Workflow
Prompts iterativ entwickeln
- mit einer einfachen Version beginnen
- Ergebnisse und Fehlerklassen analysieren
- Änderungen gezielt und einzeln vornehmen
- Varianten unter gleichen Bedingungen vergleichen
- Regressionen erkennen
- erfolgreiche Prompts stabilisieren
Prompts systematisch testen
- typische, atypische und kritische Testfälle
- Grenzfälle und unterschiedliche Formulierungen
- erwartete Eigenschaften der Antwort
- wiederholte Ausführung und Modellvariabilität
- fachliche Qualität und Formatkonformität bewerten
- Prompt-Versionen reproduzierbar vergleichen
Halluzinationen und Unsicherheit
- fehlendes Wissen und erfundene Antworten
- Modelle nicht zum Raten zwingen
- fehlende Informationen explizit behandeln
- Quellen und Belege nutzen
- Verifikation in den Arbeitsablauf einbauen
- Grenzen promptbasierter Absicherung
Wiederverwendbare Prompts
- Prompt Templates
- variable und feste Bestandteile
- Parameter und Platzhalter
- Versionierung und Dokumentation
- gemeinsame Prompt-Bibliotheken
- Wartung und Weiterentwicklung
System Prompts und Instruktionshierarchien
- Benutzer- und Systeminstruktionen
- unterschiedliche Instruktionsebenen
- dauerhafte Rahmenbedingungen und Rollen
- Konflikte zwischen Instruktionen
- System Prompts in Anwendungen
- Grenzen der Steuerbarkeit
Prompt Injection und untrusted Input
- direkte und indirekte Prompt Injection
- fremde Inhalte als potenzielle Instruktionen
- Dokumente, Webseiten und externe Daten
- Trennung von Instruktionen und Daten
- technische und organisatorische Schutzmaßnahmen
- warum Prompt-Regeln keine Sicherheitsgrenze sind
Typische Aufgaben mit Prompts lösen
- Informationen extrahieren und klassifizieren
- Texte zusammenfassen und überarbeiten
- Informationen vergleichen
- Daten strukturieren
- Varianten und Vorschläge erzeugen
- Analyseaufgaben unterstützen
Mit Dokumenten arbeiten
- Dokumente als Kontext bereitstellen
- gezielte Fragen und Extraktion
- mehrere Dokumente vergleichen
- umfangreiche Dokumente zerlegen
- Quellenbezug und fehlende Informationen
- Ergebnisse gegen Originalmaterial prüfen
Multimodales Prompting
- Text und Bild gemeinsam verwenden
- Screenshots und Diagramme analysieren
- visuelle Informationen extrahieren
- Bild und Text als gemeinsamen Kontext behandeln
- präzise Aufgaben für multimodale Modelle
- typische Fehler und Grenzen visueller Interpretation
Vom Prompt zum Workflow
- Grenzen einzelner Prompts
- Prompt Chains und strukturierte Verarbeitungsschritte
- externe Daten einbeziehen
- Tools und Funktionen
- RAG und Agenten im Überblick
- Übergang zu AI Engineering
Praxis: Prompts entwickeln und prüfen
- vorhandene Prompts analysieren
- unklare Anforderungen präzisieren
- Zero-Shot und Few-Shot vergleichen
- strukturierte Ausgaben erzeugen
- Prompts mit Testfällen prüfen
- eigene Anwendungsfälle der Teilnehmer bearbeiten
03 Durchführung
Rahmen und Organisation
Dauer
3 Tage
Durchführung
Präsenz oder Live Online, vorzugsweise als Inhouse-Schulung
Schwerpunkt
Inhouse-Schulungen für Unternehmen und Teams
Sprache
Deutsch, englische Fachbegriffe und Dokumentation
Unterlagen
Kursunterlagen, Beispiele und Übungsaufgaben
Technik
Eigener Rechner mit Zugang zu einem aktuellen Sprachmodell
Inhouse-Schulungen
Vorhandene Prompts, typische Aufgaben und unternehmensspezifische
Anwendungsfälle können in die Übungen einbezogen werden.
04 Zielgruppe
Für wen ist der Kurs gedacht?
Der Kurs richtet sich an Fachanwender, Entwickler, Projektmitarbeiter, Consultants und andere Nutzer generativer KI, die Sprachmodelle nicht nur spontan im Chat einsetzen, sondern Aufgaben systematisch und reproduzierbar formulieren möchten.
Er eignet sich insbesondere für Teilnehmer, die bereits erste Erfahrungen mit ChatGPT, Claude oder vergleichbaren Werkzeugen gesammelt haben und die Qualität ihrer Ergebnisse gezielt verbessern möchten.
Voraussetzungen
Grundlegende praktische Erfahrung mit einem Large Language Model wird
vorausgesetzt. Programmierkenntnisse sind nicht erforderlich. Für
Teilnehmer aus der Softwareentwicklung können Übungen und Beispiele
entsprechend technisch ausgerichtet werden.
05 Lernziele
Was Sie nach dem Kurs können
Nach dem Kurs können die Teilnehmer:
- Aufgaben für Sprachmodelle strukturiert formulieren
- Ziel, Kontext und Randbedingungen klar voneinander unterscheiden
- Zero-Shot- und Few-Shot-Verfahren sinnvoll einsetzen
- strukturierte und maschinell weiterverarbeitbare Ausgaben erzeugen
- komplexe Aufgaben in geeignete Verarbeitungsschritte zerlegen
- Prompts iterativ entwickeln und systematisch testen
- Qualitätskriterien für Modellantworten definieren
- Halluzinationen und typische Fehlerquellen berücksichtigen
- wiederverwendbare Prompt Templates entwickeln
- System Prompts und Instruktionshierarchien einordnen
- Risiken durch Prompt Injection erkennen
- Prompts für Dokumente und multimodale Modelle entwickeln
- erkennen, wann ein Problem nicht mehr sinnvoll allein durch Prompt Engineering gelöst werden kann
06 FAQ
Häufige Fragen
Ist der Kurs auch für Teilnehmer mit wenig KI-Erfahrung geeignet?
Grundlegende Erfahrung mit ChatGPT, Claude oder einem vergleichbaren Sprachmodell sollte vorhanden sein. Tiefergehende technische Kenntnisse sind nicht erforderlich.
Muss ich programmieren können?
Nein. Die grundlegenden Methoden des Prompt Engineering sind unabhängig von einer Programmiersprache. Technische Beispiele können bei Bedarf ergänzt werden.
Werden fertige Prompt-Vorlagen vermittelt?
Der Kurs verwendet und entwickelt wiederverwendbare Prompt-Strukturen. Im Mittelpunkt steht jedoch das Verständnis, wie solche Prompts aufgebaut, geprüft und an neue Aufgaben angepasst werden, nicht das Sammeln allgemeiner „Magic Prompts“.
Geht es um bestimmte Modelle wie ChatGPT oder Claude?
Nein. Die grundlegenden Verfahren werden modellübergreifend behandelt. Unterschiede zwischen Modellen können in den praktischen Übungen untersucht werden.
Werden auch System Prompts behandelt?
Ja. System Prompts, Instruktionshierarchien und dauerhafte Rahmenbedingungen werden behandelt und gegenüber normalen Benutzerprompts abgegrenzt.
Wird Prompt Injection behandelt?
Ja. Der Kurs zeigt, warum externe Inhalte problematisch werden können und weshalb Prompting allein keine verlässliche Sicherheitsgrenze darstellt.
Werden Prompts auch systematisch getestet?
Ja. Testfälle, Varianten, Grenzfälle und Qualitätskriterien sind Bestandteil des Kurses. Prompt Engineering wird damit nicht nur als Formulierungsaufgabe, sondern als iterativer Entwicklungsprozess betrachtet.
Kann der Kurs an konkrete Anwendungsfälle angepasst werden?
Ja. Bei Inhouse-Schulungen können vorhandene Prompts, typische Aufgaben und unternehmensspezifische Anwendungsfälle in die Übungen einbezogen werden.