Prompt Engineering: die vier Blöcke eines guten Auftrags

Von Marco Kohns, Co-Founder von ENLIX, Dozent für KI und Wachstum

· 13 Min. Lesezeit

Prompt Engineering ist die Arbeit, einer KI eine Aufgabe so zu übergeben, dass das Ergebnis überprüfbar ist. Die Formulierung der Frage ist davon der kleinste Teil. Was entscheidet, ist der Kontext, den das Modell nicht selbst kennen kann, die Grenzen, in denen es arbeiten soll, und ein Beispiel dafür, wie ein gutes Ergebnis aussieht.

Das ist keine Meinung, das lässt sich auszählen. Dieser Artikel wurde von einem Agenten geschrieben, der dreimal die Woche ohne Aufsicht läuft. Sein Auftrag steht versioniert in unserem Repository und ist 555 Wörter lang. Das Ziel darin sind elf Wörter. Die übrigen 544 sind Kontext, Grenzen und Beispiele, und dazu liest derselbe Lauf noch 7.156 Wörter stehende Projektregeln aus zwei weiteren Dateien.

Unten steht, was Anthropics eigener Leitfaden empfiehlt, in welcher Reihenfolge, und welche vier Blöcke wir daraus im Kurs benutzen.

Was ist Prompt Engineering?

Es ist die Arbeit an der Eingabe, nicht am Modell. Du änderst nichts an der KI selbst, du änderst, was sie über deine Aufgabe weiß, bevor sie anfängt. Das ist der ganze Hebel, und er ist größer, als er klingt. Wenn der Begriff Eingabe selbst noch unklar ist, klärt ihn der Beitrag Was ist ein Prompt? zuerst.

Der Teil, der "Engineering" heißt, ist die Wiederholbarkeit. Eine Formulierung, die einmal zufällig ein gutes Ergebnis bringt, ist kein Prompt Engineering. Interessant wird es dort, wo dieselbe Eingabe morgen und in einem anderen Projekt wieder funktioniert, und wo du erkennst, woran es lag, wenn nicht.

Anthropic setzt dafür in seinem Leitfaden drei Dinge voraus, bevor es überhaupt losgeht: eine klare Definition der Erfolgskriterien, eine Möglichkeit, empirisch dagegen zu testen, und einen ersten Entwurf des Prompts, den du verbessern willst (Prompt engineering overview). Fehlt das erste, ist jede Formulierungsarbeit Geschmackssache, weil niemand sagen kann, ob sie geholfen hat.

Das erklärt auch, warum so viele Ratgeber zum selben Ergebnis führen wie vorher. Sie listen Techniken auf, aber keine davon wirkt, solange nicht feststeht, woran ein gutes Ergebnis erkennbar wäre.

Warum ist die Formulierung der kleinste Teil?

Weil das Modell nicht nur deine Frage liest. Es liest alles, was im Kontext steht, und in einem ernsthaft aufgesetzten Arbeitsablauf ist die Frage davon ein Bruchteil. Wir haben das an diesem Artikel nachgezählt.

Was das Modell für diesen Artikel liest, in Wörtern

Das Ziel11Rest des Auftrags544Projektkontext (CLAUDE.md)3836Redaktionsregeln (seo/ROADMAP.md)3320

Gezählt am 7. Oktober 2026 in `enlixai/enlix-academy`. Das Ziel ist der erste Satz des Auftrags: „Write and publish today's ENLIX Academy blog post, German and English.“ Nicht enthalten sind der Skill und die Artikel, die der Lauf danach selbst öffnet.

Was das Modell für diesen Artikel liest, in Wörtern
Das Ziel11
Rest des Auftrags544
Projektkontext (CLAUDE.md)3836
Redaktionsregeln (seo/ROADMAP.md)3320

Elf von 7.711 Wörtern sind die eigentliche Bitte. Alles andere ist Vorarbeit, die einmal geschrieben wurde und seitdem bei jedem Lauf mitgeht, der größte Block davon die Regeldatei dieses Projekts: wie die Marke klingt, welche Zahlen belegt sind, welche Behauptungen verboten sind, wohin eine Datei gehört.

Daraus folgt die praktische Regel, die den Rest dieses Artikels trägt: Wenn ein Ergebnis nicht stimmt, liegt es selten an der Formulierung und fast immer an fehlendem Kontext oder einer fehlenden Grenze. Die Frage ist dann nicht "wie frage ich besser", sondern "was weiß das Modell nicht, was ich weiß".

Dasselbe gilt im Kleinen, auch ohne Agenten. Wer in ein Chatfenster "schreib mir einen Newsletter" tippt, hat ein Ziel genannt und sonst nichts. Das Modell erfindet daraufhin die Zielgruppe, den Anlass, die Länge und den Ton, und jede dieser Erfindungen ist eine Stelle, an der das Ergebnis vorbeigeht.

Was empfiehlt Anthropics eigener Leitfaden?

Klarheit zuerst, dann Kontext, dann Beispiele, dann Struktur, und die Rolle erst danach. Die Reihenfolge steht so in der Referenz für aktuelle Claude-Modelle und sie widerspricht dem, womit die meisten deutschen Ratgeber anfangen.

ReihenfolgePrinzipDer Satz, auf den es ankommt
1Sei klar und direkt"Wenn du ein Verhalten möchtest, das über das Erwartete hinausgeht, fordere es ausdrücklich an"
2Füge Kontext hinzu"Wenn du den Kontext oder die Motivation hinter deinen Anweisungen angibst"
3Nutze Beispiele effektiv"Füge für beste Ergebnisse 3 bis 5 Beispiele ein"
4Strukturiere mit XML-TagsAnweisungen, Kontext, Beispiele und Eingaben je in ein eigenes Tag
5Gib Claude eine Rolle"Schon ein einziger Satz macht einen Unterschied"
Die allgemeinen Prinzipien aus Anthropics Referenz, in der Reihenfolge der Seite.Quelle: platform.claude.com, Best Practices für das Prompting

Die Rolle steht an fünfter Stelle. In deutschsprachigen Anleitungen ist "Du bist ein erfahrener Steuerberater" fast immer der erste Tipp, und er ist nicht falsch, er ist nur der kleinste der fünf. Ein Modell, das die Rolle kennt, aber die Aufgabe nicht, schreibt zuverlässig im richtigen Ton am Thema vorbei.

Der Vergleich, der auf derselben Seite steht, erklärt warum: Stell dir das Modell als brillanten, aber neuen Mitarbeiter vor, dem der Kontext zu deinen Normen und Arbeitsabläufen fehlt. Einem neuen Mitarbeiter gibst du am ersten Tag auch nicht zuerst einen Titel, sondern die Aufgabe und die Hausregeln.

Daneben steht eine Prüfung, die sich in zwei Minuten durchführen lässt und die wir für den besten Teil des ganzen Leitfadens halten. Anthropic nennt sie die goldene Regel: Zeige deinen Prompt einem Kollegen mit minimalem Kontext zur Aufgabe und bitte ihn, ihn zu befolgen. Wenn er verwirrt wäre, wird das Modell es auch sein.

Warum wirkt ein Verbot ohne Begründung schlechter?

Weil das Modell aus einer Begründung verallgemeinern kann und aus einem nackten Verbot nicht. Anthropic zeigt das an einem Beispiel, das aus zwei Zeilen besteht und mehr erklärt als die meisten Technikenlisten.

Die weniger wirksame Fassung:

NEVER use ellipses

Die wirksamere:

Your response will be read aloud by a text-to-speech engine, so never use ellipses
since the text-to-speech engine will not know how to pronounce them.

Beide verbieten dasselbe. Die zweite sagt dazu, wofür die Ausgabe gebraucht wird, und Anthropic schreibt dazu einen Satz, der die ganze Mechanik enthält: "Claude ist intelligent genug, um aus der Erklärung zu verallgemeinern."

Das ist der Unterschied zwischen einer Regel und einem Grund. Mit dem Grund behandelt das Modell auch die Fälle richtig, die im Verbot nicht stehen: Klammern mit Auslassungen, Sonderzeichen, Abkürzungen, die vorgelesen seltsam klingen. Ohne den Grund hält es genau eine Regel ein und fällt bei der nächsten Variante zurück.

Für die eigene Arbeit heißt das: Jede Grenze bekommt ihren Grund mit. "Keine Tabellen" wird zu "keine Tabellen, der Text wird in einem Newsletter ohne CSS ausgeliefert". Das kostet acht Wörter und spart die Runde, in der du die Tabelle wegdiskutierst.

Wie viele Beispiele gehören in einen Prompt?

Drei bis fünf, und sie sollen unterschiedlich sein. Anthropic nennt Beispiele "eine der zuverlässigsten Methoden", um Ausgabeformat, Ton und Struktur zu steuern, und stellt drei Anforderungen an sie.

  • Relevant. Sie spiegeln deinen tatsächlichen Anwendungsfall, nicht eine vereinfachte Variante davon.
  • Vielfältig. Sie decken Grenzfälle ab und variieren genug, damit das Modell keine unbeabsichtigten Muster übernimmt.
  • Strukturiert. Sie stehen in <example>-Tags, mehrere in <examples>, damit sie von den Anweisungen unterscheidbar sind.

Der zweite Punkt ist der, an dem die meisten Prompts scheitern. Wer drei Beispiele gibt, die sich ähneln, bekommt ein Modell zurück, das die Ähnlichkeit für die Aufgabe hält. Drei Beispiele aus demselben Monat, derselben Branche oder mit derselben Satzlänge sind in der Wirkung ein Beispiel.

Ein einzelnes Beispiel hat trotzdem seinen Platz, und zwar dort, wo du nicht steuern, sondern nur die Erwartung festnageln willst. In unserem Kurs-Auftrag steht genau ein Beispiel, und es ist ein durchgerechneter Fall mit dem Ergebnis, das herauskommen soll. Es sagt dem Modell nicht, wie es schreiben soll, sondern woran es merkt, dass es fertig ist.

Wo im Prompt steht was?

Lange Daten oben, deine Frage unten. Das gilt ab etwa 20.000 Token Eingabe und ist die einzige Positionsregel im Leitfaden, die mit einer Zahl kommt.

Anthropic schreibt: "Platziere deine langen Dokumente und Eingaben nahe am Anfang deines Prompts, oberhalb deiner Anfrage, Anweisungen und Beispiele", und ergänzt, dass Anfragen am Ende die Antwortqualität in Tests um bis zu 30 Prozent verbessern können, besonders bei komplexen Eingaben mit mehreren Dokumenten.

Die Zahl ist Anthropics eigene und stammt aus Tests, die nicht öffentlich sind, also nimm sie als Richtung und nicht als Messwert für deinen Fall. Die Richtung selbst ist billig zu befolgen: Erst der Vertrag, dann die Frage zum Vertrag. Erst das Protokoll, dann die Bitte um die Zusammenfassung.

Bei mehreren Dokumenten kommt die Struktur dazu. Jedes Dokument in ein <document>-Tag, mit <source> für die Herkunft, damit das Modell in der Antwort auseinanderhalten kann, welche Aussage aus welcher Datei stammt. Ohne diese Trennung entsteht die Art von Zusammenfassung, die stimmt, aber nicht mehr belegbar ist.

Wie sieht ein vollständiger Auftrag aus?

Vier Blöcke: Ziel, Kontext, Grenzen, Beispiel. Das ist die Struktur, mit der wir im Kurs live bauen, und sie ordnet die Prinzipien oben so an, dass man beim Schreiben merkt, welcher Teil fehlt.

Der Auftrag aus dem Live-Build, Wörter je Block

Ziel25Kontext57Grenzen62Beispiel35

196 Wörter insgesamt, davon 17 für Title, Meta-Description und FAQ. Gezählt am 7. Oktober 2026 in `webinar/LIVE-BUILD.md`. Der Auftrag baut in sechs Minuten einen öffentlichen Preisrechner.

Der Auftrag aus dem Live-Build, Wörter je Block
Ziel25
Kontext57
Grenzen62
Beispiel35

Das Ziel ist der kürzeste Block, und das ist kein Zufall. Ein Ziel, das länger wird, ist meistens schon ein verkleideter Kontext. Es gehört in einen Satz, der ein Ergebnis beschreibt, das jemand überprüfen könnte: nicht "mach eine Seite besser", sondern "eine öffentliche Seite, auf der ein Besucher in fünf Fragen einen Richtpreis bekommt".

Der Kontext ist alles, was das Modell nicht selbst lesen kann. Im Live-Build sind das die Preisliste des Beispielgeschäfts und der Stand des Projekts. Bei Claude Code wird dieser Block kürzer, weil das Werkzeug die Projektdateien selbst öffnet, und genau diese Verschiebung ist der Grund, warum die Arbeit aus dem Chatfenster in Dateien wandert.

Die Grenzen sind der längste Block, und in ihnen steht das Teure: keine Datenbank, keine Anmeldung, die E-Mail erst beim Absenden, eine Checkbox zum Datenschutz, mobil zuerst. Jede dieser Zeilen verhindert eine Runde, in der etwas gebaut und wieder entfernt wird.

Das Beispiel ist der Block, der am häufigsten fehlt. Es ist kein Mustertext, sondern ein durchgerechneter Fall mit dem erwarteten Ergebnis, an dem das Modell die eigene Antwort messen kann. Wenn du die vier Blöcke für deine eigene Aufgabe einmal ausfüllen willst, ohne sie von Hand zu sortieren, nimm unseren Prompt Generator: er macht aus deinen Worten die Struktur, ohne selbst eine KI zu befragen. Wie weit dieselben vier Blöcke ohne Programmierkenntnisse tragen, steht in Vibe Coding auf Deutsch.

Was ändert sich, wenn ein Agent den Auftrag ausführt?

Der Prompt wird kürzer und der stehende Kontext wird größer. Sobald ein Werkzeug Dateien liest und Befehle ausführt, beantwortet es die Hälfte des Kontext-Blocks selbst, und dafür wird die Frage wichtig, wo die Regeln dauerhaft stehen.

Dieselbe Aufgabe, einmal als Frage und einmal als Auftrag

Schritt, der dich Zeit kostet

Eine Zeile im Chat

  1. Du tippst die Bitte
  2. Modell rät Zielgruppe und Umfang
  3. Ergebnis kommt
  4. Du liest und korrigierst
  5. Du beschreibst nach, was gefehlt hat
  6. Zweites Ergebnis
  7. Du korrigierst erneut

3 von 7 Schritten brauchen dich

Vier Blöcke

  1. Du schreibst Ziel, Kontext, Grenzen, Beispiel
  2. Modell arbeitet im gesetzten Rahmen
  3. Ergebnis kommt
  4. Du prüfst es gegen dein Beispiel

1 von 4 Schritten brauchen dich

Der Ablauf, wie wir ihn im Kurs zeigen. Keine Messung, sondern die Mechanik: Jede Korrekturrunde ist ein Kontext, der vorher gefehlt hat.

Die Arbeit verschwindet also nicht, sie wandert. Was vorher in jedem Prompt neu stand, steht bei uns in einer Projektdatei, die jeder Lauf mitliest, und das ist der Grund für die 3.836 Wörter in der ersten Grafik. Wo bei uns die Grenze zwischen einer Projektregel und einer eigenen, versionierten Arbeitsanweisung verläuft, steht in Claude Code Skills.

Dazu kommen Formulierungen, die es ohne Agenten nicht braucht. Anthropic dokumentiert für agentische Arbeit eigene Textbausteine gegen typische Übertreibungen, etwa gegen Übereifer: keine Funktionen hinzufügen, die nicht verlangt wurden, keine Kommentare in Code schreiben, den du nicht geändert hast, keine Fehlerbehandlung für Fälle bauen, die nicht eintreten können. Das sind Grenzen, nicht Formulierungen, und sie stehen deshalb einmal in einer Datei und nicht jedes Mal im Prompt.

Was ein Agent darüber hinaus braucht, ein Ziel, Werkzeuge, eine Abbruchbedingung, steht in KI Agent, und woher diese Werkzeuge kommen, in Claude Code MCP.

Woran merkst du, dass ein Prompt schlechter geworden ist?

Gar nicht, solange du nichts prüfst. Das ist der unangenehmste Teil des Themas: Ein Prompt verschlechtert sich nicht sichtbar, er liefert weiter ein Ergebnis, nur ein schlechteres, und ohne eine Prüfung fällt das erst Wochen später jemandem auf.

Genau deshalb steht in Anthropics Leitfaden vor der ersten Technik die Voraussetzung, gegen die Erfolgskriterien empirisch testen zu können. Im Chatfenster ist diese Prüfung dein eigenes Urteil, und das reicht, solange du jedes Ergebnis liest. Sobald etwas ohne Aufsicht läuft, reicht es nicht mehr.

Bei dem Agenten, der diesen Artikel schreibt, sind die Prüfungen deshalb Teil des Auftrags und nicht Teil der Formulierung. Drei davon können den Lauf anhalten, bevor irgendetwas veröffentlicht wird: die Testsuite des Projekts, ein Produktionsbuild, in dem jede Marketingseite statisch bleiben muss, und eine Suche nach den Wörtern, die hier verboten sind. Schlägt eine an, erscheint kein Artikel, sondern eine Meldung, woran es lag.

Für einen Prompt im Chatfenster ist die kleine Fassung davon ein eigener Satz im Auftrag: woran du erkennst, dass das Ergebnis brauchbar ist. Das ist derselbe Beispiel-Block von oben, nur aus der anderen Richtung gelesen. Ein Auftrag ohne diesen Satz ist nicht falsch, er ist nur nicht nachprüfbar, und damit lässt er sich auch nicht verbessern.

Was löst Prompt Engineering nicht?

Nicht jedes Problem ist ein Prompt-Problem, und Anthropic sagt das in seinem eigenen Leitfaden deutlicher als die meisten Anbieter: "Nicht jedes Erfolgskriterium oder jede fehlschlagende Evaluierung lässt sich am besten durch Prompt Engineering lösen." Latenz und Kosten etwa ändern sich oft leichter über die Wahl des Modells.

Drei Fälle, in denen besseres Formulieren nichts bringt:

  • Die Information fehlt. Wenn die Zahl nirgends steht, zu der du eine Antwort willst, holt sie keine Formulierung herbei. Dann brauchst du eine Quelle im Kontext, nicht einen besseren Satz.
  • Es gibt kein Erfolgskriterium. Ohne eine Vorstellung davon, woran ein gutes Ergebnis erkennbar ist, lässt sich kein Prompt verbessern, sondern nur verändern.
  • Die Aufgabe ist eigentlich deterministisch. Wenn die Schritte feststehen und immer gleich sind, gehört das in ein Skript. Ein Skript ist billiger, schneller und nachlesbar.

Und eine Einschränkung, die den Rest relativiert: Die Prinzipien oben stammen aus Anthropics Referenz für aktuelle Claude-Modelle. Die vier Blöcke hängen an keinem Hersteller, aber Details wie XML-Tags und die genauen Textbausteine sind an Claude gemessen. Bei einem anderen Modell prüfst du sie an deinen eigenen Beispielen nach, statt sie zu übernehmen.

Wo die vier Blöcke im Einstieg stehen, also was davor und was danach kommt, ordnet Claude Code lernen ein.

Wer diese Arbeitsweise im Team einführt, kann die Schulung dazu gleich als Maßnahme zur KI-Kompetenz festhalten, mit dem KI-Schulungsnachweis. Was Art. 4 der KI-Verordnung dazu verlangt, steht im Artikel zur KI-Schulungspflicht.

Den kleinsten Fall davon, einen Auftrag mit Datei, Symptom und Fertig-Kriterium, zeigt die erste Sitzung mit Claude Code an einem einzigen Beispiel.

Wenn du die vier Blöcke lieber an deinem eigenen Projekt schreiben willst, bis etwas läuft, statt sie zu lesen: genau das ist der praktische Teil im Claude Code System.

Häufige Fragen

Was ist Prompt Engineering einfach erklärt?

Die Arbeit, einer KI eine Aufgabe so zu übergeben, dass das Ergebnis überprüfbar ist. Dazu gehört die Formulierung der Aufgabe, aber vor allem der Kontext, den das Modell nicht kennen kann, die Grenzen, innerhalb derer es arbeiten soll, und ein Beispiel für ein gutes Ergebnis. Anthropic beschreibt das Modell in seinem Leitfaden als "brillanten, aber neuen Mitarbeiter, dem der Kontext zu deinen Normen und Arbeitsabläufen fehlt".

Braucht man für Prompt Engineering Programmierkenntnisse?

Nein. Die vier Dinge, die einen Auftrag tragen, sind alle fachlich und nicht technisch: Was soll herauskommen, was muss das Modell über deinen Fall wissen, was darf nicht passieren, und wie sieht ein gutes Ergebnis konkret aus. Technisch wird es erst, wenn das Modell Dateien schreibt und Befehle ausführt, und auch dann besteht die Arbeit darin, Grenzen zu setzen, nicht Code zu tippen.

Was gehört in einen guten Prompt?

Ein überprüfbares Ziel, der Kontext, den das Modell nicht selbst lesen kann, die Grenzen mit ihrer Begründung, und ein Beispiel für das erwartete Ergebnis. In dem Auftrag, mit dem wir im Kurs live einen Preisrechner bauen, sind das 25 Wörter Ziel, 57 Wörter Kontext, 62 Wörter Grenzen und 35 Wörter Beispiel. Das Ziel ist der kürzeste der vier Blöcke.

Was ist der Unterschied zwischen einem Prompt und Prompt Engineering?

Ein Prompt ist die einzelne Eingabe. Prompt Engineering ist die Arbeit daran, dass diese Eingabe wiederholbar funktioniert: welcher Kontext dauerhaft mitgegeben wird, welche Grenzen gelten, woran ein gutes Ergebnis erkennbar ist und wie du merkst, dass es schlechter geworden ist. Ein Prompt ist ein Satz, Prompt Engineering ist ein Aufbau.

Ist Prompt Engineering ein eigener Beruf?

Die Arbeit verschwindet nicht, sie wandert nur aus dem Chatfenster in versionierte Dateien: Projektregeln, Beispiele, Abbruchbedingungen. Wer heute Prompts schreibt, pflegt morgen den Kontext, aus dem ein Agent arbeitet. Das ist weniger Formulierungskunst und mehr Betriebsarbeit, und es gehört eher in die Rolle, die das Thema fachlich verantwortet, als in eine eigene Stelle.

Geschrieben von

Marco Kohns

Co-Founder von ENLIX, Dozent für KI und Wachstum

Marco hat als Growth Product Manager in einem Silicon-Valley-Scale-up gearbeitet und gibt diese Arbeitsweise seitdem auf Deutsch weiter. Heute führt er ENLIX mit Tobias und baut mit denselben Systemen zwei eigene Produkte, über die er in den Kursen offenlegt, was funktioniert und was nicht.

  • Growth Product Manager in einem Silicon-Valley-Scale-up, Series A bis B, finanziert von a16z, General Catalyst und Sapphire, mit Nutzern in über 100 Ländern und über 20.000 Städten
  • Begutachtete Veröffentlichung im Journal of Business Research zu generativer KI im Marketing, gemeinsam mit Prof. René Bohnsack. Die Forschung dazu begann im Sommer 2022, Monate bevor ChatGPT öffentlich wurde
  • Dozent für die Weiterbildung von Führungskräften an der Católica-Lisbon, über 10 Seminare, über 1.500 unterrichtete Teilnehmende

Weiterlesen