Fortgeschrittenes Prompting

Wiederverwendbare Prompt-Bibliotheken: von Textbausteinen zu gemeinsamen Vorlagen

Wenn dieselbe KI-gestützte Aufgabe wiederkehrt, kann eine Prompt-Bibliothek den Workflow leichter reproduzierbar und bewertbar machen. Ein praxisnahes System zum Erfassen, Testen, Versionieren und Teilen von Vorlagen.

10 Min. Lesezeit

Reasoning-Modelle auswählen und prompten

Reasoning-Einstellungen verändern Qualität, Latenz, Kosten und mitunter das Prompt-Verhalten. Ein praxisnaher Leitfaden für die Auswahl anhand von Evaluierungen statt überlieferter Regeln.

12 Min. Lesezeit

Context Engineering: Kontextfenster mit 1 Mio. Tokens ohne Qualitätsverlust nutzen

Kontextfenster mit 1 Mio. Tokens sind verfügbar, doch die Qualität sinkt lange vor diesem Grenzwert. Context Engineering ist die Disziplin, Kontextfenster wirksam zu nutzen: was aufgenommen, zusammengefasst oder aktuell abgerufen wird und welche Muster die Qualität bei wachsendem Kontext erhalten.

Weitere in diesem Thema

10 Min. Lesezeit

Chain-of-Thought, Selbstkritik und Tree-of-Thoughts: Wann eignet sich welche Technik?

Drei Reasoning-Techniken verbessern KI-Ergebnisse bei schwierigen Problemen messbar und wiederholbar. Mit konkreten Prompts, direkten Vergleichen, Kosten-Nutzen-Abwägung und den Besonderheiten moderner Reasoning-Modelle.

12 Min. Lesezeit

Prompting, RAG oder Fine-Tuning wählen — und wann Sie sie kombinieren sollten

Prompting, RAG und Fine-Tuning sind die drei großen Hebel, um große Sprachmodelle an Ihr Problem anzupassen. Jeder eignet sich für bestimmte Probleme und für andere nicht. Ein Entscheidungsrahmen, die realistischen Kosten jedes Ansatzes und erfolgreiche Kombinationsmuster für den Produktivbetrieb.

12 Min. Lesezeit

Prompts für den Produktivbetrieb entwerfen: System-, Entwickler- und Nutzerebene

Ein Governance-Muster, um vertrauenswürdige Anweisungen, Laufzeitdaten und Nutzereingaben zu trennen und Prompts anschließend risikogerecht zu versionieren, zu bewerten, bereitzustellen und zu beobachten.

7 Min. Lesezeit

Das richtige Modell für die Aufgabe: Entscheidungshilfe für 2026

Welches Modell eignet sich für welche Aufgabe? GPT, Claude, Gemini, Reasoning-Varianten und Open-Weight-Optionen mit Entscheidungsregeln und Beispielen von Mitte 2026, nicht als zeitlose Rangliste.

Einsteiger

13 Min. Lesezeit

Strukturierte Ausgaben und Function Calling: Muster für den Produktivbetrieb

Strukturierte Ausgaben und Function Calling bilden die Brücke vom „LLM, das Text generiert“ zum „System, das Aufgaben ausführt“. Im Produktivbetrieb zählen robuste Schemata, Fehlerbehandlung, Idempotenz und kontrollierte Degradation – nicht nur der JSON-Modus.

29 Minuten

Tree of Thoughts: bewusstes Problemlösen mit großen Sprachmodellen (vollständige Studienbesprechung)

Yannic Kilcher. Yannic erläutert die ursprüngliche Tree-of-Thoughts-Studie von Princeton und DeepMind — den Zyklus aus generate, score, prune und backtrack (erzeugen, bewerten, verwerfen und zurückgehen), warum er die Genauigkeit beim Game of 24 von 4 % auf 74 % steigert und wann die Technik ihre zehnfachen Tokenkosten nicht mehr rechtfertigt. Das Video zwingt Sie dazu, ToT als Suchalgorithmus zu verstehen, nicht als magisches Präfix für einen Prompt.

25 Minuten

Prompting 101 – Grundlagen des Promptings

Anthropic. Zwei Mitglieder des Applied-AI-Teams von Anthropic bauen live einen praxisnahen Prompt auf und ergänzen schrittweise eine Rolle, strukturierte Abschnitte und ausdrückliche Denkschritte. Es ist die glaubwürdigste Demonstration auf YouTube dafür, Chain-of-Thought einzusetzen, ohne daraus ein Ritual zu machen. Zugleich konkretisiert sie die Aussage des Artikels: Fügen Sie nicht überall „Let's think step by step“ ein.

22 Minuten

Context Engineering für Agenten

LangChain. Lance Martin erläutert das Modell „Schreiben, Auswählen, Komprimieren, Isolieren“ anhand konkreter Beispiele: wann eine Aktionshistorie zusammenzufassen ist, wann Zustand in Dateien ausgelagert werden sollte und wann Unteragenten allein zum Schutz des Kontexts des übergeordneten Agenten sinnvoll sind. Das entspricht nahezu direkt dem Artikelabschnitt zur praktischen Verwaltung von 1M-Token-Fenstern.

8 Minuten

Context Rot: Wie mehr Eingabe-Tokens die LLM-Leistung beeinflussen

Chroma. Kelly Hong stellt Chromas Untersuchung von 18 Modellen vor: weshalb Needle-in-a-Haystack-Ergebnisse irreführend sein können, wie die Leistung bei Mehrdeutigkeit und Ablenkungen nachlässt und warum selbst einfache Aufgaben zur Wiederholung von Zeichenketten jenseits von 500 Tokens schlechter werden. Der Vortrag ist kurz, evidenzbasiert und liefert genau den Befund, den Sie ernst nehmen sollten, bevor der Artikel zu technischen Maßnahmen übergeht.

3 Minuten

Die Entwicklung von OpenAI o1

OpenAI. Dieses dreiminütige Erstanbietervideo dokumentiert, wie das OpenAI-Team o1 bei der Einführung präsentierte. Es hilft, die Geschichte der Kategorie zu verstehen, belegt aber weder die internen Abläufe aktueller Modelle noch das beste Prompting-Muster für einen anderen Anbieter oder eine andere Aufgabe.

28 Minuten

o1 – was geschieht hier? Warum o1 ein drittes Modellparadigma ist + 10 Dinge, die Sie vielleicht nicht wissen

AI Explained. Das Video bietet eine unabhängige Erklärung der frühen o1-Rahmung und ihrer Auswirkungen auf das Prompting. Es ist nützlicher historischer Kontext; seine Aussagen zu o1 sollten jedoch nicht automatisch auf spätere OpenAI-Modelle, R1, Claude-Thinking-Modi oder andere Anbieter übertragen werden.

9 Minuten

RAG vs. Fine-Tuning

IBM Technology. Ein fokussierterer Vergleich der beiden Ansätze, die Teams am häufigsten verwechseln. Das Video vertieft Datenaktualität, Quellenzuordnung und den Geschwindigkeitsvorteil von Fine-Tuning zur Inferenzzeit. Es ist besonders nützlich, wenn Sie gegen ein unnötiges Fine-Tuning-Projekt argumentieren möchten.

13 Minuten

RAG vs. Fine-Tuning vs. Prompt-Engineering: KI-Modelle optimieren

IBM Technology. Eine klare Whiteboard-Darstellung aller drei Ansätze und ihrer jeweiligen Kosten: Retrieval-Latenz, Rechenaufwand für das Training und katastrophales Vergessen sowie die Grenzen reiner Prompt-Lösungen. Außerdem zeigt das Video, welche Kombinationen im Produktionseinsatz sinnvoll sind. Das abschließende Beispiel eines KI-Systems für den Rechtsbereich entspricht nahezu genau dem Argument des Artikels zur Kombination der Ansätze.

77 Minuten

KI-Prompt-Engineering: ein Tiefeneinblick

Anthropic. Vier Prompt-Engineering-Fachleute von Anthropic aus Forschung, Alignment, angewandter KI und Developer Relations sprechen ausführlich über ihren Arbeitsalltag: wie sie Prompts unter Zeitdruck überarbeiten, was „Ehrlichkeit“ in Anweisungen bedeutet und wann XML-Gerüste helfen oder stören. Das Ebenenmodell des Artikels deckt sich unmittelbar mit ihrer Beschreibung der Arbeit. Hier lässt sich dieses Denkmodell am besten aus erster Hand hören.

25 Minuten

Prompting 101 | Programmieren mit Claude

Anthropic. Das Applied-AI-Team von Anthropic entwickelt in einer Live-Sitzung einen Prompt für die Bearbeitung von Versicherungsansprüchen. Es beginnt mit einer vagen Anweisung und arbeitet sich schrittweise zu etwas vor, das ein Entwickler tatsächlich ausliefern könnte. Dabei werden genau die Überarbeitungen an System- und Entwicklerebene sichtbar, die der Artikel beschreibt. Sehen Sie sich das Video an, bevor Sie die Checkliste des Artikels zu Beispielen, Ausgabestruktur und Ablehnungsverhalten erneut lesen.

10 Minuten

Der beste ChatGPT-Prompt, den ich je erstellt habe – zwei Monate Kuratierung für einen Prompt, der Prompts schreibt

Lawton Learns. Das Video demonstriert einen C.R.A.F.T.-Metaprompt (Context, Role, Action, Format, Target audience; auf Deutsch: Kontext, Rolle, Aktion, Format und Zielgruppe). Er ist ein nützlicher Kandidat, um das Verhalten eines prompt-erzeugenden Prompts zu testen; seine Ausgaben sind jedoch nicht garantiert konsistent, richtig oder für die Anwendungsfälle eines Teams geeignet.

20 Minuten

Googles 9-Stunden-KI-Prompt-Engineering-Kurs in 20 Minuten

Tina Huang. Tina stellt einen fünfteiligen Rahmen aus Aufgabe, Kontext, Referenzen, Bewertung und Iteration sowie vier benannte Iterationsschritte vor. Diese Elemente können beim Entwurf eines Kandidatenschemas helfen; die Beispiele zu Agenten und Chain-of-Thought spiegeln jedoch Zeit und Kontext des Kurses. Testen Sie jedes abgeleitete Muster an repräsentativen Fällen, bevor es in eine freigegebene Bibliothek aufgenommen wird.

41 Minuten

OpenAI DevDay 2024 | Strukturierte Ausgaben für zuverlässige Anwendungen

OpenAI. Der Vortrag behandelt `strict: true`, den Unterschied zum früheren JSON-Modus, den Umgang mit Ablehnungen sowie das Zusammenspiel von Funktionsaufrufen und Schemata für Antwortformate. Er ist besonders nützlich, weil er den API-Vertrag beschreibt, auf dem die Produktionsmuster des Artikels aufbauen.

18 Minuten

Pydantic ist alles, was Sie brauchen: Jason Liu

AI Engineer. Dieser Vortrag prägte das moderne Muster „Pydantic-Modell definieren, an das LLM übergeben und den Rest der Validierung überlassen“. Er zeigt konkrete Beispiele für verschachtelte Objekte, Validatoren, die halluzinierte URLs erkennen, und Gedankengänge als typisiertes Feld. Sehen Sie ihn sich vor dem erneuten Lesen des Artikelabschnitts über Validatoren an; dann wird deutlich, woher dessen Regeln für Wiederholungsversuche und Ablehnungen stammen.