Lösungen für
Bitte auswählen
Web-App testen
ki-konzepte

Prompting-Techniken im Überblick

Redaktion ·

Warum die Wahl der Prompting-Technik einen Unterschied macht

Sprachmodelle sind empfindlich gegenüber der Form der Anweisung. Derselbe Auftrag, in zwei Formulierungen, liefert unterschiedlich gute Ergebnisse — manchmal um Faktoren. Das ist kein Bug, sondern Konsequenz daraus, dass ein LLM die nächste Token-Folge anhand des Kontexts schätzt. Was vor dem Cursor steht, bestimmt, was danach kommt.

Über die Jahre haben sich neun Muster etabliert, die in Forschung und Praxis immer wieder auftauchen: Zero-Shot, Few-Shot, Chain-of-Thought, Self-Consistency, Self-Refine, Tree of Thoughts, ReAct, Role/Meta-Prompting und Context Engineering. Keines ist universell überlegen. Jedes hat eine Aufgabenklasse, in der es überzeugt, und mehrere, in denen es Tokens verbrennt, ohne die Antwort zu verbessern. Dieser Artikel ordnet die Techniken, zeigt die Mechanik und gibt eine Faustregel-Tabelle, mit der du schneller die richtige Wahl triffst.

System-Prompt, User-Prompt, Template — woraus ein Prompt gebaut ist

Bevor es um Techniken geht, kurz die Bühne. Ein moderner LLM-Aufruf besteht typischerweise aus zwei Teilen: einem System-Prompt, der einmal pro Session das Verhalten festlegt („Du bist ein präziser SQL-Reviewer, antworte in maximal drei Sätzen”), und einem User-Prompt, der die konkrete Aufgabe enthält. Die folgenden Techniken arbeiten auf beiden Ebenen — meist im User-Prompt, einige (Role-Prompting) eher im System-Prompt.

Davon zu trennen sind Prompt-Templates: Strukturen mit Platzhaltern, die du in Code zur Laufzeit füllst. Templates sind nicht selbst eine Technik, sondern der Lieferweg — sie können jede der neun Techniken transportieren.

Grundmechanik: Was ein Prompt-Pattern eigentlich tut

Jede Technik manipuliert eine von drei Stellschrauben: Beispiele im Kontext (Few-Shot zeigt dem Modell, wie das Output aussehen soll), Denk-Schritte im Output (Chain-of-Thought lässt das Modell erst rechnen, dann antworten) oder Steuerung über mehrere Aufrufe (Self-Consistency und ReAct generieren mehr als eine Antwort und entscheiden zwischen ihnen). Wenn du dir merkst, an welcher dieser drei Schrauben eine Technik dreht, weißt du auch, wann sie überflüssig wird.

Die neun Techniken

Zero-Shot

Direkt fragen, keine Beispiele, keine Denk-Anweisung. „Übersetze diesen Text ins Englische.” So einfach wie der Name klingt.

Mini-Beispiel: „Klassifiziere diese Mail als ‘Beschwerde’, ‘Anfrage’ oder ‘Lob’. Mail: …”

Wann es lohnt: bei klar geframeten Aufgaben mit eindeutiger Lösung — Übersetzung, Klassifikation, einfache Extraktion. Aktuelle Modelle (Claude 4.7, GPT-5) sind in Zero-Shot inzwischen so stark, dass viele Aufgaben damit erledigt sind, die noch vor zwei Jahren Few-Shot brauchten. Erste Wahl als Default — erst aufrüsten, wenn das Ergebnis nicht reicht.

Few-Shot

Drei bis fünf Beispiele für das gewünschte Input/Output-Paar in den Prompt schreiben, dann die echte Aufgabe stellen. Das Modell zieht aus den Beispielen das Format und die Logik.

Mini-Beispiel:

Mail: "Wann kommt mein Paket?" → Anfrage
Mail: "Super Service, danke!" → Lob
Mail: "Drittes Mal, dass die Lieferung verspätet ist!" → Beschwerde
Mail: "..." →

Wann es lohnt: bei Aufgaben, deren Format schwer zu beschreiben ist, aber leicht zu zeigen — strukturierte Extraktion in seltene JSON-Schemata, Stil-Imitation, fachsprachliche Klassifikation. Vorsicht: Beispiele prägen das Output sehr stark. Wenn alle Beispiele dreizeilig sind, wird das Modell auch dreizeilig antworten — ob die echte Aufgabe das verlangt oder nicht.

Chain-of-Thought (CoT)

Das Modell wird angewiesen, vor der Antwort die Zwischenschritte auszuformulieren. Klassiker: „Lass uns Schritt für Schritt denken.” Bei mehrstufigen Aufgaben — Mathe, Logik, mehrteilige Recherche — verbessert das die Trefferquote messbar.

Mini-Beispiel: „Eine Bibliothek hat 1340 Bücher. 12 % werden ausgemustert, dann 200 neue dazugekauft. Wie viele Bücher? Denke Schritt für Schritt.”

Wann es lohnt: überall, wo die Antwort aus mehreren Zwischenrechnungen folgt. Bei Reasoning-Modellen (Claude mit Extended Thinking, GPT-5 mit Reasoning) ist CoT teilweise schon eingebaut — explizites „denke Schritt für Schritt” wird dann redundant und kostet nur Tokens. Vor dem Einsatz prüfen, ob das Modell intern bereits reasoned.

Self-Consistency

Variante von CoT: Statt einer Chain-of-Thought generierst du fünf bis zehn — mit höherer Temperatur, also mehr Zufall. Dann wählst du die Antwort, die am häufigsten vorkommt. Mehrheitsvotum statt Einzelschuss.

Mini-Beispiel: dieselbe Mathe-Aufgabe acht Mal mit Temperature 0.7 lösen, dann das häufigste Ergebnis nehmen.

Wann es lohnt: bei Aufgaben mit klar diskreter Antwort und hoher Fehlerquote im Einzellauf — Mathe, Logik-Rätsel, Multiple-Choice-Klassifikation. Kostet 5–10× so viele Tokens wie ein einzelner Lauf, also nur einsetzen, wenn die Aufgabe es wert ist.

Self-Refine

Das Modell schreibt eine erste Antwort, kritisiert sie selbst, schreibt eine überarbeitete Version. Zwei oder drei Runden, dann Stop. Funktioniert gut bei Aufgaben mit klarem Qualitätskriterium, das das Modell selbst beurteilen kann — Code-Stil, Argumentations-Klarheit, Übersetzungs-Glätte.

Mini-Beispiel: „Schreibe eine Produktbeschreibung. — Lies sie und liste drei Schwächen. — Überarbeite die Beschreibung anhand der Kritik.”

Wann es lohnt: bei kreativen oder argumentativen Outputs, wo „besser” leicht zu erkennen ist. Verlässlich schwächer wird Self-Refine, wenn das Modell die Fehler nicht erkennt — dann produzieren weitere Runden zwar Veränderung, aber keine Verbesserung.

Tree of Thoughts (ToT)

Statt einer linearen Chain wird ein Baum aus Gedanken aufgebaut: Mehrere Pfade gleichzeitig erkunden, jeden bewerten, schlechte abschneiden, vielversprechende vertiefen. In der Praxis selten als pures ToT umgesetzt, häufiger als Inspiration für orchestrierte Multi-Schritt-Lösungen mit Kandidaten-Auswahl.

Mini-Beispiel: Bei einer Planungsaufgabe drei alternative Ansätze entwerfen, jeden mit zwei Sätzen bewerten, den besten weiterverfolgen.

Wann es lohnt: bei explorativen Aufgaben, in denen es echte Verzweigungen gibt — Spielzüge, Strategie-Entwürfe, kreative Konzeptarbeit. Token-intensiv und schwer zu orchestrieren — meist eine Aufgabe für ein dediziertes Agent-Framework, nicht für einen Single-Shot-Prompt.

ReAct (Reason + Act)

Das Modell wechselt zwischen Denken (Thought) und Handeln (Action) ab — Action heißt: Tool aufrufen, Suche ausführen, API abfragen. Nach jeder Action liefert die Umgebung eine Observation, das Modell denkt weiter, ruft das nächste Tool. ReAct ist die Standard-Schleife für agentische Systeme.

Mini-Beispiel:

Thought: Ich brauche das aktuelle Wetter in Hamburg.
Action: weather_api(city="Hamburg")
Observation: 12°C, regnerisch
Thought: Mit der Info kann ich die Empfehlung geben.

Wann es lohnt: sobald die Antwort externe Information oder Tool-Aufrufe braucht. Function Calling und MCP sind die Infrastruktur, ReAct das Verhaltensmuster darüber. Stolperfalle: ohne harte Stop-Bedingung kann das Modell endlos weitere Tools aufrufen — Token-Budget und Schritt-Cap immer setzen.

Role-Prompting & Meta-Prompting

Zwei eng verwandte Techniken. Role-Prompting weist dem Modell eine Rolle zu („Du bist ein erfahrener SQL-Reviewer mit 15 Jahren Datenbank-Erfahrung”). Das verschiebt Vokabular und Detailtiefe in die Richtung dieser Rolle. Wirkung ist messbar, aber moderat — Rolle ohne sonstige Anweisung macht selten den Unterschied zwischen schlechter und guter Antwort.

Meta-Prompting geht eine Stufe höher: Du lässt das Modell selbst einen guten Prompt für die eigentliche Aufgabe entwerfen, dann nutzt du den. Praktisch beim Aufsetzen wiederverwendbarer Prompts oder beim Onboarding eines neuen Modells, bei dem du nicht weißt, worauf es anspringt.

Wann es lohnt: Role-Prompting ergänzend zu anderen Techniken, vor allem im System-Prompt. Meta-Prompting in der Entwicklungs-Phase eines Workflows, weniger in der Produktion.

Context Engineering

Der jüngste Spross der Familie und gleichzeitig der mit dem größten Hebel. Context Engineering ist die Kunst, dem Modell genau die Informationen in den Kontext zu legen, die es für die Aufgabe braucht — und nichts darüber hinaus. Die einzelnen Techniken (Zero-Shot, Few-Shot, CoT) sind eher Werkzeuge; Context Engineering ist die Frage, was im Werkzeugkasten überhaupt drinliegt.

Konkret: relevante Dokumentation per Retrieval einspielen, vergangene Antworten gezielt zusammenfassen, irrelevante Tool-Returns aus dem History-Kontext ausschneiden, Reihenfolge der Prompt-Bausteine bewusst wählen (wichtige Anweisungen am Ende — recency bias). Bei langen Sessions oder agentischen Workflows entscheidet Context Engineering oft mehr über Qualität als jede Prompt-Technik im engeren Sinn.

Faustregel: Welche Technik für welche Aufgabe

| Aufgabentyp | Erste Wahl | Wenn das nicht reicht | |---|---|---| | Übersetzung, Klassifikation, einfache Extraktion | Zero-Shot | Few-Shot mit 3–5 Beispielen | | Strukturierte Extraktion (JSON, seltene Schemata) | Few-Shot | Few-Shot + Schema im System-Prompt | | Mehrstufiges Rechnen oder Logik | Chain-of-Thought | Self-Consistency (5–8 Läufe) | | Kreatives Schreiben mit Qualitätskriterium | Zero-Shot | Self-Refine über 2 Runden | | Recherche, Tool-Aufrufe, Echtzeit-Daten | ReAct | + Schritt-Cap und Token-Budget | | Explorative Planung, Strategie-Entwürfe | Tree of Thoughts (orchestriert) | Multi-Agent-Framework | | Wiederverwendbarer Workflow-Prompt | Meta-Prompting in der Entwicklung | + Templating in Code | | Lange Sessions, agentische Loops | Context Engineering (immer) | + Summarisierung des History-Kontexts |

Die rechte Spalte ist die Eskalationsstufe. Beginne immer auf der linken — Zero-Shot ist erstaunlich oft genug. Wer mit Self-Consistency oder Tree of Thoughts startet, verbrennt unnötig Tokens und Zeit.

Stolperfallen

Reasoning ist oft schon eingebaut. Bei aktuellen Reasoning-Modellen mit Extended Thinking läuft eine interne CoT bereits ab, bevor der Output startet. Ein zusätzliches „denke Schritt für Schritt” ist dann redundant, kostet aber Tokens und kann die Antwort sogar verschlechtern, weil das Modell zwei verschachtelte Reasoning-Stränge produziert. Vor dem Einsatz prüfen, ob das Modell intern reasoned.

Few-Shot überprägt das Format. Wenn alle drei Beispiele JSON ausgeben, wird das Modell auch in Edge-Cases JSON ausgeben, selbst wenn der Inhalt das nicht hergibt. Beispiele müssen die Varianz der echten Aufgabe abdecken, nicht nur den Happy Path.

Tree of Thoughts und Self-Consistency sind teuer. Beide multiplizieren die Token-Kosten linear mit der Anzahl der parallelen Pfade. Bei einer Aufgabe, die im Single-Shot bereits 95 % korrekt läuft, lohnt der 5×-Aufschlag selten.

ReAct ohne Stop-Bedingung führt zu Endlos-Loops. Wenn das Modell „noch ein Tool aufrufen” als Default-Verhalten lernt, kann ein Workflow durchdrehen. Immer mit harter Schritt-Obergrenze und Token-Budget arbeiten.

Role-Prompting allein bewirkt wenig. „Du bist Experte für X” ist ohne weitere Anweisung kaum messbar. Rolle ist Würze, kein Hauptgang.

Was nicht in diesen Artikel gehört

Prompting hat eine Sicherheitsdimension — Prompt Injection, Jailbreaks, Prompt Leaking, Guardrails. Das ist eine eigene Disziplin mit eigenen Techniken (Spotlighting, Input-Sanitization, Tool-Whitelisting) und gehört in den Schwester-Artikel zur Prompt-Sicherheit.

Auch Tool Use im engeren Sinn (Function Calling, MCP, Structured Output) ist nur als Verhaltens-Loop hier vertreten — die Mechanik der Tool-Aufrufe selbst gehört in den Bereich Agenten.

Fazit

Prompting-Techniken sind kein Geheimwissen, sondern eine kleine Sammlung von Mustern, die sich in der Praxis durchgesetzt haben. Wer sie kennt, hat einen Werkzeugkasten — wer sie alle gleichzeitig einsetzt, baut einen aufgeblähten Prompt, der weder besser noch günstiger wird.

Praktische Heuristik: Starte mit Zero-Shot. Wenn das Ergebnis schief ist, frag dich, woran es liegt. Falsches Format → Few-Shot. Rechenfehler → Chain-of-Thought oder Self-Consistency. Externe Daten fehlen → ReAct. Modell verliert in langen Sessions den Faden → Context Engineering. Mehr braucht es selten.

Und ein letzter Punkt: Modelle entwickeln sich. Eine Technik, die 2023 nötig war, kann 2026 redundant sein, weil das Modell den Schritt intern bereits macht. Den eigenen Prompt-Stack alle paar Monate gegen das aktuelle Default-Verhalten prüfen — Tokens, die du sparst, sind Latenz, die du gewinnst.

Themenuebersicht

KI-KonzeptePrompting