Was das APE-Framework ist
Das APE-Framework ist eine Prompt-Vorlage, die große Sprachmodelle dazu zwingt, ihr Denken in Analyse, Planung und Ausführung zu trennen. Statt einer undifferenzierten Antwort sehen Sie, wie das Modell das Problem verstanden hat, wie es die Lösung angehen will und wie das Endergebnis aussieht. Diese Struktur erhöht die Verlässlichkeit, weil Sie jede Stufe einzeln prüfen können.
APE ist besonders nützlich bei komplexen Aufgaben oder solchen mit hohem Einsatz. Indem Sie das Modell auffordern, seinen Denkweg explizit zu zeigen, verringern Sie das Risiko, dass verborgene Annahmen oder Abkürzungen unsichtbar bleiben. Dasselbe dreiteilige Muster funktioniert über alle Modelle hinweg — Cloud-APIs ebenso wie lokale Modelle über Ollama oder LM Studio — und hält die Ergebnisse konsistent.
Die drei Schritte: Analyse, Plan, Ausführung
Der Kern des APE-Frameworks besteht darin, dass jeder Prompt das Modell anweist, zuerst das Problem zu analysieren, dann die Lösung zu planen und erst danach die endgültige Antwort auszuführen. Diese drei Schritte bilden ab, wie Menschen an Denkaufgaben herangehen, und geben Ihnen klare Prüfpunkte.
Eine typische Aufteilung sieht so aus:
- Analyse: Die Aufgabe in eigenen Worten wiedergeben, zentrale Rahmenbedingungen benennen und fehlende Informationen aufzeigen.
- Plan: Ein kurzes, schrittweises Vorgehen vorschlagen, dem das Modell zur Lösung der Aufgabe folgen wird.
- Ausführung: Die endgültige Antwort gemäß dem Plan erstellen — in der gewünschten Struktur und Formatierung.
Wann Sie das APE-Framework einsetzen sollten
Sie sollten das APE-Framework einsetzen, wenn Ihre Aufgabe komplex genug ist, dass Sie sich für das Denken des Modells interessieren und nicht nur für das Endergebnis. Dazu zählen technische Analysen, mehrstufige Recherchen, strategische Texte und alle Situationen, in denen Fehler teuer sind.
Typische Anwendungsfälle sind:
- Eine Produktanforderung in User Stories und Akzeptanzkriterien zerlegen.
- Aus Rohnotizen und Marktinformationen eine Content-Strategie entwickeln.
- Code prüfen und refaktorieren und dabei Abwägungen und Risiken erläutern.
- Längere Berichte planen und verfassen, bei denen die Struktur ebenso wichtig ist wie die Formulierung.
⚠️ Achtung
APE verursacht zusätzlichen Token-Aufwand — die Stufen Analyse und Plan verbrauchen Ausgabe-Token, bevor die eigentliche Ausführung beginnt. Bei Produktionsaufgaben mit hohem Volumen, bei denen Sie nur das Endergebnis brauchen und das Denken nicht prüfen, nutzen Sie einen einfacheren einstufigen Prompt, um Kosten und Latenz zu senken.
So schreiben Sie einen APE-Prompt
Ein wirksamer APE-Prompt benennt die drei Stufen ausdrücklich und legt fest, was Sie in jedem Teil erwarten: Analysenotizen, einen schrittweisen Plan und ein Endergebnis. Das lässt sich kompakt formulieren, sodass es weiterhin ein einziger Prompt bleibt.
Ein allgemeines Muster lautet:
„Sie sind Rolle. Analysieren Sie zuerst die Aufgabe, indem Sie die wichtigsten Ziele, Rahmenbedingungen und fehlenden Informationen auflisten. Planen Sie dann Ihr Vorgehen in 3–5 Stichpunkten. Führen Sie abschließend aus, indem Sie gewünschtes Ausgabeformat erstellen und sich dabei strikt an Ihren Plan halten."
Dieses Grundmuster können Sie anschließend mit fachlichen Details anreichern — Zielgruppe, Tonalität, Dateistruktur oder Quellenangaben. Einmal definiert, lässt sich derselbe APE-Prompt für viele Aufgaben wiederverwenden; Sie ändern nur Ziel und Kontext.
🔍 Profi-Tipp
Lesen Sie Analyse und Plan, BEVOR Sie sich das Ergebnis der Ausführung ansehen. Wenn die Analyse eine Rahmenbedingung übersehen hat oder der Plan einen falschen Schritt enthält, weisen Sie das Modell an, nachzubessern — das ist günstiger und schneller, als die gesamte Antwort neu zu erzeugen.
Beispiel: Schlechter vs. guter APE-Prompt
Der Unterschied zwischen einem unstrukturierten Prompt und einem APE-Prompt wird deutlich, wenn Sie beide an derselben Aufgabe vergleichen. Hier ein einfaches Beispiel für eine E-Mail zum Produktlaunch.
Schlechter Prompt
„Schreiben Sie eine E-Mail, die unser neues Analytics-Dashboard ankündigt."
Guter Prompt
„Sie sind SaaS-Produktmarketer. Ziel: Erstellen Sie eine Ankündigungs-E-Mail für unser neues Analytics-Dashboard, gerichtet an Bestandskunden. APE-Struktur: 1) Analyse: Listen Sie kurz die Zielgruppe, ihre wichtigsten Probleme und die zentralen Vorteile auf, die dieses Dashboard adressiert. 2) Plan: Skizzieren Sie den Aufbau der E-Mail in 3–5 Stichpunkten (Aufhänger, Hauptvorteile, Handlungsaufforderung usw.). 3) Ausführung: Schreiben Sie die fertige E-Mail (max. 220 Wörter) in einem klaren, professionellen Ton. Mit Betreffzeile, Vorschautext und Fließtext."
Mit dem APE-Framework zeigt das Modell sein Problemverständnis und den Plan, bevor es die E-Mail schreibt — so erkennen Sie eine Fehlausrichtung frühzeitig.
Wie PromptQuorum das APE-Framework umsetzt
PromptQuorum ist ein Multi-Modell-KI-Dispatch-Werkzeug, das das APE-Framework als eine seiner integrierten Prompt-Strukturen mitbringt — so wenden Sie Analyse–Plan–Ausführung mit einem Klick an. Wenn Sie in PromptQuorum die APE-Option wählen, legt die Anwendung die dreistufige Struktur automatisch um Ihr Ziel und Ihren Kontext.
Innerhalb von PromptQuorum leistet das APE-Framework Folgendes:
- Es stellt beschriftete Abschnitte für Analyse-, Planungs- und Ausführungserwartungen bereit, sodass Sie sich das Muster nicht jedes Mal merken müssen.
- Es sendet denselben APE-strukturierten Prompt parallel an mehrere Modelle — so vergleichen Sie leicht, wie unterschiedliche Modelle auf jeder Stufe reagieren.
- Es lässt sich als Vorlage für wiederkehrende Abläufe speichern, etwa Code-Reviews, Strategiepapiere oder Recherche-Briefings.
APE oder ein anderes Framework?
Wählen Sie das APE-Framework gegenüber anderen Prompt-Frameworks, wenn Sie explizite Denkschritte wollen, aber keine große Zahl an Parametern oder Abschnitten brauchen. APE ist bewusst kompakt gehalten: Drei Stufen genügen oft, um die Klarheit zu erhöhen, ohne den Nutzer zu überfordern.
In der Praxis heißt das:
- Nehmen Sie APE für komplexe, aber in sich abgeschlossene Aufgaben, bei denen das Denken zählt.
- Nehmen Sie ein Framework im Single-Step-Stil, wenn Sie das genaue Ausgabeformat bereits kennen und nur eine gut spezifizierte Anweisung brauchen.
- Nehmen Sie detailliertere Frameworks (mit vielen Abschnitten und Parametern) nur dann, wenn strenge interne Standards im Prompt abgebildet werden müssen.
Framework | Stufen/Abschnitte | Am besten geeignet für | Denken sichtbar? |
|---|---|---|---|
| APE | 3 (Analyse, Plan, Ausführung) | Komplexe Aufgaben mit prüfbarem Denken | Ja — explizite Stufen |
| Single-Step | 1 (eine Anweisung) | Einfache, klar definierte Aufgaben | Nein |
| CRAFT | 5 (Context, Role, Action, Format, Target) | Umfassende Kontextdefinition | Optional |
| CO-STAR | 6 (Context, Objective, Style, Tone, Audience, Response) | Marketing und Kommunikation | Nein |
| SPECS | 5 (Situation, Problem, Examples, Constraints, Style) | Problemlösung mit Beispielen | Optional |
| Chain-of-Thought | 1 (mit „Schritt für Schritt denken") | Mathematik, Logik, Denken in einem Durchgang | Ja — aber unstrukturiert |
🔍 Wussten Sie schon?
Die dreistufige Struktur von APE bildet genau ab, wie menschliche Fachleute an komplexe Probleme herangehen: das Problem verstehen (Analyse), das Vorgehen entwerfen (Plan) und dann das Ergebnis erstellen (Ausführung). Kognitionswissenschaftliche Forschung zeigt, dass diese Trennung Fehler sowohl beim menschlichen als auch beim maschinellen Denken reduziert.
APE bedeutet auch: Automatic Prompt Engineering (ein anderes Konzept)
Hinweis: „APE" bezeichnet auch Automatic Prompt Engineering — eine eigenständige Technik, die nichts mit dem oben beschriebenen Analyse-Plan-Ausführung-Framework zu tun hat. Automatic Prompt Engineering (Zhou et al., 2022) nutzt KI, um Prompt-Varianten automatisch zu erzeugen und zu bewerten und so optimale Formulierungen ohne manuelles Ausprobieren zu finden. So funktioniert das:
- 1Definieren Sie Aufgabe, Erfolgsmetrik und einige Ausgangsbeispiele. Beispiel: Aufgabe = „Stimmung von Kundenfeedback klassifizieren". Erfolgsmetrik = „Genauigkeit auf 20 gelabelten Beispielen". Ausgangsbeispiele = 3 unterschiedliche Kundennachrichten mit korrekten Stimmungslabels.
- 2Lassen Sie Prompt-Varianten automatisch erzeugen — mit einem APE-Werkzeug oder ChatGPT. Geben Sie Aufgabe und Beispiele an und bitten Sie: „Erzeuge 5 verschiedene Prompt-Varianten, die diese Aufgabe lösen könnten. Variiere Anweisungsstil, Beispiele und Rahmenbedingungen." Bewerten Sie jede Variante auf Ihrem Testdatensatz.
- 3Bewerten Sie jede Variante anhand Ihrer Erfolgsmetrik. Lassen Sie alle Varianten auf Ihren zurückgehaltenen Beispielen laufen. Erfassen Sie Genauigkeit, Geschwindigkeit und Kosten. Ziel von APE ist es, den besten Prompt ohne manuelles Ausprobieren zu finden.
- 4Iterieren Sie: Wählen Sie die zwei besten Varianten und lassen Sie davon Mutationen erzeugen. Wenn Variante 3 eine Genauigkeit von 85 % erreicht hat und Variante 5 82 %, bitten Sie den Optimierer, „Varianten ähnlich zu Variante 3, aber mit bestimmter Anpassung" zu erzeugen. Verfeinern Sie schrittweise.
- 5Testen Sie den starken Prompt abschließend auf frischen Daten, um die Generalisierung zu bestätigen. Ihr optimierter Prompt hat auf dem Testdatensatz gut abgeschnitten — prüfen Sie nun, ob er auch auf neuen, ungesehenen Beispielen funktioniert. Fällt die Leistung ab, haben Sie möglicherweise auf die Testdaten überangepasst.
Häufig gestellte Fragen
Wofür steht APE?
APE steht für Analyse, Plan, Ausführung. Es ist ein dreistufiges Prompt-Framework, das komplexes Denken in drei ausdrückliche Phasen zerlegt: das Problem verstehen, ein Vorgehen planen und die Lösung ausführen.
Worin unterscheidet sich APE davon, ein Modell einfach nach einer Antwort zu fragen?
Mit APE erhalten Sie Einblick in den Denkprozess des Modells. Statt einer einzigen Antwort sehen Sie, wie das Modell Ihre Aufgabe verstanden hat, welchen Plan es gewählt hat und wie das Endergebnis aussieht. Dadurch lassen sich Fehler leichter erkennen und die Ergebnisse werden verlässlicher.
Wann sollte ich APE statt der Single-Step-Prompt-Methode einsetzen?
Setzen Sie APE ein, wenn das Denken für Ihre Aufgabe entscheidend ist: technische Analysen, Code-Reviews, Strategieentwicklung oder Situationen, in denen Fehler teuer sind. Nutzen Sie Single Step, wenn Ihr Ziel von vornherein klar ist und es Ihnen vor allem auf Ausführungsgeschwindigkeit ankommt.
Kann ich APE mit lokalen Modellen wie Ollama oder LM Studio nutzen?
Ja. APE funktioniert mit jedem Modell — mit Spitzenmodellen von OpenAI, Anthropic und Google ebenso wie mit lokalen Modellen über Ollama und LM Studio. Dieselbe dreistufige Struktur gilt auf allen Plattformen.
Wie lang muss ein APE-Prompt sein?
APE-Prompts können kompakt sein. Ein einzelner Absatz, der Analyse, Plan und Ausführung benennt und angibt, was Sie in jeder Stufe erwarten, genügt. Beim Framework geht es um Struktur, nicht um Länge.
Kann ich APE-Prompts in PromptQuorum als Vorlagen speichern?
Ja. Sobald Sie einen APE-strukturierten Prompt erstellt haben, der für einen bestimmten Ablauf gut funktioniert (etwa Code-Reviews oder Kundenzusammenfassungen), können Sie ihn in PromptQuorum als Vorlage speichern und mit Ihrem Team teilen.
Was, wenn meine Aufgabe für APE zu einfach ist?
Wenn Ihre Aufgabe unkompliziert ist und kein sichtbares Denken erfordert, genügt wahrscheinlich die Single-Step-Prompt-Methode. APE erzeugt zusätzlichen Aufwand — der Nutzen entsteht dadurch, dass Sie das Denken des Modells prüfen und nachschärfen können.
Woran erkenne ich, dass ein APE-Prompt gut funktioniert?
Lassen Sie Ihren APE-Prompt auf 3–5 repräsentativen Beispielen laufen und prüfen Sie: (1) Erfasst die Analyse die eigentliche Herausforderung? (2) Ist der Plan sinnvoll und umsetzbar? (3) Folgt die Ausführung dem Plan? Ist ein Schritt schwach, schärfen Sie den Prompt nach und testen Sie erneut.
Was ist der Unterschied zwischen APE (Analyse-Plan-Ausführung) und APE (Automatic Prompt Engineering)?
Sie teilen sich ein Akronym, sind aber völlig unterschiedliche Techniken. APE (Analyse-Plan-Ausführung) ist eine manuelle Prompt-Struktur, die Sie selbst schreiben. APE (Automatic Prompt Engineering, Zhou et al. 2022) ist eine Technik, bei der KI automatisch Prompt-Varianten erzeugt und bewertet, um die optimale Formulierung zu finden. Dieser Artikel behandelt beides — das Hauptframework ist Analyse-Plan-Ausführung; die automatisierte Prompt-Optimierung wird im letzten Abschnitt beschrieben.
Weiterführende Artikel
- Chain-of-Thought-Prompting — die Denktechnik, die APE in drei Stufen formalisiert
- Welches Prompt-Framework sollten Sie verwenden? — APE im Vergleich zu CRAFT, CO-STAR und SPECS
- Die Single-Step-Prompt-Methode — wenn Sie die drei Stufen von APE NICHT brauchen
- 5 Bausteine, die jeder Prompt braucht — die universellen Bausteine, die APE in Stufen ordnet
- Persona-Prompting — kombinierbar mit der Rollendefinition von APE für fachspezifische Analysen
- Prompt-Chaining — für Aufgaben, die für einen einzelnen APE-Prompt zu komplex sind, verketten Sie mehrere APE-Schritte
Quellen
- White et al. (2023). „A Prompt Pattern Catalog to Enhance Prompt Engineering with ChatGPT." arXiv:2302.11382 — Taxonomie von Prompt-Mustern einschließlich Mustern für strukturiertes Denken
- Zhou et al. (2022). „Large Language Models Are Human-Level Prompt Engineers." arXiv:2211.01910 — die ursprüngliche Arbeit zu Automatic Prompt Engineering (APE)
- Anthropic. „Prompt Engineering Guide." docs.anthropic.com — Best Practices für strukturiertes Prompting
- OpenAI. „Prompt Engineering Guide." platform.openai.com — Anleitung zu schrittweisem Denken und strukturierter Ausgabe