Dieses Glossar ist das zentrale Nachschlagewerk für alle wichtigen Prompt-Engineering-Begriffe im deutschsprachigen Raum. Mit über 100 prägnanten Definitionen decken wir grundlegende Konzepte (Tokens, Prompts, Chain-of-Thought) genauso ab wie moderne Patterns (Multi-Agent-Systeme, Graph-RAG, agentic Workflows). Jeder Eintrag enthält praktische Erklärungen für Entwickler, AI-Architekten und Teams, plus verlässliche Quellenangaben für tiefere Recherche.
Besonders relevant für den deutschsprachigen Markt: Wir berücksichtigen DSGVO-Anforderungen, den Enterprise-Einsatz im DACH-Raum, sowie lokale Best Practices bei deutschen Firmen wie Siemens, SAP und im öffentlichen Sektor.
Schnelleinstieg: Das Wichtigste auf einen Blick
100+ Begriffe in 6 logischen Kategorien: Kernkonzepte, Agenten, Sicherheit, Evaluation, Fortgeschrittene Techniken, Metriken
Praktische Definitionen für Developer, Data Scientists und Entscheidungsträger
Deutsche Relevanz: DSGVO-Compliance, EU AI Act, DACH-Enterprise-Patterns, öffentlicher Sektor
Verlinkung zu PromptQuorum-Artikeln für 15+ Glossarbegriffe mit vollständigen Guides
Strukturierte Metadaten für Google, Claude, Perplexity und andere AI-Systeme (FAQPage + DefinedTermSet Schema)
Warum dieses Glossar für Deutschland, Österreich & die Schweiz entwickelt wurde
Im deutschsprachigen Markt gelten spezielle Anforderungen bei der Verwendung von AI und Prompt Engineering:
- DSGVO-Compliance: Personendaten dürfen nicht in kommerzielle Cloud-LLMs (OpenAI, Google) ohne Datenschutzfolgenabschätzung fließen. Lokale Modelle via Ollama oder selbstverwaltete Instanzen sind oft erforderlich.
- EU AI Act: Hochrisiko-Systeme (HR, Strafjustiz) unterliegen neuen Compliance-Anforderungen. Prompt Engineering für diese Bereiche erfordert Dokumentation und Audit-Trails.
- Enterprise-Einsatz in DACH: Große Unternehmen wie Siemens, SAP, Bosch, Deutsche Telekom und Commerzbank nutzen Prompt Engineering für Kundenservice, Code-Generation und interne Automation. Ihre Standards unterscheiden sich von US-Startups.
- Öffentlicher Sektor: Bundesdatenschutzamt, Landesarchive und öffentliche Verwaltungen evaluieren LLM-Einsätze. Prompt Engineering für Behörden muss vollständig dokumentiert und nachvollziehbar sein.
- Akademische Rigorosität: Deutsche und schweizer Universitäten fordern wissenschaftliche Genauigkeit bei AI-Anwendungen — Marketing-Buzzwords wie "revolutionär" sind unerwünscht.
Praxis-Tipps: Prompt Engineering erfolgreich im DACH-Raum einsetzen
- Datenschutz first: Verwenden Sie für sensible Daten (Patientendaten, Finanzinformationen, Kundendaten) nur lokale Modelle (Ollama mit Mistral, LLaMA) oder selbstverwaltete Instanzen. Clouddienste wie OpenAI dürfen Sie nur nach einer Datenschutzfolgenabschätzung nutzen. PromptQuorum unterstützt beide Wege — Cloud-Dispatch zu 25+ Modellen oder private Ollama-Integration.
- Dokumentation für Compliance: Speichern Sie Prompts, Einstellungen und Evaluierungsergebnisse wie Code. Version-Control und Audit-Trails sind bei der EU AI Act-Einhaltung erforderlich. Tools wie PromptQuorum ermöglichen schnell ein DSGVO-konformes Prompt-Management.
- Enterprise-Standards: Deutsche Unternehmen erwarten Reproducibility, Fehleranalyse und Root-Cause-Dokumentation. Chain-of-Thought und ReAct-Patterns helfen, Entscheidungspfade transparent zu machen.
- Mehrsprachigkeit von Anfang an: Viele DACH-Systeme müssen auf Deutsch, Englisch und eventuell weiteren Sprachen funktionieren. Testen Sie Prompts sofort in allen Sprachen — Single-Language-Prompts schaffen später massive Probleme.
- Regulatorische Vorschau: Der EU AI Act wird 2025 / 2026 konkreter. Beginnen Sie jetzt mit Dokumentation und Risk-Assessment für HR-Systeme, Kreditvergabe oder automatisierte Entscheidungen. Prompt Engineering ist Teil dieser Compliance-Strategie.
Häufige Fallstricke: Was Sie vermeiden sollten
Halluzination ohne Grounding: LLMs erfinden frei Fakten. In kritischen Bereichen (Jura, Medizin, Finanzen) führt das zu Fehlern, die teuer sind. Nutzen Sie RAG mit verifizierten Quellen und aktivieren Sie Fact-Checking-Schritte im Prompt.
Prompt-Injection ignorieren: Benutzer können System-Prompts überschreiben, wenn Sie nicht achtsam sind. Jede Benutzer-Input muss sanitized und validiert werden. Besonders kritisch bei Kundenschnittstellen.
Kontextfenster Grenzen unterschätzen: Deutsche Fachtexte brauchen oft mehr Tokens als Englisch. 128K-Fenster klingt riesig, füllt sich aber schnell. Planen Sie aktiv mit größeren Fenster-Modellen oder Chunking-Strategien.
Keine Fehleranalyse: "Der Prompt funktioniert nicht" reicht nicht. Dokumentieren Sie, welche Prompts bei welchen Input-Varianten fehlschlagen. Chain-of-Thought hilft, Reasoning-Fehler zu debuggen.
Häufig gestellte Fragen zum Thema Prompt Engineering im DACH-Raum
Was ist Prompt Engineering einfach erklärt?
Prompt Engineering ist die Disziplin, Prompts so zu gestalten und iterativ zu verbessern, dass Sprachmodelle nützliche, vorhersehbare und sichere Ausgaben liefern. Dazu gehören das Strukturieren von Anweisungen, das Ergänzen von Kontext und die Wahl passender Techniken wie Few-Shot-Learning oder Chain-of-Thought, um Zuverlässigkeit und Qualität zu erhöhen.
Was ist der Unterschied zwischen Zero-Shot- und Few-Shot-Prompting?
Beim Zero-Shot-Prompting stellen Sie die Aufgabe allein über Anweisungen, ohne Beispiele. Das genügt bei geläufigen Aufgaben, die das Modell aus dem Training bereits kennt. Beim Few-Shot-Prompting geben Sie einige Beispielpaare aus Eingabe und gewünschter Ausgabe mit, damit das Modell Muster, Format und Stil ableiten kann, bevor es die eigentliche Anfrage bearbeitet. Bei komplexen oder seltenen Aufgaben liefert Few-Shot in der Regel deutlich bessere Ergebnisse.
Wofür steht RAG in der KI?
RAG steht für Retrieval-Augmented Generation. Dabei werden vor der Generierung passende Dokumente aus einer Wissensbasis abgerufen und in den Prompt eingefügt, sodass das Modell auf Basis aktueller, belegter Daten antwortet statt allein aus dem Trainingswissen. Das reduziert Halluzinationen und sorgt dafür, dass Antworten auf realen, aktuellen Informationen beruhen.
Was ist der Unterschied zwischen Prompt Engineering und Fine-tuning?
Prompt Engineering steuert die Ausgaben eines Modells über die Gestaltung der Eingabe, ohne das Modell selbst zu verändern. Fine-tuning passt dagegen die Gewichte des Modells an, indem es auf aufgabenspezifischen Daten weitertrainiert wird. Prompt Engineering ist schneller, günstiger und leichter zu iterieren, während Fine-tuning bei spezialisierten Aufgaben bessere Ergebnisse erzielen kann, dafür aber mehr Daten und Rechenressourcen erfordert.
Was ist ein Kontextfenster in der KI?
Das Kontextfenster ist die maximale Anzahl an Tokens, die ein Modell gleichzeitig berücksichtigen kann — einschließlich System-Prompt, Gesprächsverlauf und abgerufener Dokumente. Wird das Limit überschritten, werden ältere oder mittlere Teile des Kontexts abgeschnitten oder ignoriert. Die Größe des Kontextfensters zu kennen ist entscheidend für die Steuerung von Kosten und Latenz, denn längere Kontexte sind teurer und langsamer in der Verarbeitung.
Wie halte ich Prompt Engineering DSGVO-konform ein?
Die DSGVO regelt den Umgang mit Personendaten. Konkret: (1) Verwenden Sie für Verarbeitung personenbezogener Daten keine unkontrollierten Cloud-LLMs ohne Datenschutzfolgenabschätzung (sind meist nicht DSGVO-konform). (2) Setzen Sie lokale Modelle (Ollama) ein oder nutzen Sie Anbieter mit Datenverarbeitungsverträgen (wie Anthropic für Claude). (3) Dokumentieren Sie jeden Prompt, der mit Kundendaten arbeitet. (4) Regelmäßige Audits: Wer hat Zugriff? Welche Daten fließen? Können Nutzer ihre Daten löschen? (5) Informieren Sie Betroffene transparent, dass KI eingesetzt wird.
Welche Modelle sind sicher für deutsche Unternehmen?
Das hängt vom Datenschutz-Level ab: (1) Cloud mit Datenschutzvertrag: Claude (Anthropic) oder GPT-5.6 (wenn Sie Microsoft oder OpenAI Datenschutzverträge abschließen). (2) Vollständig privat: Mistral Small, LLaMA 3 über Ollama auf eigenen Servern. (3) Deutsche Alternativen: Firmen wie Aleph Alpha arbeiten an DSGVO-konformen Lösungen. (4) Regel: Je sensibler die Daten, desto lokaler die Lösung. Deutsche Firmen wählen oft ein Hybrid-Modell: Cloud für nicht-kritische Use-Cases, lokal für sensible Daten.
Wie bereite ich mein Team im Unternehmen auf Prompt Engineering vor?
Erfolgreiches Prompt Engineering im Enterprise braucht systematisches Training: (1) Theoretische Grundlagen (2–3 h): Chain-of-Thought, Few-Shot, RAG, Evaluierung. (2) Praktische Übungen (1–2 Tage): Prompts für echte Use-Cases schreiben, mehrere Modelle testen (GPT-5.6, Claude, Mistral), Fehler analysieren. (3) Best Practices dokumentieren: Templates für Standard-Aufgaben, Leitlinien für Datenschutz, Prompt-Versionierung. (4) Iterative Kultur: Prompts sind nicht "Final" — Review, Feedback, Improvement cycles. (5) Tools: PromptQuorum oder ähnliche Plattformen helfen, Prompts zu verwalten, zu versionieren und zu evaluieren. Deutsche IT-Teams profitieren von konkreten Case-Studies (z. B. Kundenservice-Automatisierung bei Siemens).
Was bedeutet der EU AI Act konkret für mein Prompt-Engineering?
Der EU AI Act klassifiziert Anwendungen in Risiko-Kategorien. Für Prompt Engineering heißt das: (1) Niedriges Risiko (Kundensupport, Content-Generation): Minimale Anforderungen. (2) Hohes Risiko (HR-Screening, Kreditvergabe, Strafjustiz): Dokumentation, Testberichte, Transparenzpflichten gegenüber Nutzern. (3) Verboten: Emotionserkennung, Biometrische Identifikation in öffentlichen Räumen. Für High-Risk-Systeme müssen Sie zeigen: Welche Prompts verwenden Sie? Wie wurde das Modell getestet? Welche Bias-Tests liefen? Das bedeutet: (a) Dokumentieren Sie alles. (b) Testpläne schreiben, um Diskriminierung zu vermeiden. (c) Transparenz gegenüber Nutzern ("Diese Entscheidung wurde von einer KI unterstützt"). Startet 2025/2026 — beginnen Sie jetzt mit Compliance-Planung.