PromptQuorumPromptQuorum
Startseite/Prompt Engineering/Prompt Engineering Glossar: 500 Essenzielle Begriffe für Entwickler & KI-Teams
Fundamentals

Prompt Engineering Glossar: 500 Essenzielle Begriffe für Entwickler & KI-Teams

·15 min Lesezeit·Von Hans Kuepper · Gründer von PromptQuorum, Multi-Model-AI-Dispatch-Tool · PromptQuorum

Ihr umfassendes Nachschlagewerk mit über 500 Definitionen – von Tokens und Kontextfenstern bis zur intelligenten Agent-Orchestrierung, RAG-Systemen und modernen Evaluierungsmetriken.

Top 20 Most Important AI & Prompt Engineering Terms (2026)

Master the essential terminology of artificial intelligence and prompt engineering. These 20 core concepts form the foundation of working with LLMs, from fundamental architectures to advanced optimization techniques. Whether you're building AI agents, implementing RAG systems, or optimizing prompt performance, understanding these terms will accelerate your expertise across all areas of AI development and deployment.

Commonly Confused AI Terms

Quick reference for 10 term pairs that are frequently misunderstood or used interchangeably.

CategoryTerm ATerm BKey Difference
Prompting TechniqueZero-shotFew-shotZero-shot: ask without examples (faster, cheaper). Few-shot: provide 2–5 examples (more accurate for specific formats or domains).
ReasoningChain-of-ThoughtTree-of-ThoughtCoT: single linear reasoning path. ToT: explores multiple branches, evaluates paths. ToT costs 2–3× more tokens but handles harder problems.
Knowledge ArchitectureRAGFine-tuningRAG: retrieves current data at inference time — no retraining. Fine-tuning: adjusts model weights permanently — expensive, requires labeled data.
SecurityPrompt injectionJailbreakInjection: structural attack — user input overrides system instructions. Jailbreak: behavioral attack — crafted phrasing bypasses safety guardrails.
Sampling ParametersTemperatureTop-pTemperature: scales all token probabilities (0 = deterministic, 1+ = creative). Top-p: samples only from the smallest set of tokens covering probability p. Use one at a time.
MemoryShort-term memoryLong-term memoryShort-term: active conversation context (tokens in window). Long-term: persistent store across sessions (vector DB or key-value). Agents need both.
AlignmentGuardrailRLHFGuardrail: runtime policy enforcement (filter, validate, block) — no retraining. RLHF: training-time alignment via human feedback — rewires model behavior permanently.
Agent BehaviorTool callingAgenticTool calling: single function invocation per turn. Agentic: autonomous loop — decide → call tool → observe → decide — until goal is achieved.
Output QualityHallucinationConfabulationSynonymous in practice. Both describe confident, plausible-sounding but false model output. "Hallucination" is more common in US/tech; "confabulation" in academic/EU contexts.
Prompt ArchitectureSystem promptUser promptSystem: persistent instructions (role, rules, format) — set once per conversation. User: specific task per turn. System controls behavior; user specifies request.

Level

Domain

Learning Paths

Curated term sequences — follow a path to build expertise in one area.

Prompt Engineering Foundations

Beginner

Learn the core vocabulary every AI practitioner needs — from what a prompt is to why models hallucinate.

Customer service chatbotsContent drafting assistantsInternal Q&A toolsDeveloper code review
  1. 1Prompt
  2. 2LLM (Large Language Model)
  3. 3Token
  4. 4Context window
  5. 5System prompt
  6. 6Zero-Shot Prompting
  7. 7Few-Shot Prompting
  8. 8Chain-of-Thought (CoT)
  9. 9Temperature
  10. 10Instruction following
  11. 11Hallucination
  12. 12Output formatting prompt

RAG Mastery

Intermediate

Build retrieval-augmented generation pipelines from chunking strategy to production-grade re-ranking.

Enterprise knowledge basesCustomer support botsLegal document Q&AMedical reference lookup
  1. 1RAG (Retrieval-Augmented Generation)
  2. 2Embedding model
  3. 3Vector database
  4. 4Document chunking
  5. 5Semantic search
  6. 6Hybrid retrieval
  7. 7Reranking model
  8. 8Grounding
  9. 9Context window
  10. 10Prompt Injection

Agent Orchestration

Advanced

Design autonomous agents that plan, use tools, manage memory, and coordinate across multi-agent systems.

Autonomous research agentsCode generation pipelinesMulti-step data analysisAI-powered workflows
  1. 1Agent
  2. 2ReAct Prompting
  3. 3Function calling
  4. 4Memory (Long-Term)
  5. 5Memory (Short-Term)
  6. 6Prompt Chaining
  7. 7LangChain
  8. 8LangGraph
  9. 9Multi-Agent System
  10. 10Long-horizon planning
  11. 11Agent Orchestration
  12. 12Reflection agent

Reasoning Mastery

Intermediate

Master the prompting techniques that unlock reliable multi-step logical and mathematical reasoning.

Math tutoring systemsLegal reasoning toolsComplex debugging assistantsScientific analysis
  1. 1Chain-of-Thought (CoT)
  2. 2Zero-Shot CoT
  3. 3Few-Shot Prompting
  4. 4Automatic CoT (Auto-CoT)
  5. 5Self-Consistency
  6. 6Tree-of-Thought (ToT)
  7. 7Step-back prompting
  8. 8Automatic Prompt Engineer (APE)

Fine-tuning & Alignment

Advanced

Understand when prompts are not enough — and how fine-tuning, RLHF, and alignment techniques change model behavior.

Domain-specific chatbotsBrand voice enforcementMedical/legal specializationSafety-critical systems
  1. 1Fine-Tuning
  2. 2Instruction-tuned model
  3. 3RLHF
  4. 4LoRA
  5. 5Constitutional AI
  6. 6Alignment
  7. 7Hallucination
  8. 8Evals (evaluation suite)

Evaluation & Production

Intermediate

Ship AI features confidently — build eval frameworks, measure quality metrics, and run prompt A/B tests.

CI/CD prompt regression testingQuality monitoring dashboardsA/B prompt experimentsModel selection frameworks
  1. 1Evals (evaluation suite)
  2. 2Benchmark harness
  3. 3LLM-as-a-Judge
  4. 4ROUGE
  5. 5BLEU
  6. 6BERTScore
  7. 7A/B Prompt Test
  8. 8Prompt Versioning

Safety & Security

Intermediate

Build AI systems that resist attacks, avoid harmful outputs, and pass safety audits — from prompt injection to red-teaming.

High-stakes deployment reviewsRed-teaming AI productsCompliance verificationEnterprise AI security
  1. 1Prompt Injection
  2. 2Jailbreak
  3. 3Constitutional AI
  4. 4Safety evaluation framework
  5. 5Bias
  6. 6Red-Teaming
  7. 7Alignment
  8. 8Hallucination

Wichtigste Erkenntnisse

  • 500 Begriffe organisiert in 6 Abschnitten: Kernkonzepte, Agenten & Orchestrierung, Sicherheit & Alignment, Evaluation & Testing, Fortgeschrittene Techniken und Metriken & Produktion
  • Jeder Begriff enthält eine prägnante, praktische Definition und 1–3 primäre Quellenangaben für E-E-A-T-Validierung
  • Abdeckung von grundlegenden Techniken (Chain-of-Thought, RAG, Few-Shot) bis hin zu aktuellen agentic Patterns 2026 (Multi-Agent-Systeme, Handoff-Patterns, GraphRAG)
  • 15+ Glossarbegriffe sind verlinkt zu dedizierten PromptQuorum Prompt-Engineering-Hub-Artikeln für vertieftes Verständnis
  • FAQPage Schema + DefinedTermSet Schema für die Antwortextraktion durch Google Search, Claude, Perplexity und andere AI-Engines
  • Deutsche Besonderheiten: DSGVO-Hinweise, EU AI Act Kontext, DACH-Enterprise-Use-Cases, Public Sector Best Practices

Dieses Glossar ist das zentrale Nachschlagewerk für alle wichtigen Prompt-Engineering-Begriffe im deutschsprachigen Raum. Mit über 500 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

500+ 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

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-4o (wenn Sie Microsoft oder OpenAI Datenschutzverträge abschließen). (2) Vollständig privat: Mistral 7B, 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-4o, 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.

Kernkonzepte: Grundlagen für effektives Prompt Engineering

Wenden Sie diese Techniken gleichzeitig mit 25+ KI-Modellen in PromptQuorum an.

PromptQuorum kostenlos testen →

← Zurück zu Prompt Engineering

Prompt-Engineering-Glossar: 500+ Begriffe erklärt