Die 5 Bausteine eines jeden Prompts

Die 5 Bausteine, die jeder Prompt benötigt, sind: Rolle & Kontext, Aufgabe / Anweisung, Eingabe & Beispiele, Einschränkungen und Ausgabeformat. Diese fünf Komponenten sind die Mindeststruktur, die einen zuverlässigen, wiederholbaren Prompt von einer vagen Frage unterscheidet, die inkonsistente Ergebnisse liefert.

Jeder Baustein löst einen anderen Fehlertyp. Rolle & Kontext sagt dem Modell, wer es ist und in welcher Situation es sich befindet. Aufgabe / Anweisung sagt ihm genau, was zu tun ist. Eingabe & Beispiele geben ihm das Rohmaterial und das Lernmuster. Einschränkungen setzen die Regeln. Ausgabeformat legt die Form der Antwort fest. Zusammen lassen sie dem Modell nichts mehr zum Raten übrig.

Ohne die 5 Bausteine (vag): > Fasse diesen Bericht zusammen.

Mit allen 5 Bausteinen (vollständig): > Du bist ein leitender Business-Analyst (Rolle). Fasse die wichtigsten Erkenntnisse aus dem Q3-Bericht unten zusammen (Aufgabe). Berichtstext (Eingabe). Nutze nur Fakten aus dem Bericht; max. 200 Wörter; formaler Ton (Einschränkungen). Gib 3 Aufzählungspunkte unter "Wichtigste Erkenntnisse" zurück (Ausgabeformat).

Ein schneller Referenzleitfaden zu den 5 Bausteinen und wann sie verwendet werden:

Das Fünf-Bausteine-Modell spiegelt den konvergierten Konsens aus Prompt-Engineering-Anleitungen von OpenAI, Google, Anthropic und unabhängigen Praktikern wider. Rolle, Anweisungen, Beispiele, Einschränkungen und Ausgabeformat erscheinen — unter verschiedenen Namen — in jedem wichtigen Framework, das seit 2023 veröffentlicht wurde. Das ist kein Zufall: Es sind die Mindestinformationen, die ein probabilistisches Modell benötigt, um ein nützliches, konsistentes Ergebnis zu liefern.

Der geschäftliche Nutzen ist eindeutig. Fehlende Rolle und Kontext liefern generische Antworten, die umgeschrieben werden müssen. Fehlende Einschränkungen erhöhen das Halluzinationsrisiko und erzeugen markenfremde Ausgaben. Fehlendes Ausgabeformat bedeutet Ergebnisse, die nicht direkt verwendet oder kopiert werden können. Das 5-Bausteine-Modell adressiert alle drei Fehlertypen gleichzeitig und gilt gleichermaßen für alle Sprachmodelle und lokal betriebene LLMs.

Für deutsche Unternehmen unter DSGVO und BSI-Grundschutz-Standards: Lokale Inferenzen mit Ollama oder LM Studio erfüllen Datenschutzanforderungen vollständig, während Sie gleichzeitig die Effizienz dieser strukturierten Prompts nutzen.

Rolle sagt dem Modell, welche Persona oder Expertise es annehmen soll. Kontext teilt ihm die Situation, den Bereich und die Zielgruppe mit, in der es tätig ist. Sie werden zusammengefasst, weil sie als Paar funktionieren – Rolle ist, wer das Modell ist, und Kontext ist die Umgebung, die definiert, was „gut" für diese Aufgabe bedeutet.

Wenn Rolle und Kontext weggelassen werden, antwortet das Modell aus einer generischen Perspektive – für niemanden im Besonderen nützlich. Mit ihnen wird dasselbe Modell zum erfahrenen Steuerberater, der eine Frage zu Umsatzsteuererklärungen beantwortet, zum Nachwuchs-Texter, der für eine 19-jährige Zielgruppe schreibt, oder zum Datenanalysten, der einen Quartalsbericht zusammenfasst. Die Ausgabe kalibriert sich auf die tatsächliche Situation.

Um zu verstehen, wie sich Rollen-Prompting entwickelt hat, als Modelle immer besser darin wurden, Anweisungen zu befolgen, siehe How Prompt Engineering Evolved.

Der Baustein Aufgabe / Anweisung ist die explizite Aussage darüber, was das Modell tun soll. Es ist der wichtigste Baustein – alle anderen Bausteine unterstützen diesen. Eine klare, spezifische, überprüfbare Anweisung reduziert Mehrdeutigkeit auf nahezu null. Eine vage Anweisung ist die häufigste Ursache für schlechte KI-Ausgaben über alle Modelle und Anwendungsfälle hinweg.

Aktuelle Best-Practice-Empfehlungen betonen, die Aufgabe handlungsorientiert und beobachtbar zu gestalten: ein Verb verwenden, das Ergebnis benennen und wenn möglich ein Erfolgskriterium beschreiben. „Schreibe eine Zusammenfassung" ist eine Aufgabe. „Fasse den folgenden Artikel in 3 Aufzählungspunkten zusammen, jeweils unter 20 Wörtern" ist eine Aufgabe mit einer überprüfbaren Ausgabe. Der Unterschied in der Ausgabequalität ist erheblich.

Anweisungen interagieren direkt damit, ob Beispiele bereitgestellt werden – siehe Zero-Shot vs. Few-Shot Prompting dafür, wann welcher Ansatz am besten funktioniert.

Eingabe sind die tatsächlichen Daten, Texte oder Materialien, mit denen das Modell arbeiten soll. Beispiele sind Muster-Eingabe/Ausgabe-Paare, die zeigen, wie eine korrekte Antwort aussieht. Das sind separate Aspekte: Eingabe ist das Rohmaterial für die aktuelle Aufgabe, Beispiele sind das Lernmuster, das die Ausführung durch das Modell prägt.

1–3 Beispiele einzuschließen (Few-Shot-Prompting) ist die zuverlässigste Einzeltechnik, um Ausgabeformat und Ton festzulegen. Wenn man dem Modell zeigt, wie eine gute Antwort aussieht, passt es das Muster an, anstatt es nur aus der Aufgabenbeschreibung abzuleiten. Dies ist am wichtigsten für spezialisierte Formate, konsistenten Ton und strukturierte Ausgaben, bei denen Präzision erforderlich ist.

Für eine vollständige Aufschlüsselung, wann Beispiele verwendet werden und wann sie weggelassen werden, siehe Zero-Shot vs. Few-Shot: Which Approach Gets Better Results?.

Einschränkungen sind die Regeln, die das Modell befolgen muss: was es tun muss und was nicht. Sie umfassen Längenbeschränkungen, verbotene Themen oder Formulierungen, erforderliche Quellen, Marken-Ton-Regeln, Sicherheitsgrenzen und Formatrestriktionen. Einschränkungen sind der am häufigsten weggelassene Baustein – und ihr Fehlen ist die Hauptursache für halluzinierte Fakten, markenfremde Sprache und Ausgaben im falschen Format.

Das Hinzufügen einer gut abgegrenzten Einschränkung ist oft die wirkungsvollste Änderung an einem bestehenden Prompt. „Erfinde keine Statistiken" senkt das Halluzinationsrisiko erheblich. „Überschreite nie 100 Wörter" erzwingt Knappheit. „Verwende nur Informationen aus dem bereitgestellten Text" verankert die Ausgabe im Quellmaterial und eliminiert Fabrikation für diese Aufgabe vollständig.

Für die Technik, Ausschlüsse zur Gestaltung von Ausgaben zu verwenden, siehe Negative Prompting: Tell the AI What NOT to Do. Warum unkontrollierte Prompts mehr halluzinieren, erklärt AI Hallucinations: Why AI Makes Things Up.

Die einzeln wirkungsvollste Einschränkung, die Sie zu einem Prompt hinzufügen können, ist: „Verwende nur Informationen aus dem bereitgestellten Kontext. Wenn du nicht aus den bereitgestellten Informationen antwortet, sage es so." Dieser eine Satz eliminiert den häufigsten Fehler bei KI-Ausgabe — plausibel klingende Erfindung. Das Hinzufügen dieser Einschränkung allein reduziert das Halluzinationsrisiko oft um 80%+ und wird universell über alle Modelle unterstützt.

Ausgabeformat legt die genaue Form der Antwort fest, die das Modell produzieren soll. Dies ist der Baustein, der bestimmt, ob die Ausgabe direkt verwendbar ist oder vor der Nutzung umformatiert werden muss. Bei automatisierten Pipelines bedeutet ein nicht festgelegtes Ausgabeformat fragiles, inkonsistentes Parsen. Für GEO ist eine strukturierte Ausgabe eher dazu geeignet, von KI-Suchmaschinen wörtlich zitiert zu werden, da strukturierte Antworten programmatisch leichter zu extrahieren sind.

Der Ausgabeformat-Baustein kann das Dateiformat (JSON, Markdown, CSV), die Struktur (Tabelle, Aufzählungsliste, nummerierte Schritte), die Länge und die Beschriftung von Abschnitten festlegen. Je präziser man es angibt, desto weniger Bearbeitung erfordert die Ausgabe.

API-Level-Ausgabeformat-Durchsetzung: In 2026 bieten alle wichtigen Anbieter API-Level-Ausgabeformat-Durchsetzung, die über reine Prompt-Text-Anweisungen hinausgeht. Strukturierte Ausgaben (einschließlich JSON-Schema-Validierung) garantieren gültiges JSON, das zu Ihrem Schema auf Token-Generierungsebene passt — das Modell kann einfach keine ungültige Ausgabe erzeugen. Bei Verwendung dieser APIs wird Baustein 5 zu einer serverseitigen Einschränkung statt einer Prompt-Text-Anweisung. Verwenden Sie beide zur maximalen Zuverlässigkeit: API-Level-Durchsetzung als harte Garantie, Prompt-Text-Formatspezifikation als Anleitung für die Inhaltsstruktur innerhalb dieses Formats.

Für einen vollständigen Leitfaden zu JSON-Modus und strukturierter Ausgabe über verschiedene Modelle hinweg, siehe Structured Output & JSON Mode: Get AI to Return Usable Data.

Die folgende Vorlage zeigt alle 5 Bausteine in der Reihenfolge für eine einzige domänenneutrale Aufgabe zusammengestellt. Jeder Teil ist beschriftet, sodass genau erkennbar ist, wo jeder Baustein beginnt und endet. Den Inhalt in jedem Abschnitt ersetzen, um ihn an eine beliebige Domäne anzupassen.

Diese Vorlage funktioniert auf allen Sprachmodellen und lokalen LLMs über Ollama oder LM Studio. Die Reihenfolge der Bausteine ist eine Empfehlung, keine starre Regel – aber Rolle & Kontext zuerst und Ausgabeformat zuletzt zu platzieren ist die häufigste und zuverlässigste Anordnung über alle wichtigen Modelle hinweg.

Für Prompt-Techniken, die speziell für lokale Modelle mit kleineren Kontextfenstern optimiert sind, siehe Prompt Engineering for Local LLMs. Um zu vergleichen, welches lokale Modell der 5-Block-Struktur am zuverlässigsten folgt, siehe Comparing Open-Source Models.

In 2026 trennen alle wichtigen KI-APIs die System-Anweisung (persistente Anweisungen) von der Benutzernachricht (pro-Anfrage-Inhalt). Die 5 Bausteine verteilen sich natürlich auf diese beiden Ebenen, was wichtige Auswirkungen auf Kosten und Effizienz hat.

System-Anweisung (einmal gesetzt, wiederverwendet):

Baustein 1: Rolle & Kontext — „Du bist ein erfahrener Business-Analyst..."

Baustein 4: Einschränkungen — „Verwende formalen Ton. Überschreite nie 200 Wörter. Spekuliere nicht."

Baustein 5: Ausgabeformat — „Gib immer 3 Aufzählungspunkte unter 'Wichtigste Erkenntnisse' zurück..."

Benutzernachricht (ändert sich pro Anfrage):

Baustein 2: Aufgabe / Anweisung — „Fasse die wichtigsten Erkenntnisse aus diesem Bericht zusammen."

Baustein 3: Eingabe & Beispiele — Der tatsächliche Berichtstext + Beispiele.

Diese Aufteilung ist wichtig, weil System-Anweisungen gecacht werden — das bedeutet, Ihre Rolle, Einschränkungen und Ausgabeformat werden effizient gespeichert und verbrauchen keine frischen Tokens für jede Anfrage. Für Produktions-Pipelines mit Hunderten von Prompts reduziert dies die Kosten um 50-90% für den Systemteil.

Für lokale LLMs über Ollama oder LM Studio gilt die gleiche Aufteilung: Verwenden Sie eine Modelfile mit einer SYSTEM-Direktive für die Bausteine 1, 4 und 5, und geben Sie die Bausteine 2 und 3 in der Benutzernachricht ein.

Beliebte Prompt-Engineering-Frameworks sind meinungsstarke Wege, dieselben fünf Bausteine unter verschiedenen Namen und in unterschiedlichen Reihenfolgen anzuordnen. CRAFT, CO-STAR und SPECS bilden alle direkt auf dieses Fünf-Bausteine-Modell ab. Die Bausteine zuerst zu verstehen bedeutet, jedes Framework anzuwenden, ohne seine spezifische Terminologie von Grund auf auswendig lernen zu müssen.

Die folgende Tabelle zeigt, wie jeder Baustein dem entsprechenden Feld in drei weit verbreiteten Frameworks zugeordnet wird:

PromptQuorum enthält 9 eingebaute Frameworks, die diese Bausteine je nach Aufgabentyp in verschiedenen Konfigurationen vorausfüllen. Für framework-spezifische Leitfäden, siehe Which Prompt Framework Should You Use?, CRAFT Framework und CO-STAR Framework.

Jedes wichtige Prompt-Engineering-Framework, das seit 2023 veröffentlicht wurde — CRAFT, CO-STAR, SPECS, RTF, TRACE, APE — bildet sich direkt auf diese 5 Bausteine unter verschiedenen Namen ab. Das Erlernen der Bausteine bedeutet, dass Sie jedes Framework anwenden können, ohne dessen spezifische Terminologie auswendig lernen zu müssen. Die Frameworks unterscheiden sich in Gewichtung und Reihenfolge, aber die zugrunde liegende Struktur ist immer gleich: wer, was, wie, Einschränkungen und Format.

Die Nicht-Angabe des Ausgabeformat-Blocks ist die häufigste Ursache für unbrauchbare KI-Ausgabe in Produktions-Pipelines. Ohne explizite Formatspezifikation ändert sich die Standard-Ausgabe des Modells zwischen Durchläufen, zwischen Modellen und zwischen API-Versionen. Geben Sie immer das Format an — auch „antworte in einfachem Prosa, keine Aufzählungspunkte" ist besser als es unangegeben zu lassen. Dies ist der Unterschied zwischen dem Erhalten einer Ausgabe und dem Erhalten einer verwendbaren Ausgabe.