Gemini · Google AI Studio: Prompts prototypen

Google AI Studio ist der kostenlose Playground, in dem Sie Prompts testen, Modelleinstellungen justieren und am Ende genau den Code erhalten, mit dem Sie sie in Produktion betreiben. Es ist der schnellste Weg von „Ich habe eine Idee“ zu „Ich habe ein funktionierendes Snippet“. Diese Lektion führt Sie diesen Weg von Anfang bis Ende: einen Prompt bauen, die Regler justieren, die wirklich zählen, und saubaren Code exportieren, den Sie direkt in ein Projekt übernehmen kkDie durchschnittliche Zahl neuer Nutzer, die jeder bestehende Nutzer über Empfehlungen generiert. Über 1,0 verstärkt sich das Wachstum selbst und wird exponentiell.Vollständige Definition ansehen →önnen.

Warum Studio und nicht die Gemini-App

Die Gemini-App und Gems kennen Sie schon. Die sind zum Konsumieren und leichten Anpassen gedacht. Studio ist für *Engineering*. Es legt die Roh-Parameter offen, die die App versteckt: Modellauswahl, Temperature, Token-Limits, Schemata für Structured Output, Safety Settings und System Instructions. Entscheidend: Jeder Prompt, den Sie bauen, entspricht direkt einem Gemini API-Call, den Sie herauskopieren können.

Das mentale Modell: Studio ist die IDE für Prompt-Design. Die Gemini-App ist das fertige Produkt.

Ihr erster Prototyp

Öffnen Sie aistudio.google.com und melden Sie sich mit einem Google-Konto an. Sie landen standardmäßig im Chat, einer einzelnen Multi-Turn-Konversation gegen ein Modell, das Sie im rechten Panel auswählen.

Beginnen Sie mit der Modellauswahl. 2025-2026 wählen Sie zwischen Gemini Pro-Stufen (tieferes Reasoning, langsamer, teurer pro TokenTokenEin Token ist die grundlegende Texteinheit, die Sprachmodelle verarbeiten, oft ein Wortfragment, ein ganzes Wort oder ein Satzzeichen und nicht ein einzelnes Zeichen.Vollständige Definition ansehen →) und Gemini Flash-Stufen (schnell, günstig, sehr gut für Aufgaben mit hohem Volumen). Für Prototyping starten Sie mit einem Flash-Modell. Es ist reaktionsschnell und günstig, und Sie können später auf Pro hochgehen, wenn die Qualität es verlangt.

Jetzt schreiben Sie einen echten Prompt. Angenommen, Sie bauen ein Feature, das unstrukturiertes Kundenfeedback in strukturierte Tickets verwandelt:

Read the customer message below and extract the issue.

Message: "hey so the export button on the reports page does nothing
when I click it on Safari, works fine in Chrome though. kind of urgent
we have a board meeting friday"

Führen Sie es aus. Sie erhalten Prosa zurück. Nützlich, aber nichts, was ein nachgelagertes System parsen kann. Und hier zeigt Studio seinen Wert.

System Instructions

Über dem Prompt-Feld gibt es ein Feld System instructions. Dort hinterlegen Sie die dauerhafte Rolle und die Regeln, die für jeden Turn gelten, getrennt von der Nachricht des Nutzers. Es ist der wirkungsvollste Hebel in Studio.

Fügen Sie das ein:

You are a support triage assistant. For every message, identify the
affected feature, the browser or platform, a severity (low, medium,
high), and a one-line summary. Be terse. Never invent details that
are not in the message.

Nochmal ausführen. Der Output ist jetzt disziplinert und konsistent. Beachten Sie: Sie haben den User-Prompt nicht angefasst, die System Instruction hat das Verhalten global umgeformt. Genau diese Trennung nutzen Sie später beim APIAPIApplication Programming Interface: eine standardisierte Schnittstelle, über die Anwendungen kommunizieren und Daten austauschen, ohne die interne Funktionsweise der jeweils anderen zu kennen.Vollständige Definition ansehen →-Call, deshalb bleibt Ihr Prototyp produktionsnah, wenn Sie sie hier aufbauen.

Die Einstellungen justieren, die zählen

Das Panel Run settings rechts ist die Stelle, an der Prototyping konkret wird. Drei Regler erledigen den Großteil der Arbeit.

TemperatureTemperatureEine Einstellung, die steuert, wie zufaellig oder vorhersehbar die Ausgabe eines KI-Modells ist: niedrig fuer Konsistenz, hoch fuer Kreativitaet.Vollständige Definition ansehen →

Temperature steuert die Zufälligkeit. Niedrige Werte (nahe 0) machen das Modell deterministisch und wiederholbar; hohe Werte (in Richtung 2) machen es kreativ und variantenreich.

Für Extraktion, Klassifikation und alles, wo derselbe Input denselben Output liefern soll, drücken Sie die Temperature nach unten. Für Brainstorming oder Copywriting erhöhen Sie sie. Setzen Sie sie für unsere Triage-Aufgabe auf 0 und führen Sie sie einige Male aus: Die Struktur sollte sich zwischen den Läufen kaum noch ändern.

Output Length

Das begrenzt die Antwort in Tokens. Setzen Sie es bewusst. Eine Triage-Zusammenfassung braucht kein Budget von 2.000 Tokens, und eine niedrige Grenze spart Geld und hält das Modell vom Ausschweifen ab.

Structured Output

Das ist das Feature, das aus einer Demo eine echte Integration macht. Schalten Sie Structured output ein, und Studio lässt Sie ein JSON-SchemaSchemaEin Schema ist der formale Bauplan, der festlegt, wie Daten in einer Datenbank, einer Datei oder einer Nachricht strukturiert, benannt, typisiert und miteinander verknüpft sind.Vollständige Definition ansehen → definieren, an das sich das Modell halten muss. Statt zu hoffen, dass das Modell sauberes JSON zurückgibt, *erzwingen* Sie es.

Definieren Sie ein Schema für unser Ticket:

{
  "type": "object",
  "properties": {
    "feature": { "type": "string" },
    "platform": { "type": "string" },
    "severity": { "type": "string", "enum": ["low", "medium", "high"] },
    "summary": { "type": "string" }
  },
  "required": ["feature", "platform", "severity", "summary"]
}

Nochmal ausführen. Jetzt bekommen Sie jedes Mal valides, parsebares JSON zurück, mit der Garantie, dass severity einer Ihrer drei erlaubten Werte ist. Kein Regex, keine Nachbearbeitung, kein „manchmal fügt es einen Markdown-Fence hinzu“. Das ist der Unterschied zwischen einem Prompt, der in einer Demo funktioniert, und einem, den Sie in eine Datenbank leiten können.

Grounding mit Google Search

Ihre Triage-Aufgabe arbeitet auf Text, den Sie bereitstellen, sie braucht also kein externes Wissen. Viele Prototypen aber schon. Wenn ein Prompt nach aktuellen Ereignissen, neuen Releases oder irgendetwas jenseits des Training-Cutoffs des Modells fragt, schalten Sie in den Run Settings Grounding with Google Search ein.

Mit aktiviertem Grounding führt Gemini echte Suchen aus, zieht live Ergebnisse und zitiert die Quellen in der Antwort. Das ist dieselbe Grounding-Fähigkeit, die auch über die API verfügbar ist, ein Test in Studio zeigt Ihnen also genau, wie es sich im Code verhält. Schalten Sie es ein, fragen Sie „what changed in the latest Gemini Flash release“ und beobachten Sie, wie die Quellenangaben erscheinen. Schalten Sie es aus, und Sie erhalten eine selbstbewusste, möglicherweise veraltete Antwort. Beides direkt nebeneinander zu prototypen ist genau der Punkt.

Multimodale Prompts

Gemini ist von Grund auf multimodalmultimodalKI, die mehrere Eingabe- und Ausgabeformate zugleich verarbeitet: Text, Bild, Audio, Video und Daten, statt nur eines Formats.Vollständige Definition ansehen →, und Studio lässt Sie das direkt nutzen. Klicken Sie auf das + im Prompt-Bereich, um ein Bild, ein PDF, Audio oder sogar Video anzuhängen. Kombiniert mit langem Kontext können Sie eine 40-seitige PDF-Spezifikation und einen Screenshot in einen Prompt legen und das Modell bitten, sie miteinander abzugleichen.

Stellen Sie sich für unser Triage-Beispiel vor, der Kunde hängt einen Screenshot der defekten Seite an. Fügen Sie das Bild hinzu, behalten Sie dieselbe System InstructionSystem InstructionDie verborgenen Anweisungen, die das Verhalten eines KI-Assistenten festlegen, bevor eine Frage gestellt wird: Rolle, Ton, Grenzen und Regeln.Vollständige Definition ansehen →, und das Modell verankert seine Felder feature und platform jetzt in dem, was es tatsächlich sieht. Sie haben gerade eine multimodale PipelinePipelineAlle aktiven Verkaufschancen über die Phasen des Vertriebsprozesses hinweg, zusammen mit ihrem gesamten potenziellen Wert und ihrer Abschlusswahrscheinlichkeit.Vollständige Definition ansehen → prototypt, ohne eine Zeile Code zu schreiben.

Export in Code

Hier kommt der Lohn. Alles, was Sie justiert haben (Modell, System Instruction, Temperature, Output Length, Schema, Grounding), ist im Prompt erfasst. Klicken Sie auf Get code (der < >-Button, meist oben rechts).

Studio generiert ein sofort lauffähiges Snippet in der Sprache Ihrer Wahl: Python, JavaScript, Go, REST und mehr. Es nutzt das offizielle Google GenAI SDK und spiegelt genau Ihre Einstellungen. Wählen Sie Python, erhalten Sie etwas in dieser Richtung:

from google import genai
from google.genai import types

client = genai.Client(api_key="YOUR_API_KEY")

response = client.models.generate_content(
    model="gemini-flash-latest",
    contents="Message: the export button does nothing on Safari, urgent",
    config=types.GenerateContentConfig(
        system_instruction=(
            "You are a support triage assistant. Identify the affected "
            "feature, the platform, a severity (low, medium, high), and a "
            "one-line summary. Be terse. Never invent details."
        ),
        temperature=0,
        response_mime_type="application/json",
        response_schema={
            "type": "object",
            "properties": {
                "feature": {"type": "string"},
                "platform": {"type": "string"},
                "severity": {
                    "type": "string",
                    "enum": ["low", "medium", "high"],
                },
                "summary": {"type": "string"},
            },
            "required": ["feature", "platform", "severity", "summary"],
        },
    ),
)

print(response.text)

Beachten Sie, wie sauber der Prototyp auf den Call abbildet. Die System Instruction, die Temperature und das Schema, die Sie über Schalter gesetzt haben, sind zu system_instruction, temperature und response_schema geworden. Es gibt keine Übersetzungslücke. Was Sie getestet haben, ist, was Sie ausliefern.

Ihren Key bekommen

Das Snippet braucht einen API-Key. Studio hat in seinem Menü eine Option API key, die einen Key erzeugt, der an ein Google Cloud-Projekt gebunden ist. Fügen Sie ihn nie in clientseitigen Code ein und committen Sie ihn nicht in ein Repo. Laden Sie ihn stattdessen aus einer Umgebungsvariable:

export GEMINI_API_KEY="your-key-here"

Lesen Sie ihn dann mit os.environ["GEMINI_API_KEY"] statt ihn hart zu codieren. Das SDK greift `GEMINI_API_KEY` auch automatisch ab, wenn Sie den Client ohne Argumente konstruieren.

Prototypen speichern und teilen

Jeder Prompt in Studio kann in Ihrem Drive gespeichert und per Link geteilt werden, sodass ein Kollege genau denselben Prompt mit allen Ihren Einstellungen öffnen kann. Damit wird Studio zu einer gemeinsamen Design-Oberfläche und nicht bloß zum persönlichen Notizblock. Wenn Sie einen Prompt an eine Entwicklerin übergeben, **schicken Sie den Studio-Link *und* den exportierten Code: Der Link erlaubt das Justieren, der Code das Ausliefern**.

Wann Sie zu Vertex AI wechseln

Studio und die Gemini API sind für schnelle Iteration und Projekte von Einzelpersonen oder kleinen Teams gebaut. Wenn Sie Enterprise-Kontrollen brauchen (privates Networking, Data Residency, IAM, MLOps-Tooling, höhere Quota-Garantien), sind dieselben Modelle über Vertex AI auf Google Cloud verfügbar. Das Prompt-Design, das Sie in Studio machen, überträgt sich: Die Struktur des Requests ist nahezu identisch, Prototyping hier ist also nie verschwendet, selbst wenn Sie später für die Produktion auf Vertex wechseln. Behandeln Sie das als Deployment-Entscheidung, nicht als Grund, woanders zu prototypen.

Ein saubere Prototyping-Loop

Zusammengesetzt sieht Ihr Workflow so aus:

1. Den User-Prompt im Chat entwerfen.
2. Die dauerhaften Regeln in die System instructions verschieben.
3. Die Temperature passend zur Aufgabe setzen (niedrig für strukturiert, hoch für kreativ).
4. Die Output Length begrenzen.
5. Ein JSON-Schema hinzufügen, wenn ein System den Output konsumiert.
6. Grounding einschalten, wenn die Aufgabe frische Fakten braucht.
7. Bilder, PDFs oder Audio anhängen, um multimodale Pfade zu testen.
8. Auf Get code klicken, einen Key über eine Umgebungsvariable einbinden, ausführen.

Jeder Schritt, den Sie in Studio machen, ist ein Parameter, den Sie sonst im Code erraten würden. Visuell zuerst zu justieren heißt, dass Ihr erster Lauf in einem echten Projekt meist einfach funktioniert.

Die wichtigsten Erkenntnisse

• Behandeln Sie Studio als Ihre Prompt-IDE. Bauen und justieren Sie in aistudio.google.com und exportieren Sie dann, statt Parameter direkt im Code zu erraten.
• System Instructions sind Ihr wirkungsvollster Hebel. Legen Sie dauerhafte Rolle und Regeln dorthin, halten Sie die User-Nachricht sauber, und Ihr Prototyp entspricht genau Ihrem Produktions-Call.
• Nutzen Sie Structured Output für alles, was ein System konsumiert. Ein JSON-Schema macht aus einer wackeligen Demo eine verlässliche Integration ohne Nachbearbeitung.
• Passen Sie die Temperature der Aufgabe an: nahe 0 für Extraktion und Klassifikation, höher für kreative Generierung, und testen Sie die Wiederholbarkeit, bevor Sie ausliefern.
• Exportieren, dann den Key sichern. Laden Sie ihn aus einer Umgebungsvariable, codieren Sie ihn nie hart und committen Sie ihn nie, und denken Sie daran: Derselbe Prompt zieht zu Vertex AI um, wenn Sie Enterprise-Kontrollen brauchen.