Häufige Prompting-Fehler und wie Sie sie beheben

# Häufige PromptingPromptingPrompt engineering is the practice of designing and refining text inputs to guide large language models toward accurate, relevant, and reliable outputs.Vollständige Definition ansehen →-Fehler und wie Sie sie beheben

Sie bitten ChatGPT, "diese E-Mail besser zu machen", und zurück kommt etwas Blasseres als das, womit Sie angefangen haben. Das Modell hat genau das getan, was Sie gesagt haben. Das Problem ist, was Sie gesagt haben.

Schlechte KI-Ergebnisse gehen meist auf drei Wiederholungstäter zurück: vage fragen, zehn Anliegen in einen Prompt packen und annehmen, das Modell erinnere sich an ein Gespräch, das es nie gesehen hat. Beheben Sie diese drei, und die Ergebnisse verbessern sich sofort. Hier jeder einzelne mit Vorher und Nachher.

Fehler 1: die vage Frage

Ein vager Prompt zwingt das Modell zum Raten. Es wird raten, selbstbewusst und oft falsch. Die Lösung ist Kontext: für wen es ist, wie "gut" aussieht und welche Vorgaben gelten.

Vorher

> Mach diese E-Mail besser.

>

> "Hallo, ich wollte nur nachfragen, ob meine letzte Nachricht zur Rechnung angekommen ist. Melden Sie sich gern. Danke."

Sie bekommen eine generische Umschreibung. Länger? KKThe average number of new users each existing user generates through referrals. Above 1.0, growth compounds on itself and becomes exponential.Vollständige Definition ansehen →ürzer? Formeller? Das Modell hat keine Ahnung, also entscheidet es für Sie.

Nachher

> Schreibe diese E-Mail an einen Kunden um, der uns 4.000 $ schuldet und seit zwei Wochen nicht antwortet. Höflich, aber bestimmt, unter 80 Wörtern, mit einem klaren nächsten Schritt am Ende (ein Zahlungslink). Ton: professionell, aber warm.

>

> "Hallo, ich wollte nur nachfragen, ob meine letzte Nachricht zur Rechnung angekommen ist. Melden Sie sich gern. Danke."

Jetzt kennt das Modell die Ausgangslage, die Länge, den Ton und das Ziel. Aus Füllmaterial wird ein brauchbarer Text.

Das Muster: Rolle, Aufgabe, Kontext, Format

Eine zuverlässige Struktur für jede Anfrage:

• Rolle: "Du bist ein Vertragsanwalt und prüfst einen Freelancer-Vertrag."
• Aufgabe: "Markiere jede Klausel, die ein Risiko für den Freelancer darstellt."
• Kontext: "Es geht um eine selbstständige Designerin in den USA, bezahlt pro Projekt."
• Format: "Liste jedes Risiko als Bulletpoint mit einer einzeiligen Erklärung in einfacher Sprache."

Sie brauchen nicht jedes Mal alle vier. Aber wenn das Ergebnis enttäuscht, fehlt fast immer eines davon.

Als ausführlichere Referenz zerlegt Anthropics kostenloser Prompt-Engineering-Guide diese Elemente mit Beispielen, die Sie übernehmen kkThe average number of new users each existing user generates through referrals. Above 1.0, growth compounds on itself and becomes exponential.Vollständige Definition ansehen →önnen.

Fehler 2: zehn Anliegen in einen Prompt stapeln

Wenn Sie alles auf einmal verlangen, verteilt das Modell seine Kraft zu dünn und lässt die Hälfte Ihrer Anforderungen fallen. Das ist der häufigste Grund, warum Leute denken, KI "kkThe average number of new users each existing user generates through referrals. Above 1.0, growth compounds on itself and becomes exponential.Vollständige Definition ansehen →önne keine Anweisungen befolgen".

Vorher

> Lies diesen 20-seitigen Report, fasse ihn zusammen, übersetze die Zusammenfassung ins Spanische, ziehe die drei größten Risiken heraus, schreibe einen Tweet dazu, schlage ein Diagramm vor und formuliere eine E-Mail an meinen Chef.

Das Modell wird alles versuchen und das meiste schlecht machen. Der Tweet wird schwach, ein Risiko fehlt, die Zusammenfassung ist hingeworfen.

Nachher: in Schritte zerlegen

Führen Sie das als separate Prompts aus, in dieser Reihenfolge:

1. "Fasse diesen Report in 200 Wörtern zusammen, mit Fokus auf die finanziellen Ergebnisse."

2. "Liste aus dieser Zusammenfassung die 3 größten Risiken auf, nach Wahrscheinlichkeit sortiert."

3. "Formuliere eine E-Mail in 4 Sätzen an meine Führungskraft, die die Zusammenfassung und das größte Risiko abdeckt."

Jeder Prompt bekommt die volle Aufmerksamkeit des Modells. Außerdem kkThe average number of new users each existing user generates through referrals. Above 1.0, growth compounds on itself and becomes exponential.Vollständige Definition ansehen →önnen Sie jedes Ergebnis prüfen, bevor Sie weitermachen, sodass sich Fehler nicht fortpflanzen.

Wann verketten, wann kombinieren

Einige *verwandte* Aufgaben zu kombinieren ist in Ordnung: "Fasse das zusammen und liste drei Erkenntnisse auf" funktioniert gut. Schwierig wird es, wenn die Aufgaben nichts miteinander zu tun haben oder voneinander abhängen. Eine gute Regel: Wenn das Ergebnis eines Schritts der Input des nächsten ist, führen Sie sie getrennt aus, damit Sie die Übergabe prüfen kkThe average number of new users each existing user generates through referrals. Above 1.0, growth compounds on itself and becomes exponential.Vollständige Definition ansehen →önnen.

Wenn Sie das häufig tun, kkThe average number of new users each existing user generates through referrals. Above 1.0, growth compounds on itself and becomes exponential.Vollständige Definition ansehen →önnen Sie die Kette mit einem kurzen Skript automatisieren. Hier ein minimales Beispiel mit der OpenAI APIAPIApplication Programming Interface: a standardised interface that lets applications communicate and exchange data without knowing each other's internal workings.Vollständige Definition ansehen → in Python:

from openai import OpenAI
client = OpenAI()

report = "...paste your report text here..."

# Schritt 1: zusammenfassen
summary = client.responses.create(
    model="gpt-5.1",
    input=f"Summarize this report in 200 words, focused on financial outcomes:\n\n{report}"
).output_text

# Schritt 2: die Zusammenfassung nutzen, um Risiken zu finden
risks = client.responses.create(
    model="gpt-5.1",
    input=f"From this summary, list the 3 biggest risks ranked by likelihood:\n\n{summary}"
).output_text

print(summary)
print(risks)

Beachten Sie: Jeder Aufruf erledigt eine Aufgabe, und die Zusammenfassung wird explizit in den nächsten Schritt übergeben. Diese explizite Übergabe ist der ganze Punkt, was uns zum dritten Fehler führt.

Fehler 3: annehmen, das Modell erinnere sich an einen anderen Chat

Leute öffnen ständig einen neuen Chat und schreiben: "Mach jetzt daraus ein Slide-Deck." Das Modell hat keine Ahnung, was "daraus" ist. Es kann Ihre anderen Unterhaltungen nicht sehen, nicht Ihre Session von gestern und nicht, was Sie einem anderen Tool gesagt haben.

Jede Unterhaltung ist ein abgeschlossener Raum. Das Modell weiß nur, was im aktuellen Fenster steht (alles, was Sie und es *in diesem Thread* gesagt haben). Das nennt man das Context WindowContext WindowThe context window is the maximum amount of text (measured in tokens) a language model can process at once, including both the input prompt and the generated output.Vollständige Definition ansehen →: das Arbeitsgedächtnis eines einzelnen Chats.

Vorher

Sie haben gestern eine Stunde damit verbracht, in einem Chat einen Marketingplan zu erstellen. Heute öffnen Sie einen neuen Chat und tippen:

> Mach aus dem Plan eine einseitige Zusammenfassung.

Das Modell fragt zurück, welcher Plan gemeint ist, oder schlimmer: Es erfindet einen.

Nachher

Entweder machen Sie im *selben* Chat weiter, oder Sie fügen die relevanten Inhalte in den neuen ein:

> Hier ist der Marketingplan, mit dem wir arbeiten. Mach daraus eine einseitige Zusammenfassung mit Abschnitten zu Zielen, Kanälen und Budget.

>

> [Plan einfügen]

Wenn es vor dem Modell liegt, funktioniert es. Wenn nicht, rät das Modell.

Und was ist mit "Memory"-Funktionen?

2026 bieten ChatGPT, Claude und Gemini alle irgendeine Form von gespeichertem Memory oder Projekten, die Fakten über Chats hinweg behalten (Ihren Namen, Ihren Schreibstil, die Dateien eines laufenden Projekts). Das hilft, aber verlassen Sie sich bei Details nicht darauf:

• ChatGPT Projects und Claude Projects erlauben es, Dateien und Instruktionen anzuhängen, die in jedem Chat *innerhalb dieses Projekts* verfügbar bleiben. Nutzen Sie das für laufende Arbeit.
• Memory speichert kleine Fakten ("Ich bin Lehrer in Madrid"), keine vollständigen Dokumente. Gehen Sie nicht davon aus, dass es sich an den 2.000-Wörter-Entwurf von gestern erinnert.

Im Zweifel: einfügen. Einfügen ist kostenlos und zuverlässig. Annehmen ist beides nicht.

Alles zusammen: eine echte Rettung

Hier ein einzelner schwacher Prompt, behoben mit allen drei Lektionen.

Das Original (alle drei Fehler auf einmal)

> Hilf mir bei meinem Kurs-Launch. Mach es gut und denk auch an das Pricing von vorher.

Vage ("mach es gut"), überladen ("hilf mir bei meinem Kurs-Launch" sind hundert Aufgaben) und mit angenommenem Gedächtnis ("das Pricing von vorher", das das Modell nie gesehen hat).

Die Neufassung

Erster Chat, eine fokussierte Aufgabe mit vollständigem Kontext:

> Du bist Launch-Copywriter. Schreibe die Ankündigungs-E-Mail für meinen Online-Kurs "AI for Teachers". Zielgruppe: Lehrkräfte von der Grundschule bis zur Oberstufe, meist nicht technisch. Preis: 149 $, mit 99 $ Early Bird für die ersten 100 Anmeldungen. Ton: ermutigend, ohne Hype. Länge: unter 150 Wörter, am Ende ein Anmelde-Button mit der Beschriftung "Platz reservieren".

Dann die *nächste* Aufgabe im selben Thread (damit der Kontext mitgeht):

> Schreibe jetzt 3 Betreffzeilen für diese E-Mail, jede unter 50 Zeichen.

Eine klare Anfrage pro Schritt, aller Kontext geliefert, keine Abhängigkeit vom Gedächtnis des Modells. Das Ergebnis sitzt beim ersten Versuch.

Ein kurzer Selbstcheck, bevor Sie Enter drücken

Schicken Sie jeden Prompt durch diese drei Fragen:

1. Könnte ein Fremder diese Aufgabe allein anhand meines Prompts erledigen? Wenn nicht, fügen Sie Kontext hinzu (Rolle, Aufgabe, Kontext, Format).

2. Verlange ich mehr als eine oder zwei verwandte Sachen? Wenn ja, in Schritte aufteilen.

3. Verweist mein Prompt auf etwas, das das Modell nicht sehen kann? Wenn ja, einfügen.

Dreißig Sekunden Prüfen schlagen drei Runden enttäuschender Ergebnisse.

Key Takeaways

• Ersetzen Sie vage Anfragen durch Struktur. Sagen Sie, für wen es ist, was "gut" bedeutet und welches Format Sie wollen. "Schreibe das in unter 80 Wörtern um, höflich, aber bestimmt" schlägt "mach es besser".
• Eine Aufgabe pro Prompt. Verketten Sie komplexe Arbeit in separate Schritte und geben Sie das Ergebnis jedes Schritts in den nächsten, damit Sie die Übergabe prüfen kkThe average number of new users each existing user generates through referrals. Above 1.0, growth compounds on itself and becomes exponential.Vollständige Definition ansehen →önnen.
• Das Modell sieht nur den aktuellen Chat. Es hat kein Gedächtnis für andere Unterhaltungen oder andere Tools. Fügen Sie alles ein, was es braucht.
• Nutzen Sie Projects für laufende Arbeit. ChatGPT und Claude Projects halten Dateien und Instruktionen über Chats hinweg verfügbar, aber vertrauen Sie dem allgemeinen "Memory" keine vollständigen Dokumente an.
• Selbstcheck in 30 Sekunden: KKThe average number of new users each existing user generates through referrals. Above 1.0, growth compounds on itself and becomes exponential.Vollständige Definition ansehen →önnte ein Fremder das machen? Ist es eine Aufgabe? Kann das Modell tatsächlich sehen, worauf ich mich beziehe?