Prompts sind das Herz jedes AI-Agents – so entwickeln Sie effektive Eingaben für bessere Ergebnisse

In der Welt der generativen KI (GenAI) hat die rasante Entwicklung großer Sprachmodelle unsere Interaktion mit Maschinen revolutioniert. Modelle wie ChatGPT, GPT-4 oder LLaMA produzieren heute Texte, die erstaunlich kohärent und kontextbezogen sind – fast so, als kämen sie aus Menschenhand. Diese Fähigkeiten eröffnen unzählige Möglichkeiten: von personalisiertem Kundenservice über automatisierte Inhaltserstellung bis hin zu neuen Formen der Zusammenarbeit und Bildung. Doch um das volle Potenzial dieser KI auszuschöpfen, braucht es eine entscheidende Fähigkeit: Prompt Engineering – die Kunst, die richtigen Fragen auf die richtige Weise zu stellen.

Eine der größten Erkenntnisse aus den Projekt der letzten Monate ist, dass die Qualität der KI-Ergebnisse stark von der Qualität der Eingaben abhängt. Eine klug formulierte Anfrage kann ein KI-Modell zu beeindruckenden Antworten inspirieren, während ein unklarer Prompt meist nur mittelmäßige Resultate liefert. Prompt Engineering – das geschickte Entwerfen von Eingabebefehlen – ist daher zu einer Schlüsselkompetenz geworden, um mit generativer KI echten Mehrwert zu schaffen.

Was ist Prompt Engineering?

Unter Prompt Engineering versteht man die Kunst, Anfragen (Prompts) an KI-Modelle so zu formulieren, dass das System genau das gewünschte Ergebnis liefert. Es ist vergleichbar mit der präzisen Anleitung eines sehr intelligenten Mitarbeiters. Je genauer und strukturierter die Aufgabe beschrieben ist, desto höher ist die Wahrscheinlichkeit, dass das Resultat den Erwartungen entspricht. Da KI-Modelle ihre Ausgaben ausschließlich auf Basis der eingegebenen Informationen generieren, bestimmt die Klarheit und Detailtiefe des Prompts maßgeblich die Qualität der KI-Antwort.

Um konsistent hochwertige Ergebnisse zu erzielen, wurden spezielle Frameworks entwickelt, die beim Aufbau effektiver Prompts helfen. Zwei davon – CO-STAR und TIDD-EC – möchten wir heute heute vorstellen. Diese Frameworks bieten eine Art Checkliste oder Schablone, damit Sie beim Prompt-Design keinen wichtigen Aspekt vergessen.

Das CO-STAR-Framework

Eines der erfolgreichsten und vielseitigsten Frameworks im Prompt Engineering ist CO-STAR. Dieses Schema hat in der KI-Community viel Aufmerksamkeit erregt. Unter anderem gewann ein mit CO-STAR konzipierter Prompt einen renommierten GPT-4-Prompt-Engineering-Wettbewerb in Singapur. CO-STAR bietet eine klar definierte Struktur, um alle wesentlichen Aspekte einer Anfrage an ein Sprachmodell abzudecken. Die Buchstaben stehen für folgende Komponenten:

• C – Context (Kontext): Liefert den Rahmen oder Hintergrund der Anfrage. Hier wird beschrieben, in welcher Situation oder für welchen Zweck die Aufgabe gestellt wird.

• O – Objective (Ziel): Definiert klar, was das KI-Modell erreichen soll. Welches Ergebnis oder welche Aktion wird vom Modell erwartet?

• S – Style (Stil): Legt den gewünschten Schreib- oder Ausdrucksstil fest. Soll die Antwort sachlich, humorvoll, formell, erzählerisch etc. sein?

• T – Tone (Tonfall): Gibt die Stimmung oder den emotionalen Unterton der Antwort vor – z.B. informativ, begeistert, geheimnisvoll, ernst oder locker.

• A – Audience (Zielgruppe): Beschreibt, für wen die Antwort gedacht ist. Wer liest das Ergebnis – ein Fachpublikum, Kund:innen, Kinder oder die breite Öffentlichkeit?

• R – Response Format (Antwortformat): Bestimmt, in welcher Form die Antwort geliefert werden soll. Etwa als Liste, als Fließtext, als Code-Beispiel oder in Markdown-Format.

Dieses Framework bietet einen strukturierten Ansatz, um klare und relevante Prompts zu erstellen. Durch die Fokussierung auf Kontext, Ziel und Publikum hilft CO-STAR dabei, KI-Antworten zu erzeugen, die genau auf die gewünschte Verwendung zugeschnitten sind. Gerade wenn es darum geht, Inhalte für eine bestimmte Zielgruppe oder in einem bestimmten Ton zu verfassen, spielt CO-STAR seine Stärken aus. Allerdings erfordert der breite Ansatz auch Fingerspitzengefühl. Man muss darauf achten, genügend Details vorzugeben, ohne den Prompt mit unnötiger Komplexität zu überfrachten. Richtig angewendet ist CO-STAR ein mächtiges, aber auch anspruchsvolles Werkzeug – es fordert den Prompt-Designer, belohnt dafür aber mit maßgeschneiderten Ergebnissen.

Das TIDD-EC-Framework

Als präzisionsorientierte Alternative zu CO-STAR hat sich TIDD-EC einen Namen gemacht. Dieses Framework zielt – ähnlich wie CO-STAR – darauf ab, Interaktionen mit großen Sprachmodellen systematisch zu strukturieren. Der Schwerpunkt liegt hier jedoch noch stärker auf konkreten Anweisungen und Beispielen, um die KI sehr zielgerichtet zu steuern. Die Komponenten von TIDD-EC stehen für:

• T – Task Type (Aufgabentyp): Beschreibt die Art der Aufgabe, die erledigt werden soll. Handelt es sich z.B. um eine Übersetzung, eine Zusammenfassung, eine Ideengenerierung, eine Analyse usw.?

• I – Instructions (Anweisungen): Enthält konkrete Schritte, Richtlinien oder Kriterien, die das KI-Modell bei der Aufgabenerfüllung befolgen soll. Hier wird festgelegt, wie die Aufgabe zu bearbeiten ist.

• D – Do (Gebote): Listet auf, was das Modell unbedingt tun sollte, um erfolgreich zu sein. Das können bestimmte Inhalte, Stilmittel oder Vorgehensweisen sein, die erwünscht sind.

• D – Don’t (Verbote): Hält fest, was das Modell vermeiden soll. Dadurch werden typische Fehler oder unerwünschte Aspekte proaktiv ausgeschlossen.

• E – Examples (Beispiele): Zeigt dem Modell exemplarisch, wie ein gewünschtes Ergebnis aussehen könnte. Anhand solcher Beispiele versteht die KI besser, worauf sie hinarbeiten soll.

• C – (User) Content (Nutzerinhalt): Bezeichnet den vom Nutzer bereitgestellten Inhalt oder die Daten, mit denen das Modell arbeiten soll. Das können Texte, Fakten, Code-Snippets oder andere Informationen sein, auf die sich die KI beziehen muss.

TIDD-EC zeichnet sich durch präzise und handlungsorientierte Vorgaben aus. Do– und Don’t-Listen sowie Beispielantworten geben dem KI-Modell klare Leitplanken, was zu tun und was zu lassen ist. Das minimiert Missverständnisse und erhöht die Wahrscheinlichkeit, dass die Antwort genau den Anforderungen entspricht. Besonders bei Aufgaben, die eine hohe Genauigkeit oder strikte Formatvorgaben erfordern – etwa beim Extrahieren von Daten, beim Klassifizieren von Texten oder beim Befolgen von Compliance-Regeln – spielt TIDD-EC seine volle Stärke aus. In sehr offenen, kreativen Szenarien kann dieses starre Gerüst dagegen etwas einengend wirken, da es der KI weniger Freiraum für unerwartete Ansätze lässt. Daher eignet sich TIDD-EC vor allem, wenn klare Regeln und Beispiele den Weg weisen sollen.

CO-STAR vs. TIDD-EC – Unterschiede und Stärken im Vergleich

Beide Frameworks verfolgen dasselbe Ziel – bessere KI-Antworten durch bessere Prompts – gehen dabei aber unterschiedlich vor. CO-STAR steckt einen eher weiten Rahmen ab und lässt dem Modell kreativen Spielraum innerhalb definierter Parameter (Kontext, Stil, Tonalität etc.). TIDD-EC hingegen gibt eng umrissene Anweisungen und Beispiele vor, um das Modell Schritt für Schritt in die gewünschte Richtung zu führen. Je nach Anwendungsfall hat jedes Framework seine Vorzüge. Die folgende Tabelle gibt einen Überblick über einige wichtige Unterschiede:

Praxisnahe Anwendungsbeispiele

Wie lassen sich diese Frameworks nun konkret im Alltag einsetzen? Im Folgenden einige typische Szenarien und wie CO-STAR oder TIDD-EC dort helfen können:

• Kreative Texte und Storytelling: Bei der Erstellung von Marketing-Content, Blogartikeln oder fiktionalen Geschichten spielt CO-STAR seine Stärken aus. Durch das Festlegen von Kontext, Ton und Zielgruppe im Prompt lässt sich z.B. eine sachliche Produktbeschreibung in eine spannende Story für eine bestimmte Leserschaft verwandeln. Das Framework sorgt dafür, dass die KI den gewünschten „Sound“ trifft – sei es unterhaltsam, emotional packend oder geheimnisvoll. (Tipp: Soll ein neutraler Text in einen mysteriösen Ton umgeschrieben werden, kann man mit CO-STAR den neuen Tonfall und die Zielgruppe vorgeben, während TIDD-EC in diesem Fall jedes gewünschte Stilmittel und Tabuwort explizit im Prompt aufführt.)

• Informationsextraktion und Analyse: Wenn aus großen Textmengen gezielt Fakten herausgezogen oder Texte kategorisiert werden sollen, ist TIDD-EC ideal. Zum Beispiel kann ein TIDD-EC-Prompt so gestaltet werden, dass das KI-Modell alle definierten Do-Vorgaben (etwa bestimmte Datenpunkte nennen) strikt erfüllt. Gleichzeitig werden durch die Don’t-Liste irrelevante Details oder Abschweifungen von vornherein ausgeschlossen. Für Anwendungen wie das Auslesen von Namen und Terminen aus Dokumenten, das Klassifizieren von Kundenfeedback oder das Erkennen von Trends in Berichten liefert TIDD-EC klare Anleitungen, die zu zuverlässigen Ergebnissen führen.

• Kundenservice-Chatbots: Ein Chatbot soll Kundenanfragen automatisiert beantworten – aber bitte höflich, präzise und im Sinne der Marke. Hier kommen beide Frameworks zum Einsatz, tendenziell mit größerem Vorteil für TIDD-EC. Durch detaillierte Instructions und Do/Don’t-Regeln lassen sich feste Vorgaben einbauen (z.B. stets in der Sie-Form antworten, keine vertraulichen Informationen preisgeben, bei Unsicherheit auf die FAQ verweisen). CO-STAR hilft ergänzend dabei, den richtigen Ton für die jeweilige Zielgruppe zu treffen (etwa einen freundlichen, professionellen Tonfall für ein Versicherungsunternehmen). Das Ergebnis ist ein konsistenter Chatbot, der trotz automatisierter Antworten wie aus einem Guss mit der Unternehmenskommunikation wirkt.

• Zusammenfassungen und Übersetzungen: Soll ein langer Text auf das Wesentliche verkürzt oder in eine andere Sprache übertragen werden, können beide Frameworks Hand in Hand gehen. Mit TIDD-EC lassen sich klare Vorgaben machen, welche Punkte eine Zusammenfassung zwingend enthalten muss (und was weggelassen werden kann) oder welche Fachbegriffe in einer Übersetzung verwendet werden sollen. Gleichzeitig sorgt CO-STAR dafür, dass die Zusammenfassung bzw. Übersetzung im passenden Stil und für die richtige Zielgruppe formuliert ist – z.B. ein Bericht in einem formellen Stil für das Management vs. in leicht verständlicher Sprache für Kund:innen. So entstehen präzise und zugleich gut abgestimmte Ergebnisse.

• Stil- und Tonanpassung vorhandener Inhalte: Oft soll ein bestehender Text in einen anderen Stil gebracht werden, ohne den Inhalt zu verändern – etwa ein sachlicher Bericht in einen lebendigen, erzählerischen Artikel. Mit CO-STAR lässt sich der gewünschte neue Stil und Tonfall kontextuell vorgeben. TIDD-EC erlaubt es hingegen, im Prompt sehr genaue „So-bitte“/„So-nicht“-Vorgaben zum Schreibstil zu machen. Zum Beispiel könnte ein einfach gehaltener Erklärungstext mithilfe von CO-STAR so umformuliert werden, dass er für ein Fachpublikum anspruchsvoller und tiefgehender klingt. Alternativ lässt sich mit TIDD-EC genau festlegen, welche Passagen zu vertiefen sind oder welche simplen Formulierungen durch komplexere ersetzt werden sollen. Beide Wege führen zum Ziel – sie unterscheiden sich lediglich darin, wie stark die KI durch Vorgaben gelenkt wird.

Fazit

CO-STAR und TIDD-EC bieten strukturierte Ansätze, um Prompts strategisch und effektiv zu gestalten – und damit das volle Potenzial von generativen KI-Modellen auszuschöpfen. Während CO-STAR besonders für kreative, kontextabhängige Aufgaben entwickelt wurde, glänzt TIDD-EC bei präzisen, regelbasierten Anforderungen. In der Praxis gibt es jedoch kein striktes „Entweder-oder“. Oft lässt sich durch eine Kombination beider Methoden das beste Ergebnis erzielen. Entscheidend ist, das Prompt-Design bewusst an den Zielkontext anzupassen und ausreichend Details mitzugeben.

Denn eines zeigt sich immer wieder: Je ausführlicher und klarer ein Prompt, desto besser sind die Antworten der KI.