Schlechte Prompts diagnostizieren und verbessern
Eine systematische Debugging-Checkliste zur Verbesserung unzureichender Prompts
Schlechte Prompts diagnostizieren und verbessern ist eine kostenlose AI Prompt Engineering-Lektion auf CoddyKit. Dies ist Lektion 4 von 4. Du kannst die komplette Lektion unten kostenlos lesen – dann übst du sie direkt im Browser mit einem integrierten Code-Editor und einem KI-Tutor rund um die Uhr. Sie ist Teil des AI Prompt Engineering-Lernpfads, und dein Fortschritt wird über Web und CoddyKit-App synchronisiert. Der AI Prompt Engineering-Kurs umfasst insgesamt 4 Lektionen.
Das Debugging-Mindset
Wenn ein Prompt eine schlechte Ausgabe erzeugt, geben die meisten Menschen zunächst dem Modell die Schuld. In den meisten Fällen liegt das Problem jedoch im Prompt – und das Modell verhält sich genau so, wie es sich angesichts der erhaltenen Anweisungen verhalten sollte.
Prompt-Fehler als Debugging-Probleme zu betrachten, ist produktiver. Genau wie beim Debuggen von Code ermitteln Sie systematisch die Grundursache, entwickeln eine Lösungshypothese, testen sie und überprüfen das Ergebnis. Diese Denkweise führt schneller zu Verbesserungen als frustriertes Ausprobieren.
Die Checkliste für das Prompt-Debugging
Wenn ein Prompt fehlschlägt, arbeiten Sie diese Checkliste mit fünf Dimensionen systematisch durch:
- Spezifität — Ist der Prompt zu vage? Muss die Aufgabe genauer definiert werden?
- Kontext — Fehlen Hintergrundinformationen, die das Modell benötigt?
- Format — Sind das gewünschte Ausgabeformat und die Länge angegeben?
- Constraints — Sind die Constraints klar formuliert? Widersprechen sie sich möglicherweise?
- Beispiele — Würde ein Beispiel für eine gute Ausgabe Mehrdeutigkeiten beseitigen?
Jede Dimension entspricht einer bestimmten Art von Lösung. Ermitteln Sie, welche Dimension fehlerhaft war, und wenden Sie die entsprechende Lösung an.
Dimension 1: Spezifitätsprüfung
Fehler bei der Spezifität führen zu: falschem Thema, falschem Blickwinkel, falschem Zielgruppenniveau oder fehlenden wichtigen Aspekten der Aufgabe.
Diagnosefragen:
- Könnte eine kluge außenstehende Person diesen Prompt anders interpretieren als von mir beabsichtigt?
- Enthält der Prompt vage Wörter (gut, besser, angemessen, professionell), die ersetzt werden müssen?
- Ist die Aufgabenart angegeben (Artikel? E-Mail? Zusammenfassung? Analyse?)?
- Ist die Zielgruppe präzise genug definiert?
Lösung: Ersetzen Sie vage Wörter durch konkrete Formulierungen. Benennen Sie die Aufgabenart. Geben Sie den Wissensstand der Zielgruppe an. Fügen Sie ein einzeiliges Beispiel für die gewünschte Ausgabe hinzu.
Dimension 2: Kontextprüfung
Kontextfehler führen zu: allgemeinen Ratschlägen, die Ihre konkrete Situation ignorieren, falschen Annahmen über Ihren Tech-Stack, Ihr Unternehmen oder Ihre Zielgruppe sowie Antworten, die in einem anderen Kontext funktionieren würden, aber nicht in Ihrem.
Diagnosefragen:
- Was muss das Modell über meine konkrete Situation wissen, das es aus seinem allgemeinen Training nicht wissen kann?
- Habe ich den relevanten Code, das relevante Dokument oder die relevanten Daten bereitgestellt, auf die sich die Aufgabe bezieht?
- Habe ich die Einschränkungen meiner Umgebung beschrieben?
Lösung: Fügen Sie vor der Aufgabenanweisung einen Abschnitt „Hintergrund“ ein. Fügen Sie relevanten Code oder Inhalt direkt in den Prompt ein.
Dimension 3: Formatprüfung
Formatfehler führen zu: den richtigen Inhalten in der falschen Struktur – Fließtext, obwohl Sie Aufzählungspunkte benötigen, einem Aufsatz, obwohl Sie eine Schritt-für-Schritt-Anleitung brauchen, oder fehlenden Überschriften, obwohl eine Navigation erforderlich ist.
Diagnosefragen:
- Habe ich das Ausgabeformat angegeben (Aufzählungspunkte, nummerierte Liste, Fließtext, Tabelle, Codeblock)?
- Habe ich die Länge angegeben?
- Habe ich erforderliche Abschnitte oder eine Struktur angegeben?
Lösung: Fügen Sie eindeutige Formatvorgaben hinzu. Verwenden Sie das Muster: „Format: [Struktur]. Länge: [Ziel]. Abschnitte: [Liste].“ Bei komplexen Formaten sollten Sie eine Vorlage mit Platzhaltertext bereitstellen, den das Modell ausfüllen soll.
Dimension 4: Prüfung der Constraints
Fehler bei den Constraints führen zu: Inhalten, die das enthalten, was Sie ausschließen wollten, oder Ausgaben, die aufgrund widersprüchlicher Constraints roboterhaft wirken.
Diagnosefragen:
- Sind meine Constraints klar formuliert oder nur implizit enthalten?
- Widersprechen sich einige Constraints?
- Stehen meine Constraints im Widerspruch zum inhaltlichen Umfang oder zur Länge?
- Gibt es eine Prioritätsanweisung für nahezu widersprüchliche Constraints?
Lösung: Formulieren Sie implizite Constraints ausdrücklich. Fügen Sie eine Priorisierungsanweisung hinzu. Lösen Sie Konflikte, indem Sie festlegen, welcher Constraint Vorrang hat. Prüfen Sie, ob Umfang und Länge miteinander vereinbar sind.
Dimension 5: Beispielprüfung
Wenn die ersten vier Dimensionen in Ordnung zu sein scheinen, die Ausgabe aber trotzdem nicht passt, fehlen häufig Beispiele. Beispiele vermitteln, was sich mit Worten allein nicht ausdrücken lässt.
Diagnosefragen:
- Würde ein Beispiel für eine gute Ausgabe den erwarteten Stil, Ton oder das erwartete Format verdeutlichen?
- Würde ein negatives Beispiel (was NICHT erzeugt werden soll) helfen?
- Gibt es bereits Ausgaben dieser Aufgabenart, die Sie als Referenz verwenden können?
Lösung: Fügen Sie dem Prompt ein oder zwei Beispiele für die ideale Ausgabe hinzu. Verwenden Sie das Muster: „Hier ist ein Beispiel dafür, was ich erwarte: [Beispiel]. Erledigen Sie nun [Ihre konkrete Aufgabe] auf dieselbe Weise.“
Ein Workflow für das Prompt-Debugging
Hier ist ein vollständiger Diagnose-Workflow, den Sie auf jeden fehlerhaften Prompt anwenden können:
def diagnose_prompt(original_prompt, failed_output, problem_description):
'''
Use a second LLM call to diagnose why a prompt produced a bad output.
Returns a diagnosis and an improved prompt.
'''
import openai
client = openai.OpenAI(api_key='sk-...')
diagnosis_prompt = f'''You are a prompt engineering expert.
A user ran this prompt:
---PROMPT---
{original_prompt}
---END PROMPT---
It produced this output (which was unsatisfactory):
---OUTPUT---
{failed_output[:500]}...
---END OUTPUT---
The problem the user identified: {problem_description}
Diagnose the prompt failure using this framework:
1. Specificity: Is anything too vague?
2. Context: What background information is missing?
3. Format: Is the desired format/length unclear?
4. Constraints: Are there missing or conflicting constraints?
5. Examples: Would an example help?
Then write an improved version of the prompt that addresses the root cause.
Format: Diagnosis: [analysis] || Improved prompt: [new prompt]'''
response = client.chat.completions.create(
model='gpt-4o-mini',
messages=[{'role': 'user', 'content': diagnosis_prompt}]
)
return response.choices[0].message.contentGrundursache und Symptom
Ein häufiger Fehler beim Debuggen besteht darin, das Symptom statt der Grundursache zu behandeln.
Symptom: Die Ausgabe ist zu allgemein.
Behebung des Symptoms: Fügen Sie dem Prompt „Seien Sie spezifischer“ hinzu.
Grundursache: Die Zielgruppe war nicht definiert, daher verwendete das Modell standardmäßig eine allgemeine Zielgruppe.
Behebung der Grundursache: Fügen Sie eine präzise Zielgruppendefinition hinzu.
Die Behandlung von Symptomen führt nur zu geringfügigen Verbesserungen. Die Behandlung von Grundursachen führt zu verlässlichen Verbesserungen. Fragen Sie eine Ebene tiefer: „Warum tritt dieses Symptom auf?“, bevor Sie die Lösung formulieren.
Ein Protokoll für fehlgeschlagene Prompts führen
Bei wiederkehrenden Aufgabenarten beschleunigt ein Protokoll für fehlgeschlagene Prompts die langfristige Verbesserung. Jeder Eintrag enthält:
- den ursprünglichen Prompt
- die schlechte Ausgabe (oder eine Beschreibung des Problems)
- die ermittelte Grundursache (Spezifität / Kontext / Format / Constraints / Beispiele)
- die angewendete Lösung
- das Ergebnis
Nach 10–20 Einträgen zeichnen sich Muster ab. Möglicherweise stellen Sie fest, dass dieselbe Grundursache (z. B. fehlender Zielgruppenkontext) für 60 % der Fehler in einer Kategorie verantwortlich ist. Wenn Sie sie in der Vorlage beheben, verschwindet dieses Muster.
Die verbesserte Prompt-Vorlage
Die meisten gut strukturierten Prompts folgen einer einheitlichen Vorlage, die proaktiv alle fünf Debugging-Dimensionen berücksichtigt:
ROBUST_PROMPT_TEMPLATE = '''
## Role
[Who the model should act as — establishes expertise level and perspective]
## Context
[Background the model needs: company, audience, product, prior decisions, constraints]
## Task
[Specific, precise description of what to produce]
## Format
[Output structure: bullet points / prose / numbered list / table]
[Length: word count or sentence count]
[Required sections: list them if the output needs specific sections]
## Constraints
[What to include: required elements]
[What to exclude: off-limits content or approaches]
[Priority: if constraints conflict, X takes priority over Y]
## Example
[One example of good output for this task type — optional but powerful]
'''
print(ROBUST_PROMPT_TEMPLATE)Wissenscheck: Prompt-Debugging
Ein Prompt erzeugt eine gut formulierte Ausgabe, die sich jedoch auf allgemeine Best Practices für das Thema konzentriert und nicht auf die in der Aufgabe beschriebene konkrete Situation. Format und Länge sind korrekt. Die Constraints werden nicht verletzt. Welche Debugging-Dimension ist die Grundursache?
Zusammenfassung: Schlechte Prompts diagnostizieren und beheben
Prompt-Debugging ist ein systematischer Prozess, kein Ausprobieren. Die Checkliste mit fünf Dimensionen – Spezifität, Kontext, Format, Constraints, Beispiele – ordnet jeder häufigen Fehlerart eine konkrete Lösung zu.
Die robuste Prompt-Vorlage berücksichtigt proaktiv alle fünf Dimensionen und verhindert die meisten Fehler, bevor sie auftreten. Der Debugging-Workflow (Symptom identifizieren → Grundursache ermitteln → Lösung anwenden → überprüfen) führt zu verlässlichen Verbesserungen. Ein Protokoll für fehlgeschlagene Prompts beschleunigt das Lernen über mehrere Sitzungen hinweg.
Mit diesen Werkzeugen können Sie jeden Prompt-Fehler methodisch und konsistent diagnostizieren und beheben.
Häufig gestellte Fragen
Ist die Lektion „Schlechte Prompts diagnostizieren und verbessern“ kostenlos?
Ja — der vollständige Text von „Schlechte Prompts diagnostizieren und verbessern“ ist hier im Web kostenlos zu lesen. Um sie interaktiv zu üben (integrierter Code-Editor und 24/7 KI-Tutor) und den Rest des AI Prompt Engineering-Kurses freizuschalten, upgrade auf CoddyKit PRO. Der AI Prompt Engineering-Kurs umfasst insgesamt 4 Lektionen.
Was lerne ich in „Schlechte Prompts diagnostizieren und verbessern“?
Eine systematische Debugging-Checkliste zur Verbesserung unzureichender Prompts Du übst AI Prompt Engineering mit praktischem Code, den du direkt im Browser ausführst, und ein 24/7 KI-Tutor beantwortet deine Fragen während du die Lektion bearbeitest.
Brauche ich Erfahrung, um AI Prompt Engineering zu starten?
Keine Vorkenntnisse erforderlich. AI Prompt Engineering auf CoddyKit ist für Anfänger bis fortgeschrittene Lernende strukturiert, sodass du hier starten oder von Anfang an beginnen und in deinem eigenen Tempo voranschreiten kannst. Dies ist Lektion 4 von 4.
Wie lange dauert die Lektion „Schlechte Prompts diagnostizieren und verbessern“?
Die meisten CoddyKit-Lektionen dauern etwa 5–10 Minuten. Jede ist kompakt und interaktiv, sodass du stetig Fortschritte machst und genau dort weitermachst, wo du aufgehört hast – im Web und in der App.
Kann ich in dieser AI Prompt Engineering-Lektion Code schreiben und ausführen?
Ja. Jede AI Prompt Engineering-Lektion enthält einen integrierten Code-Editor, sodass du echten Code direkt in deinem Browser schreibst und ausführst und sofort KI-Feedback erhältst — ohne lokale Einrichtung erforderlich.
Alle Lektionen in diesem Kurs
- Übermäßig vage Anweisungen
- Widersprüchliche Anforderungen
- Fehler durch fehlenden Kontext
- Schlechte Prompts diagnostizieren und verbessern