Prompt-Muster aus Kopf, Hauptteil und Fußbereich
Eine konsistente Prompt-Struktur, die sich auf komplexe Prompts mit mehreren Aufgaben übertragen lässt
Prompt-Muster aus Kopf, Hauptteil und Fußbereich ist eine kostenlose AI Prompt Engineering-Lektion auf CoddyKit. Dies ist Lektion 3 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.
Prompts als Dokumente
Langform-Dokumente – Berichte, Artikel und E-Mails – verwenden eine Header/Body/Footer-Struktur, weil sie kognitiv leicht zu navigieren ist. Leser wissen, was sie in jedem Bereich erwartet.
Dasselbe Prinzip gilt für Prompts. Wenn Prompts über einige wenige Sätze hinausgehen, macht eine Header/Body/Footer-Struktur sie übersichtlich, wartbar und konsistent.
Dieses Muster funktioniert modellübergreifend und lässt sich von einfachen bis hin zu hochkomplexen Prompts skalieren.
Der Header-Abschnitt
Der Header beantwortet zwei Fragen: Wer sind Sie? und Was ist die Aufgabe?
Er legt die Identität des Modells (Persona oder Rolle) fest und formuliert das Hauptziel des Prompts. Alles Weitere baut auf dieser Grundlage auf.
Ein guter Header ist prägnant – typischerweise 2–4 Sätze. Er enthält keine Beispiele, Einschränkungen oder Ausgaberegeln.
header = '''
<header>
You are an expert technical writer specializing in API documentation.
Your task is to write clear, developer-friendly documentation
for the API endpoint described in the body of this prompt.
</header>
'''
print(header)Der Body-Abschnitt
Der Body enthält die Inhalte oder den Kontext, die das Modell zur Ausführung der Aufgabe benötigt. Dies ist der zentrale Datenbereich:
- Zu verarbeitende Quelldokumente
- Gesprächsverlauf
- Strukturierte Daten (JSON- und CSV-Ausschnitte)
- Referenzmaterial
- Die tatsächliche Eingabe des Benutzers
Der Body ist der größte Abschnitt und wird meist dynamisch zur Laufzeit eingefügt.
def build_body(endpoint_spec):
return f'''
<body>
<endpoint_specification>
{endpoint_spec}
</endpoint_specification>
</body>
'''
spec = 'POST /api/v2/users\nRequest body: {email: string, role: admin|user}\nReturns: {id: string, created_at: ISO8601}'
print(build_body(spec))Der Footer-Abschnitt
Der Footer enthält Anweisungen zum Format und das Ausgabeschema. Er steht am Ende, weil:
- das Modell den Kontext von oben nach unten liest und Formatierungsregeln auf das gerade verarbeitete Material anwendet
- Formatanweisungen am Ende seltener ignoriert werden
- der Footer häufig in Prompts mit demselben Ausgabetyp wiederverwendet werden kann
Der Footer sollte eindeutig sein: Geben Sie ein JSON-Objekt mit diesen Feldern zurück, nicht Formatieren Sie es ansprechend.
footer = '''
<footer>
Format your response as a JSON object with these fields:
{
"endpoint": "string",
"summary": "string (one sentence)",
"parameters": [{"name": "string", "type": "string", "required": true|false, "description": "string"}],
"response_example": "string (JSON)",
"error_codes": [{"code": "number", "meaning": "string"}]
}
Do not include any text outside the JSON object.
</footer>
'''
print(footer)Das vollständige Muster zusammensetzen
Header, Body und Footer zu einer vollständigen, wiederverwendbaren Prompt-Funktion kombinieren:
def build_api_doc_prompt(endpoint_spec):
header = '<header>\nYou are an expert technical writer. Document the API endpoint in the body.\n</header>'
body = f'<body>\n<endpoint>\n{endpoint_spec}\n</endpoint>\n</body>'
footer = '<footer>\nReturn JSON: {"summary": str, "parameters": [...], "response_example": str}\nNo text outside JSON.\n</footer>'
return '\n\n'.join([header, body, footer])
spec = 'GET /api/products/:id\nReturns product details by ID'
print(build_api_doc_prompt(spec))Warum diese Reihenfolge funktioniert
Die Reihenfolge Header/Body/Footer spiegelt wider, wie Modelle Kontext verarbeiten:
- Header zuerst — etabliert Identität und Ziel und stimmt das Modell auf das Folgende ein
- Body als Zweites — das Modell verarbeitet die Inhalte nun durch die Perspektive der festgelegten Rolle und Aufgabe
- Footer zuletzt — die Formatierungsanweisungen stehen unmittelbar vor der Antwortgenerierung des Modells, wodurch ihr Einfluss auf die Ausgabestruktur maximiert wird
Wenn Sie Formatierungsanweisungen in den Header (also an den Anfang) setzen, werden sie teilweise vergessen, bis das Modell seine Antwort verfasst.
Skalierung auf komplexe Prompts
Das Header/Body/Footer-Muster lässt sich problemlos auf komplexere Prompts übertragen:
def build_complex_prompt(persona, task, context_docs, constraints, output_schema):
header = f'<header>\n{persona}\nTask: {task}\n</header>'
docs = '\n'.join(f'<document id="{i+1}">\n{d}\n</document>' for i, d in enumerate(context_docs))
body = f'<body>\n{docs}\n</body>'
constraint_list = '\n'.join(f'- {c}' for c in constraints)
footer = f'<footer>\n<constraints>\n{constraint_list}\n</constraints>\n<output_schema>\n{output_schema}\n</output_schema>\n</footer>'
return '\n\n'.join([header, body, footer])Footer-Vorlagen wiederverwenden
Da der Footer die Ausgabestruktur definiert, ist er der am besten wiederverwendbare Abschnitt. Häufige Footer-Vorlagen:
FOOTER_JSON = '<footer>\nReturn a valid JSON object. No text outside JSON. No markdown code fences.\n</footer>'
FOOTER_MARKDOWN = '<footer>\nFormat your response as markdown.\nUse ## for section headers.\nUse bullet points for lists.\nMaximum 500 words.\n</footer>'
FOOTER_STRUCTURED = '<footer>\nRespond using this exact structure:\n1. Summary (1 sentence)\n2. Key Findings (bullet list)\n3. Recommendation (1 paragraph)\n</footer>'
print('Footer templates ready for reuse.')Dynamische Inhalte in den Body injizieren
Der Body ist der Abschnitt, der zur Laufzeit am häufigsten dynamisch erstellt wird. Best Practices für das dynamische Einfügen von Inhalten in den Body:
- Umschließen Sie eingefügte Inhalte immer mit benannten XML-Tags
- Bereinigen Sie Benutzereingaben vor dem Einfügen, um Prompt Injection zu verhindern
- Kürzen Sie sehr lange Dokumente und vermerken Sie die Kürzung im Body
- Kennzeichnen Sie jedes eingefügte Element eindeutig (document_1, user_query, chat_history)
def safe_inject(user_content, max_chars=3000):
safe = user_content.replace('<', '<').replace('>', '>')
if len(safe) > max_chars:
safe = safe[:max_chars] + '... [TRUNCATED]'
return f'<user_input>\n{safe}\n</user_input>'
raw = 'User provided text here. Could be very long.'
print(safe_inject(raw))Konsistente Struktur in der gesamten Codebasis
Die eigentliche Stärke des Header/Body/Footer-Musters zeigt sich, wenn Ihre gesamte Anwendung durchgängig dasselbe Muster verwendet. Vorteile:
- Neue Teammitglieder verstehen jeden Prompt sofort
- Prompt-Überprüfungen im Code-Review sind einfacher — Reviewer wissen genau, wo sie suchen müssen
- Automatisierte Tests können jeden Abschnitt unabhängig validieren
- Die Migration von Prompts zwischen Modellen ist unkompliziert — nur der Inhalt ändert sich, nicht die Struktur
Häufige Fehler bei Header/Body/Footer
Fehler, die die Wirksamkeit des Musters beeinträchtigen:
- Formatierungsanweisungen im Header — zu weit von der Antwortgenerierung entfernt; das Modell ignoriert sie teilweise
- Aufgabenbeschreibung im Body versteckt — das Modell behandelt sie möglicherweise als zu verarbeitende Daten statt als Anweisung
- Constraints über mehrere Abschnitte verteilt — schwer zu überprüfen und führt zu Widersprüchen
- Kein Footer — die Ausgabestruktur wird unvorhersehbar, wenn die Komplexität des Prompts zunimmt
Kurze Überprüfung
Wo sollten Anweisungen zum Ausgabeformat im Header/Body/Footer-Muster platziert werden und warum?
Header/Body/Footer — wichtigste Erkenntnisse
Das Header/Body/Footer-Muster überträgt die Strukturdisziplin von Dokumenten auf das Prompt Engineering:
- Header: Wer Sie sind + die Aufgabe — setzt den Rahmen für alles Folgende
- Body: Inhalte und Kontext — dynamisch eingefügt und in semantische XML-Tags eingeschlossen
- Footer: Formatierungsanweisungen und Ausgabeschema — wird zuletzt platziert, um die Ausgabestruktur maximal zu beeinflussen
- Das Muster lässt sich problemlos von einfachen auf hochkomplexe Prompts übertragen
- Footer-Vorlagen sind für Prompts mit demselben Ausgabetyp wiederverwendbar
- Durchgängigkeit in der Codebasis macht Prompts überprüfbar, testbar und wartbar
Lerne AI Prompt Engineering mit einem KI-Tutor — kostenlos
Schreibe und führe echten Code in deinem Browser aus, bekomme sofortige Hilfe von einem 24/7 KI-Tutor und setze dein Lernen im Web oder in der App fort.
- Kurse
- 53
- Lektionen
- 199
Häufig gestellte Fragen
Ist die Lektion „Prompt-Muster aus Kopf, Hauptteil und Fußbereich“ kostenlos?
Ja — der vollständige Text von „Prompt-Muster aus Kopf, Hauptteil und Fußbereich“ 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 „Prompt-Muster aus Kopf, Hauptteil und Fußbereich“?
Eine konsistente Prompt-Struktur, die sich auf komplexe Prompts mit mehreren Aufgaben übertragen lässt 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 3 von 4.
Wie lange dauert die Lektion „Prompt-Muster aus Kopf, Hauptteil und Fußbereich“?
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
- XML-Tags als Trennzeichen verwenden
- Modulare Prompt-Abschnitte
- Prompt-Muster aus Kopf, Hauptteil und Fußbereich
- Bewährte Methoden zur Prompt-Organisation