Modulare Prompt-Abschnitte
Trennen Sie Kontext, Anweisungen, Einschränkungen und Ausgabeformat klar voneinander
Modulare Prompt-Abschnitte ist eine kostenlose AI Prompt Engineering-Lektion auf CoddyKit. Dies ist Lektion 2 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 Problem monolithischer Prompts
Ein monolithischer Prompt stopft alles in einen Absatz: Hintergrund, Aufgabe, Regeln, Beispiele und Ausgabeformat sind miteinander vermischt. Je komplexer Prompts werden, desto mehr führt diese monolithische Struktur zu folgenden Problemen:
- Modelle wenden Regeln auf die falschen Abschnitte an
- Es ist schwierig zu ermitteln, welcher Teil eine fehlerhafte Ausgabe verursacht hat
- Prompt-Strings lassen sich nicht sinnvoll warten
- Inkonsistentes Verhalten zwischen verschiedenen Modellversionen
Modulare Prompts lösen all diese Probleme.
Die fünf zentralen Prompt-Abschnitte
Ein gut strukturierter Prompt besteht aus fünf klar getrennten Abschnitten, die jeweils einen eindeutigen Zweck haben:
- Kontext — Hintergrundinformationen, die das Modell zum Verständnis der Situation benötigt
- Aufgabe — was das Modell tun muss, klar formuliert
- Einschränkungen — Regeln und Grenzen für die Antwort
- Ausgabeformat — Struktur, Länge und Schema der erwarteten Antwort
- Beispiele — Demonstrationen des korrekten Verhaltens
Nicht jeder Prompt benötigt alle fünf Abschnitte. Verwenden Sie nur die notwendigen.
Kontextabschnitt
Der Kontextabschnitt stellt Hintergrundinformationen bereit, ohne dem Modell vorzuschreiben, was es tun soll. Ein guter Kontext umfasst:
- Wer der Endbenutzer ist
- Für welche Plattform oder welches Produkt der Prompt bestimmt ist
- Relevantes Fachwissen
- Jeden früheren Zustand, den das Modell kennen sollte
context_section = '''
<context>
You are assisting a customer support agent at a B2B SaaS company.
The company sells project management software used by engineering teams.
Customers are typically CTOs, engineering managers, or senior developers.
The support agent is handling a live chat conversation with a customer.
</context>
'''
print(context_section)Aufgabenabschnitt
Der Aufgabenabschnitt legt genau fest, was das Modell erzeugen muss. Er sollte spezifisch und handlungsorientiert sein und keine überflüssigen Hintergrundinformationen enthalten.
task_section = '''
<task>
Draft a response to the customer message below.
The response should:
1. Acknowledge the customer's issue
2. Provide a concrete next step
3. Set a realistic expectation for resolution time
</task>
<customer_message>
Our Gantt chart view stopped loading after the last update.
This is blocking our sprint planning session today.
</customer_message>
'''
print(task_section)Abschnitt zu den Einschränkungen
Einschränkungen definieren die Leitplanken – was das Modell NICHT tun darf und welche ausdrücklichen Grenzen es einhalten muss.
constraints_section = '''
<constraints>
- Do not promise a fix by a specific date unless you are certain.
- Do not mention competitor products by name.
- Keep the response under 100 words.
- Use a professional but empathetic tone.
- Do not ask the customer for information already provided in their message.
</constraints>
'''
print(constraints_section)Abschnitt zum Ausgabeformat
Der Abschnitt zum Ausgabeformat teilt dem Modell genau mit, wie es seine Antwort strukturieren soll – etwa als JSON-Schema, mit Markdown-Überschriften, als einfachen Text oder als nummerierte Liste.
output_format_section = '''
<output_format>
Respond with a JSON object containing:
{
"subject": "string (email subject line)",
"body": "string (email body, plain text, under 150 words)",
"priority": "high | medium | low",
"escalate": true | false
}
Do not include any text outside the JSON object.
</output_format>
'''
print(output_format_section)Beispielabschnitt
Beispiele zeigen dem Modell ein korrektes Eingabe-Ausgabe-Paar. Platzieren Sie Beispiele nach den Einschränkungen, damit das Modell die Regeln vor der Demonstration sieht.
examples_section = '''
<examples>
<example>
<input>Customer: My invoices are not downloading.</input>
<output>{
"subject": "Invoice Download Issue",
"body": "Thank you for reaching out. We see the issue with invoice downloads and our team is investigating. We expect a fix within 2 hours. We will email you once resolved.",
"priority": "high",
"escalate": true
}</output>
</example>
</examples>
'''
print(examples_section)Einen modularen Prompt zusammensetzen
Der modulare Ansatz macht das Zusammensetzen und Bearbeiten unkompliziert. Jeder Abschnitt kann unabhängig geändert werden.
def build_support_prompt(customer_message):
context = '<context>B2B SaaS customer support for project management software.</context>'
task = f'<task>Draft a JSON response to this customer message.</task>\n<customer_message>{customer_message}</customer_message>'
constraints = '<constraints>Under 100 words. Professional tone. No competitor names.</constraints>'
output_fmt = '<output_format>Return JSON: {"subject": str, "body": str, "priority": str, "escalate": bool}</output_format>'
return '\n\n'.join([context, task, constraints, output_fmt])
message = 'The Gantt chart stopped loading after your last update.'
print(build_support_prompt(message))Vorteile beim Debugging
Wenn ein modularer Prompt eine fehlerhafte Ausgabe erzeugt, können Sie den problematischen Abschnitt isolieren:
- Wurde die falsche Aufgabe ausgeführt? — Überprüfen Sie den Aufgabenabschnitt
- Wurde eine Regel verletzt? — Überprüfen Sie den Abschnitt zu den Einschränkungen
- Ist die Ausgabestruktur falsch? — Überprüfen Sie den Abschnitt zum Ausgabeformat
- Ist die Qualität unzureichend? — Überprüfen Sie den Beispielabschnitt oder fügen Sie mehr Kontext hinzu
Sie können jeweils einen Abschnitt ändern und erneut testen, ohne den gesamten Prompt neu zu schreiben.
Vorteile bei der Wartung
Modulare Prompts, die als strukturierte Objekte oder Funktionen gespeichert sind, lassen sich deutlich einfacher warten als lange String-Literale:
- Aktualisieren Sie den Kontext, wenn sich Ihr Produkt ändert, ohne die Aufgabenlogik anzufassen
- Wechseln Sie das Ausgabeformat von JSON zu Markdown, ohne die Einschränkungen zu ändern
- Testen Sie verschiedene Beispielsätze per A/B-Test, während alles andere konstant bleibt
- Verwalten Sie einzelne Abschnitte unabhängig voneinander in der Versionskontrolle
class Prompt:
def __init__(self):
self.context = ''
self.task = ''
self.constraints = []
self.output_format = ''
self.examples = []
def build(self):
parts = []
if self.context:
parts.append(f'<context>\n{self.context}\n</context>')
if self.task:
parts.append(f'<task>\n{self.task}\n</task>')
if self.constraints:
c = '\n'.join(f'- {r}' for r in self.constraints)
parts.append(f'<constraints>\n{c}\n</constraints>')
if self.output_format:
parts.append(f'<output_format>\n{self.output_format}\n</output_format>')
return '\n\n'.join(parts)Wann Sie Abschnitte überspringen sollten
Nicht jeder Prompt benötigt alle fünf Abschnitte. Nutzen Sie diesen Leitfaden:
- Kontext überspringen, wenn die Aufgabe selbsterklärend ist (z. B. diesen Satz übersetzen)
- Einschränkungen überspringen bei einfachen Extraktionsaufgaben ohne Sonderfälle
- Beispiele überspringen, wenn die Aufgabe unkompliziert ist oder das Modell sie bereits im Zero-Shot-Modus gut ausführt
- Aufgabe und Ausgabeformat immer einschließen – dies sind die minimal erforderlichen Abschnitte
Eine übermäßig detaillierte Gestaltung einfacher Prompts fügt ohne Nutzen überflüssige Informationen hinzu.
Schnellcheck
Ein modularer Prompt erzeugt eine falsche Ausgabestruktur. Welchen Abschnitt sollten Sie zuerst überprüfen?
Modulare Abschnitte – die wichtigsten Erkenntnisse
Modulare Prompt-Abschnitte bilden die Grundlage für wartbares und gut debuggbares Prompt Engineering:
- Fünf zentrale Abschnitte: Kontext, Aufgabe, Einschränkungen, Ausgabeformat und Beispiele
- Jeder Abschnitt hat eine einzige Zuständigkeit – ihre Vermischung führt zu Verwirrung
- Eine modulare Struktur ermöglicht Debugging und A/B-Tests Abschnitt für Abschnitt
- Speichern Sie Prompts als strukturierte Objekte oder Funktionen und nicht als reine Strings
- Überspringen Sie nicht benötigte Abschnitte – eine übermäßig detaillierte Gestaltung fügt überflüssige Informationen hinzu
- Schließen Sie bei jedem nichttrivialen Prompt mindestens Aufgabe und Ausgabeformat ein
Häufig gestellte Fragen
Ist die Lektion „Modulare Prompt-Abschnitte“ kostenlos?
Ja — der vollständige Text von „Modulare Prompt-Abschnitte“ 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 „Modulare Prompt-Abschnitte“?
Trennen Sie Kontext, Anweisungen, Einschränkungen und Ausgabeformat klar voneinander 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 2 von 4.
Wie lange dauert die Lektion „Modulare Prompt-Abschnitte“?
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