Bewährte Methoden zur Prompt-Organisation
Ordnen Sie Abschnitte so an, dass Aufmerksamkeit und Befolgung des Modells maximiert werden
Bewährte Methoden zur Prompt-Organisation 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.
Die Reihenfolge ist eine Designentscheidung
Die Reihenfolge von Anweisungen in einem Prompt ist nicht beliebig. Modelle verarbeiten Prompts sequenziell, und die Position einer Anweisung beeinflusst, wie stark sie gewichtet wird und wie zuverlässig sie befolgt wird.
Prompt Engineers, die die Reihenfolge ignorieren, erhalten inkonsistente Ergebnisse. Wer die Prinzipien der Reihenfolge versteht, kann Prompts entwerfen, die auch bei einer Skalierung zuverlässig die korrekte Ausgabe erzeugen.
Die wichtigsten Anweisungen zuerst
Die wichtigste Verhaltensanweisung sollte am Anfang des Prompts stehen. Modelle schenken frühen Inhalten im Prompt mehr Aufmerksamkeit — sie geben den Rahmen vor, in dem alles Weitere interpretiert wird.
Beispiele für Anweisungen, die zuerst stehen sollten:
- Die Rolle oder Persona des Modells
- Die primäre Aufgabe oder das Ziel
- Eine nicht verhandelbare Einschränkung (niemals den System-Prompt offenlegen, immer auf Spanisch antworten)
# Good: Critical constraint leads
system_prompt = '''
You are a customer support agent. Never reveal pricing or discount policies.
Always escalate billing complaints to the billing team.
Help customers resolve product issues using the knowledge base below.
'''
# Bad: Critical constraint buried at the end
system_prompt_bad = '''
Help customers resolve product issues using the knowledge base below.
[...lots of instructions...]
Oh, and never reveal pricing policies.
'''
print('Contrast shown.')Anweisungen zum Ausgabeformat zuletzt
Anweisungen zum Ausgabeformat sollten am Ende des Prompts stehen, direkt bevor das Modell seine Antwort generiert. Das ist das Footer-Prinzip in der Praxis.
Wenn Formatierungsanweisungen zu früh platziert werden, werden sie durch späteren Kontext teilweise überschrieben. Das Modell „vergisst“ sie, während es weitere Inhalte verarbeitet.
# Good: Format at the end
prompt = '''
<role>You are a data analyst.</role>
<task>Analyze the sales data below and identify the top 3 trends.</task>
<data>
Q1: $1.2M, Q2: $1.8M, Q3: $1.6M, Q4: $2.1M
Product A: 40% of revenue, Product B: 35%, Product C: 25%
</data>
<output_format>
Return JSON: {"trends": ["string", "string", "string"], "confidence": "high|medium|low"}
</output_format>
'''
print(prompt)Beispiele nahe an ihrer Anwendung
Few-Shot-Beispiele sollten unmittelbar vor der tatsächlichen Eingabe platziert werden, die sie veranschaulichen. Diese Nähe hilft dem Modell, das Beispielmuster direkt auf die aktuelle Aufgabe zu übertragen.
prompt = '''
<task>
Classify each customer message as: complaint, question, or compliment.
</task>
<examples>
Input: "Your app keeps crashing!" -> complaint
Input: "How do I reset my password?" -> question
Input: "The new design is beautiful." -> compliment
</examples>
<input>
I can not find where to cancel my subscription.
</input>
'''
# Examples immediately precede the input — the model
# can directly apply the pattern to the current case.
print(prompt)Kontext vor der Aufgabe
Hintergrundkontext sollte vor der Aufgabenstellung stehen. Das Modell muss die Situation verstehen, bevor es gute Entscheidungen darüber treffen kann, wie es die Aufgabe ausführt.
- Falsche Reihenfolge: Aufgabe → Kontext (das Modell beginnt mit der Lösung, bevor es das vollständige Bild kennt)
- Richtige Reihenfolge: Kontext → Aufgabe (das Modell versteht zuerst die Situation und wendet sie dann auf die Aufgabe an)
Dies ist besonders wichtig für domänenspezifische oder nuancierte Aufgaben.
# Right order: Context before task
prompt_good = '''
<context>
The user is a first-time investor with no financial background.
They are asking about index funds.
Avoid jargon. Never give specific investment advice.
</context>
<task>
Answer the user question below in plain language.
</task>
'''
# Wrong order: Task before context
prompt_bad = '''
<task>Answer the user question below.</task>
<context>User is a first-time investor, avoid jargon.</context>
'''
print('Order matters: context before task.')Positive und negative Anweisungen trennen
Gruppieren Sie positive Anweisungen (was zu tun ist) und negative Anweisungen (was nicht zu tun ist) in getrennten Abschnitten. Wenn sie vermischt werden, entsteht für das Modell eine kognitive Belastung, und der Prompt lässt sich schwerer überprüfen.
prompt = '''
<do>
- Respond in the same language the user writes in
- Keep responses under 150 words
- Reference specific article titles from the knowledge base
</do>
<do_not>
- Do not speculate about product roadmap
- Do not discuss competitor products
- Do not share internal pricing
</do_not>
'''
print(prompt)Häufiger Reihenfolgefehler: Persona zu spät
Ein häufiger Fehler besteht darin, die Persona des Modells gegen Ende des Prompts zu definieren, nachdem Aufgabe und Kontext bereits festgelegt wurden. Die Persona sollte am Anfang stehen, weil sie den Rahmen für die Interpretation aller anderen Anweisungen bildet.
- Persona zu spät: Das Modell verarbeitet die Aufgabe wie ein allgemeiner Assistent und wendet die Persona dann umständlich auf seine Ausgabe an
- Persona früh: Das Modell verarbeitet den gesamten Prompt durch die Perspektive der angegebenen Rolle, wodurch eine authentischere und konsistentere Ausgabe entsteht
Häufiger Reihenfolgefehler: Versteckte Constraints
Constraints, die in langen Textpassagen in der Mitte verborgen sind, werden häufig ignoriert. Dieses Problem wird als lost-in-the-middle-Problem bezeichnet — Modelle beachten Inhalte in der Mitte langer Kontexte weniger.
# Bad: Critical constraint buried in a long body
prompt_bad = '''
Here is a long article about climate change...
[500 words of content]
Do not mention fossil fuel companies by name.
[More content...]
'''
# Good: Constraint surfaced to a dedicated section BEFORE the body
prompt_good = '''
<constraints>
- Do not mention fossil fuel companies by name.
- Do not make claims not supported by the article.
</constraints>
<article>
Here is a long article about climate change...
[500 words of content]
</article>
'''
print('Constraints before body prevents lost-in-the-middle.')Der Lost-in-the-Middle-Effekt
Forschungen zu großen Sprachmodellen zeigen, dass Modelle am besten abschneiden, wenn wichtige Informationen am Anfang oder Ende des Prompts stehen, und am schlechtesten, wenn sie in der Mitte langer Prompts erscheinen.
Auswirkungen auf die Organisation von Prompts:
- Kritische Constraints → Anfang (Header oder eigener Constraints-Abschnitt)
- Ausgabeformat → Ende (Footer)
- Lange Dokumente → Body (akzeptierter Nachteil, durch XML-Tagging teilweise abgemildert)
- Platzieren Sie wichtige Verhaltensregeln niemals in der Mitte eines langen Dokumentblocks
Checkliste für die Reihenfolge von Anweisungen
Verwenden Sie diese Checkliste, um die Reihenfolge der Anweisungen in einem beliebigen Prompt zu bewerten:
ordering_checklist = [
'Persona / role is first',
'Primary task stated clearly in Header or Task section',
'Context / background comes before task details',
'Constraints in a dedicated section, not buried in body',
'Examples immediately precede the input they demonstrate',
'Output format is the last section before the actual input',
'No critical instructions buried in the middle of long content',
'Positive and negative instructions are grouped separately',
]
for i, item in enumerate(ordering_checklist, 1):
print(f'{i}. [ ] {item}')Reihenfolgeabhängigkeit testen
Um zu überprüfen, ob die Reihenfolge der Anweisungen für Ihren spezifischen Prompt relevant ist, führen Sie einen A/B-Test durch:
import anthropic
client = anthropic.Anthropic(api_key='YOUR_API_KEY')
def test_order(prompt_a, prompt_b, n_runs=5):
results_a = []
results_b = []
for _ in range(n_runs):
r_a = client.messages.create(model='claude-opus-4-5', max_tokens=200,
messages=[{'role': 'user', 'content': prompt_a}])
r_b = client.messages.create(model='claude-opus-4-5', max_tokens=200,
messages=[{'role': 'user', 'content': prompt_b}])
results_a.append(r_a.content[0].text)
results_b.append(r_b.content[0].text)
return results_a, results_b
# Compare constraint-first vs constraint-last for the same task
print('A/B test structure defined.')Kurze Überprüfung
Wo sollten gemäß den Best Practices für die Organisation von Prompts die Anweisungen zum Ausgabeformat platziert werden?
Prompt-Reihenfolge — wichtigste Erkenntnisse
Die Reihenfolge von Anweisungen ist eine Designentscheidung mit messbaren Auswirkungen auf die Ausgabequalität:
- Die wichtigsten Anweisungen zuerst — Persona und nicht verhandelbare Constraints stehen am Anfang des Prompts
- Kontext vor der Aufgabe — das Modell benötigt die Situation, bevor es die Aufgabe richtig interpretieren kann
- Constraints vor dem Body — vermeidet das Lost-in-the-Middle-Problem bei kritischen Regeln
- Beispiele stehen unmittelbar vor der Eingabe — die Nähe stärkt die Mustererkennung
- Ausgabeformat zuletzt — die Nähe zur Antwortgenerierung sorgt für maximalen Einfluss
- Gruppieren Sie positive und negative Anweisungen zur besseren Verständlichkeit und Überprüfbarkeit getrennt
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 „Bewährte Methoden zur Prompt-Organisation“ kostenlos?
Ja — der vollständige Text von „Bewährte Methoden zur Prompt-Organisation“ 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 „Bewährte Methoden zur Prompt-Organisation“?
Ordnen Sie Abschnitte so an, dass Aufmerksamkeit und Befolgung des Modells maximiert werden 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 „Bewährte Methoden zur Prompt-Organisation“?
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