# LLM Prompting: Strategien nach Anthropic-Prinzipien - (28.05.2025) > [!tldr]- TL;DR > Effektives LLM-Prompting ist entscheidend, um das volle Potenzial von Sprachmodellen auszuschöpfen und präzise, relevante Ergebnisse zu erzielen. Dieser Beitrag beleuchtet Kernstrategien nach Anthropic-Prinzipien: Formuliere Anweisungen klar und spezifisch, weise dem LLM eine Rolle zu, um Stil und Kontext zu steuern, und nutze Beispiele (Few-Shot Learning) zur Verdeutlichung. Verbessere die Ergebnisse weiter, indem du strukturierte Formate wie XML einsetzt, komplexe Aufgaben in handhabbare Teilschritte zerlegst und das Modell dazu anregst, seinen Denkprozess offenzulegen (Chain of Thought), um so die Qualität, Kontrolle und Nachvollziehbarkeit der generierten Antworten signifikant zu steigern. Wer bereits mit Large Language Models (LLMs) gearbeitet hat, weiss um ihre beeindruckenden Fähigkeiten. Doch das volle Potenzial dieser mächtigen Werkzeuge entfaltet sich oft erst durch präzise und durchdachte Anweisungen: das sogenannte Prompting. Effektives Prompting ist dabei der Schlüssel, um die "Intelligenz" eines LLMs gezielt zu lenken. Es geht darum, dem Modell nicht nur zu sagen, _was_ es tun soll, sondern auch _wie_. Ein gut formulierter Prompt kann den Unterschied ausmachen zwischen einer generischen, unbrauchbaren Antwort und einer präzisen, hilfreichen und kontextuell passenden Ausgabe. Für Entwickler bedeutet dies, die Qualität, Relevanz und Sicherheit der generierten Inhalte direkt beeinflussen zu können und so das LLM optimal in Applikationen und Workflows zu integrieren. Oft liegt die Ursache für nicht zufriedenstellende Ergebnisse, seien sie zu vage, im falschen Format oder am Kern der Anfrage vorbei, nämlich in der Formulierung des Prompts. Dieser Beitrag fokussiert darauf, wie du deine Kompetenzen im Prompting gezielt verfeinern und die Qualität deiner Anweisungen so steigern kannst, dass das LLM sein volles Potenzial für deine Anfragen ausschöpft. Wir werden tief in die Kernprinzipien des effektiven Promptings nach Anthropic eintauchen. Du lernst, präzisere Anweisungen durch Klarheit und Rollenzuweisung zu geben, die Wirkung von Beispielen (Few-Shot Learning) zu nutzen, wie strukturierte Daten und das Zerlegen komplexer Aufgaben die Ergebnisse verbessern und das Anregen von Denkprozessen (Chain of Thought). ## Kernprinzipien des Effektiven Promptings (basierend auf Anthropic) ### Klarheit & Spezifität (Be clear and direct) Das Fundament erfolgreichen Promptings ist die Klarheit und Spezifität deiner Anweisungen. Kommuniziere deine Absichten dem LLM so präzise und unmissverständlich wie möglich, vermeide Vagheiten oder unnötig komplexe Sprache. Je genauer du die erwartete Ausgabe definierst, desto wahrscheinlicher ist das gewünschte Ergebnis. Überlege, welche Informationen das Modell benötigt, um deine Anfrage vollständig zu erfassen und adäquat zu bearbeiten.[^1] #### Die Vorteile präziser Prompts Klare und spezifische Prompts zahlen sich aus: Sie **reduzieren Missverständnisse**, da das LLM die Anfrage seltener falsch interpretiert und passgenauere Ergebnisse liefert. Sie **erhöhen die Relevanz** der Antworten durch fokussierte Ausgaben. Zudem **sparst du Zeit und Iterationen**, da brauchbare Resultate schneller erzielt und Nachbesserungen reduziert werden. Schliesslich ermöglichen präzise Vorgaben eine **bessere Kontrolle** über Stil, Format und Inhalt der generierten Texte. ### Rollenzuweisung (System Prompts) Eine weitere wirkungsvolle Technik, um die Antworten eines LLMs zu steuern, ist die Zuweisung einer spezifischen Rolle oder Persönlichkeit. Indem du dem Modell vorgibst, als wer oder was es antworten soll, kannst du den Ton, den Stil und sogar den Fokus der generierten Inhalte massgeblich beeinflussen. Dies ist besonders nützlich, wenn du Antworten benötigst, die einem bestimmten Kontext oder einer bestimmten Expertise entsprechen sollen. System Prompts sind hier oft das Mittel der Wahl, um dem Modell diese Rolle über eine gesamte Konversation hinweg zuzuweisen.[^2] #### Die Stärken der Rollenzuweisung Die Zuweisung einer Rolle an das LLM bietet mehrere Vorteile. Sie ermöglicht eine **verbesserte Kontextualisierung** der Antworten; das Modell agiert innerhalb des definierten Rahmens und liefert dadurch passendere Informationen. Des Weiteren führt es oft zu einem **angepassteren und konsistenteren Antwortstil**. Wenn das LLM beispielsweise als "freundlicher Kundendienstmitarbeiter" agieren soll, wird es diesen Tonfall beibehalten. Dies kann die **Glaubwürdigkeit und Nützlichkeit** der Antworten erhöhen, insbesondere wenn eine bestimmte Expertise oder Perspektive gefragt ist. Schliesslich kann die Rollenzuweisung auch die **Kreativität und den Detailgrad** der Antworten positiv beeinflussen, da das Modell versucht, die Erwartungen an die zugewiesene Rolle zu erfüllen. ### Nutzung von Beispielen (One-Shot/Multishot Learning) LLMs lernen effektiv durch Beispiele. Indem du dem Modell ein oder mehrere Beispiele (One-Shot oder Multishot Learning) für das gewünschte Ausgabeformat oder den Inhalt gibst, kannst du es präzise darauf konditionieren, was du erwartest. Diese Technik ist besonders mächtig, wenn es um spezifische Formatierungen, einen bestimmten Antwortstil oder die Lösung von Aufgaben geht, die schwer allein durch Instruktionen zu vermitteln sind. Das Modell erkennt Muster in den Beispielen und versucht, diese auf neue, ähnliche Anfragen anzuwenden.[^3] #### Die Vorteile des beispielbasierten Lernens Die Bereitstellung von Beispielen im Prompt bietet signifikante Vorteile. Sie führt zu einer **deutlich verbesserten Genauigkeit bei spezifischen Formaten**, da das Modell das gewünschte Schema direkt aus dem Beispiel ableiten kann. Ausserdem ermöglicht es eine **effektive Steuerung des Stils und Tons** der Antwort, indem du Beispiele lieferst, die diesen Stil widerspiegeln. Bei komplexeren Aufgaben, bei denen die reine Beschreibung der Aufgabe schwierig ist, können Beispiele dem LLM helfen, das **gewünschte Verhalten schneller zu erlernen** und die Aufgabe korrekt zu lösen. Dies **reduziert oft die Ambiguität** und führt zu konsistenteren und vorhersagbareren Ergebnissen. ### Strukturierte Ein-/Ausgaben (z.B. XML-Tags) Die Verwendung strukturierter Formate wie XML-Tags oder JSON in deinen Prompts und bei der Definition der erwarteten Ausgabe kann die Klarheit und Präzision der LLM-Antworten erheblich verbessern. Indem du verschiedene Teile deines Prompts (z.B. Kontext, Frage, Formatierungsanweisungen) oder die gewünschten Elemente der Antwort explizit mit Tags versiehst, gibst du dem Modell eine klare Struktur vor. Dies hilft dem LLM, die einzelnen Komponenten deiner Anfrage besser zu verstehen und die Antwort entsprechend zu gliedern.[^4] #### Die Vorteile strukturierter Daten Der Einsatz strukturierter Formate in Prompts bringt mehrere Vorteile mit sich. Er führt zu einer **verbesserten Interpretierbarkeit** der Anfrage durch das LLM, da die einzelnen Informationsblöcke klar abgegrenzt sind. Dies wiederum ermöglicht eine **präzisere Steuerung der Ausgabe**, insbesondere wenn du spezifische Formate wie JSON oder XML für die Antwort erwartest. Komplexe Anfragen lassen sich durch Strukturierung **übersichtlicher gestalten**, was die Fehleranfälligkeit reduziert. Für Entwickler ist es zudem oft **einfacher, die Antworten maschinell weiterzuverarbeiten**, wenn diese in einem wohldefinierten, strukturierten Format vorliegen. ### Herunterbrechen komplexer Aufgaben (Break down complex tasks) Sehr umfangreiche oder vielschichtige Aufgabenstellungen können ein LLM schnell überfordern, wenn sie in einem einzigen, monolithischen Prompt präsentiert werden. Eine effektivere Strategie ist es, solche komplexen Aufgaben in kleinere, logisch zusammenhängende Teilaufgaben zu zerlegen. Jeder dieser Teilschritte kann dann mit einem eigenen, fokussierten Prompt bearbeitet werden. Oft baut dabei die Ausgabe eines Prompts auf der des vorherigen auf, wodurch eine schrittweise Bearbeitung der Gesamtaufgabe ermöglicht wird.[^5] #### Die Vorteile der Aufgabenzerlegung Das Herunterbrechen komplexer Aufgaben bietet entscheidende Vorteile. Es führt zu einer **verbesserten Genauigkeit und Qualität** der Ergebnisse, da sich das LLM auf jeden Teilschritt konzentrieren kann. Die **Komplexität für das Modell wird reduziert**, was die Verarbeitung erleichtert und die Fehleranfälligkeit senkt. Du erhältst eine **bessere Kontrollierbarkeit** über den gesamten Prozess, da du jeden Schritt einzeln steuern und bei Bedarf korrigierend eingreifen kannst. Dies erhöht die **Erfolgsquote bei sehr grossen oder vielschichtigen Aufgaben** signifikant, da das Risiko minimiert wird, dass das LLM "den Faden verliert". Letztlich ermöglicht diese Methode die **Bearbeitung von Aufgaben**, die in einem einzelnen Prompt schlichtweg nicht realisierbar wären. ### Anregen von Denkprozessen (Chain of Thought / Show your work) Bei komplexen Anfragen, die logisches Schlussfolgern oder mehrstufige Berechnungen erfordern, kann es hilfreich sein, das LLM explizit dazu aufzufordern, seinen "Denkprozess" offenzulegen, bevor es die endgültige Antwort gibt. Diese Technik, oft als "Chain of Thought" (CoT) oder "Show your work" bezeichnet, instruiert das Modell, die einzelnen Schritte seiner Überlegungen oder Berechnungen darzulegen. Dies führt oft zu präziseren und nachvollziehbareren Ergebnissen, da das Modell gezwungen wird, strukturierter vorzugehen.[^6] #### Die Vorteile des schrittweisen Denkens Das Anregen von Denkprozessen im LLM bietet klare Vorteile. Es führt oft zu einer **höheren Genauigkeit bei komplexen Problemlösungen**, da das Modell die Aufgabe systematischer angeht. Die Antworten werden **nachvollziehbarer und transparenter**, da der Lösungsweg offengelegt wird. Dies erleichtert auch die **Fehleranalyse und -korrektur**: Wenn das Endergebnis falsch ist, kann man anhand der Zwischenschritte oft erkennen, wo der Denkfehler des Modells lag. Für den Entwickler bedeutet dies eine bessere Möglichkeit, die Logik des LLMs zu verstehen und Prompts entsprechend zu optimieren. Insbesondere bei mathematischen, logischen oder mehrstufigen Planungsaufgaben kann diese Technik die Qualität der Ergebnisse signifikant verbessern. ## Fazit Um das volle Potenzial von Large Language Models auszuschöpfen, ist gutes und durchdachtes Prompting unerlässlich. Dieser Beitrag hat dir gezeigt, wie du durch die Anwendung zentraler Prinzipien, von maximaler Klarheit und Spezifität über die Zuweisung von Rollen und die Nutzung von Beispielen bis hin zur Strukturierung deiner Anfragen und dem Herunterbrechen komplexer Aufgaben, die Qualität deiner LLM-Antworten signifikant steigerst. --- *Dieser Blog wurde mit Hilfe von KI geschrieben.* [^1]: vgl. Be clear, direct, and detailed, in: Anthropic Developer Guide, 28.05.2025, https://docs.anthropic.com/en/docs/build-with-claude/prompt-engineering/be-clear-and-direct [^2]: vgl. Giving Claude a role with a system prompt, in: Anthropic Developer Guide, 28.05.2025, https://docs.anthropic.com/en/docs/build-with-claude/prompt-engineering/system-prompts [^3]: vgl. Use examples (multishot prompting) to guide Claude's behavior, in: Anthropic Developer Guide, 28.05.2025, https://docs.anthropic.com/en/docs/build-with-claude/prompt-engineering/multishot-prompting [^4]: vgl. Use XML tags to structure your prompts, in: Anthropic Developer Guide, 28.05.2025, https://docs.anthropic.com/en/docs/build-with-claude/prompt-engineering/use-xml-tags [^5]: Chain complex prompts for stronger performance, in: Anthropic Developer Guide, 28.05.2025, https://docs.anthropic.com/en/docs/build-with-claude/prompt-engineering/chain-prompts [^6]: vgl. Let Claude think (chain of thought prompting) to increase performance, in: Anthropic Developer Guide, 28.05.2024, https://docs.anthropic.com/en/docs/build-with-claude/prompt-engineering/chain-of-thought