Prompt-Techniken im Überblick

In diesem Artikel lernen Sie die wichtigsten benannten Prompt-Techniken kennen, von Zero-Shot bis ReAct, jeweils mit einem Beispiel und dem Hinweis, wann sich welche Technik lohnt und wo hermine.ai sie Ihnen bereits abnimmt.

Warum mehrere Techniken?

Je komplexer oder spezifischer Ihre Aufgabe, desto stärker profitiert das Sprachmodell von zugeschnittenen Anweisungen. Zero-Shot genügt für Standard-Fragen, Few-Shot sorgt für Format-Treue, Chain-of-Thought für transparentes Denken, und ReAct bindet externe Tools an. Jede Methode behebt typische Schwächen (Halluzinationen, Rechenfehler, fehlendes Kontextwissen) auf eigene Weise.

Zero-Shot Prompting

Wann? Ideal für allgemeine Aufgaben ohne Nuancen: Klassifizieren, Übersetzen, Fakten abrufen. Keine Beispiele nötig, das Modell nutzt sein Weltwissen.

Beispiel: Kundenfeedback klassifizieren

Klassifizieren Sie den Satz als zufrieden, neutral oder unzufrieden:
"Der Service heute war wirklich hervorragend."

Antwort

zufrieden

Few-Shot Prompting

Wann? Liefert dem Modell 2 bis 5 Demonstrationen, damit es Muster und Ausgabeformat sicher trifft. Besonders hilfreich bei feinen Abstufungen oder strengen Formatvorgaben, etwa wenn der Kundenservice Feedback in ein festes Raster einsortieren soll.

Beispiel: Stimmung (4 Shots)

Ordnen Sie die Stimmung zu (sehr zufrieden | zufrieden | neutral | unzufrieden | sehr unzufrieden)
"Toller Service." → sehr zufrieden
"War ganz okay." → neutral
"Sehr enttäuschend." → sehr unzufrieden
"Ich komme gern wieder." → sehr zufrieden
"Hat meine Erwartungen erfüllt." →

Antwort

zufrieden

Tipp: Bewährte Few-Shot-Muster eignen sich perfekt als Prompt-Vorlage: Die Beispiele bleiben fix, nur der neue Eingabetext wird ausgetauscht.

Chain-of-Thought (CoT)

Wann? „Denken Sie Schritt für Schritt" zwingt das Modell, Zwischenschritte auszuformulieren. Die Fehlerrate bei Mathe- oder Logikaufgaben sinkt deutlich.

Beispiel: Rechenweg

Berechnen Sie 645 × 47. Denken Sie Schritt für Schritt und zeigen Sie jeden Zwischenschritt.

Antwort (gekürzt)

1) 645 × 50 = 32 250
2) 645 × 3  = 1 935
3) 32 250 − 1 935 = 30 315
=> Ergebnis: 30 315

Hinweis: Bei Reasoning-Modellen mit dem Badge Denkmodus ist die Aufforderung „Denken Sie Schritt für Schritt" unnötig, diese Modelle denken intern. CoT lohnt sich vor allem bei Instant-Modellen.

Step-Back Prompting

Wann? In zwei Phasen: erst generelle Überlegungen, dann Detailfrage. Das aktiviert Hintergrundwissen und verbessert komplexe Analyse-Aufgaben, zum Beispiel in der Personalarbeit.

Beispiel

1. Prompt A

Welche Faktoren beeinflussen die Mitarbeiterbindung in mittelständischen Unternehmen?

2. Prompt B (mit Antwort aus A)

Wenden Sie diese Faktoren auf unser Vertriebsteam an (12 Personen, hohe Reisetätigkeit, zwei Kündigungen im letzten Quartal) und schlagen Sie drei konkrete Maßnahmen vor.

Self-Consistency

Wann? Sie rufen denselben Prompt mehrmals auf, sammeln verschiedene Reasoning-Wege und wählen das häufigste Ergebnis, das ist statistisch meist korrekt.

Beispiel: Mehrheitsvotum (Kurzskizze)

1. Prompt „Berechnen Sie 23²" → Modell-Antworten (529, 529, 530, 529, …)
2. Mehrheitswert 529 wird akzeptiert.

In hermine.ai erreichen Sie denselben Effekt ganz einfach, indem Sie den Prompt mehrfach senden und die Antworten vergleichen. Oder Sie wählen gleich ein Reasoning-Modell mit Denkdauer Umfassend, das mehrere Lösungswege intern abwägt.

Tree of Thoughts (ToT)

Wann? Verzweigt Chain-of-Thought zu mehreren Pfaden, sinnvoll bei Planungs- oder Optimierungsproblemen, wo unterschiedliche Lösungswege existieren.

Mini-Beispiel: Budgetverteilung
Aufgabe: 50.000 € Marketingbudget auf Messe, Online-Werbung und Content verteilen.
Das Modell entwirft mehrere Verteilungsszenarien (messelastig, digital-first, ausgewogen), bewertet jedes gegen die Ziele (Leads, Sichtbarkeit, Kosten pro Kontakt) und empfiehlt den besten Pfad.

Auch hier gilt: Reasoning-Modelle mit dem Badge Denkmodus übernehmen dieses Abwägen mehrerer Pfade intern, ein manueller ToT-Prompt ist selten nötig.

ReAct & Tool-Nutzung

Wann? ReAct (Reasoning + Acting) kombiniert Denkschritte mit Aktionen: Das Modell überlegt, nutzt ein Tool (z. B. eine Websuche), bewertet das Ergebnis und denkt weiter. So bekommt es Zugriff auf aktuelles Wissen und externe Fähigkeiten.

In hermine.ai müssen Sie ReAct nicht selbst prompten: Tools wie die Websuche oder Wissensdatenbanken übernehmen das automatisch. Das Modell entscheidet selbst, wann es ein Tool aufruft. Einen Überblick über alle verfügbaren Tools finden Sie unter Tools im Überblick. Für mehrstufige Web-Recherchen mit Quellenbericht gibt es zusätzlich Deep Research.

Technik-Auswahl auf einen Blick

Fazit

Mit diesen Techniken passen Sie das Verhalten des Sprachmodells flexibel an Ihre Anforderungen an, von der einfachen Klassifikation bis zur agentengesteuerten Webrecherche. Experimentieren Sie, kombinieren Sie nach Bedarf, und bauen Sie Ihre persönliche Prompt-Toolbox kontinuierlich aus.

Weiterlesen: Wie Sie Techniken zu Mehrschritt-Workflows kombinieren, zeigt Fortgeschrittenes Prompting. Wann sich ein Denkmodell lohnt, erklärt Reasoning-Modelle verstehen und einsetzen.