Snack 15 – Prompt-Struktur für komplexe Aufgaben

Wenn Aufgaben komplex werden (mehrere Ziele, Constraints, Zwischenschritte, Tools, Risiko), scheitern „ein Satz reicht“-Prompts oft nicht an der Modellfähigkeit, sondern an fehlender Struktur. Eine gute Prompt-Struktur macht drei Dinge: (1) sie reduziert Interpretationsspielraum, (2) sie erzwingt prüfbare Zwischenartefakte, (3) sie trennt Denken/Ausführung/Validierung so, dass Fehler früh sichtbar werden.

1) Vom Wunschtext zur Spezifikation

Starte mit einem klaren Outcome (was soll am Ende vorliegen?) und direkt danach Nicht-Ziele (was explizit nicht). Das ist der schnellste Weg, um Scope-Creep zu verhindern.

• Outcome: „Erzeuge eine Schritt-für-Schritt-Migrationscheckliste inkl. Rollback-Plan.“
• Nicht-Ziele: „Keine generischen Erklärungen, keine Vendor-Werbung, kein UI-Klickpfad.“

Danach kommen Constraints (Format, Länge, Sprache, Quellenregeln, Zeitbudget) und Risiken (z. B. Sicherheit, Compliance, irreversible Aktionen). Bei agentischen Setups ist das oft wichtiger als „sei kreativ“.

2) Rollen/Modi bewusst einsetzen

Nutze Rollen nicht als Theater, sondern als Arbeitsmodus:

• *Analyst/Architect*: entwirft Vorgehen, Trade-offs, Annahmen.
• *Executor*: führt strikt nach Plan aus.
• *Reviewer*: prüft Output gegen Kriterien.

In einem einzelnen Prompt kannst du diese Modi als Abschnitte definieren (oder in einer Orchestrierung als eigene Schritte). Wichtig ist: Der Reviewer braucht Checkliste + Akzeptanzkriterien.

3) Artefakte statt „schöner Text“

Für komplexe Aufgaben lohnt es sich, Zwischenartefakte anzufordern:

1. Annahmen + offene Fragen (max. 5)

2. Plan (nummeriert, mit Entscheidungspunkten)

3. Ausführung (konkret, keine Lücken)

4. Validierung (Tests/Checks)

5. Finaler Output im gewünschten Format

Das wirkt langsamer, ist aber in Summe schneller, weil du weniger Iterationen brauchst.

4) Good Defaults für Struktur

Ein praxistaugliches Template:

• **Context**: relevante Fakten (knapp)
• **Task**: was zu tun ist
• **Constraints**: Format, Länge, Tools, Zeit
• **Quality bar**: Kriterien, was „gut“ heißt
• **Steps**: erst Plan, dann Ergebnis
• **Edge cases**: „Wenn X, dann Y“

5) Typische Stolperfallen (und wie du sie in Prompts entschärfst)

• **Vage Verben** („analysiere“, „optimiere“): Ersetze sie durch lieferbare Artefakte („liefere 10 Checks“, „liefere 3 Optionen mit Pros/Cons“).
• **Unklare Datenlage**: Lass das Modell zuerst die notwendigen Inputs auflisten und biete ein Fallback an („wenn Log-Format unbekannt, schlage generische Felder vor“).
• **Fehlende Prioritäten**: Sage, was im Zweifel wichtiger ist (z. B. Sicherheit > Kosten > Komfort).
• **Kein Stop-Kriterium**: Definiere Grenzen („max. 12 Bulletpoints“, „max. 2 Iterationen Auto-Repair“), sonst driftet der Output.

Für Examszenarien ist entscheidend, dass du zeigst: „Ich kann eine Aufgabe so formulieren, dass sie robust ausführbar und überprüfbar ist.“

3 Takeaways

1. Komplexität braucht Spezifikation: Outcome + Nicht-Ziele + Constraints reduzieren Fehlinterpretation.

2. Trenne Modi (Planen/Ausführen/Review) und gib dem Reviewer klare Akzeptanzkriterien.

3. Fordere Zwischenartefakte an (Plan, Annahmen, Validierung), um Fehler früh zu finden.

Mini-Testfrage

Du sollst ein Modell dazu bringen, einen „Production Readiness“-Check für ein neues Tool-Endpoint zu erstellen. Welche Prompt-Bausteine sind am wichtigsten, damit der Output prüfbar und nicht nur generisch wird?

Lösung

Am wichtigsten sind ein klarer Outcome (konkrete Checkliste + Tests), explizite Constraints (Format, Tiefe, keine Floskeln), Akzeptanzkriterien (z. B. muss Timeouts/Retry/Logging/Security abdecken) und die Aufforderung zu Zwischenartefakten (Annahmen, Plan, Validierungsschritte). Dadurch wird der Output strukturiert, vollständig und auditierbar statt „nice text“.