Prompt-Engineering-Vorlagenbibliothek: 12 wiederverwendbare Prompt-Design-Muster

Vierzig Minuten investiert, ein Prompt geschrieben, der wirklich sitzt – Claude hat aus einem Haufen unstrukturierter Nutzerfeedbacks klare Verbesserungsvorschläge gemacht. Beeindruckend. Drei Tage später, dieselbe Aufgabe – und vor dem leeren Eingabefeld: nichts.

Wo ist der „perfekte Prompt“ hin?

Notion, Notizen, Chat-Verläufe durchsucht – nichts gefunden. Am Ende aus dem Gedächtnis neu geschrieben – deutlich schlechteres Ergebnis.

Das ist mindestens zehnmal passiert: ein guter Prompt → vergessen → von vorn anfangen → Qualität schwankt.

Dann wurde klar: Ob ein Prompt gut ist, hängt zur Hälfte von Technik ab – zur anderen Hälfte davon, ob er wiederverwendbar ist.

Laut aiengineerlab.in 2026 unterscheiden vier Felder Prompts, die „manchmal funktionieren“, von solchen, die „zuverlässig liefern“. Richtig kombiniert decken sie etwa 80 % der Alltagsaufgaben ab.

In diesem Artikel teile ich eine bewährte Methode zum Aufbau einer Prompt-Vorlagenbibliothek:

• Vier-Felder-Struktur: Role + Task + Constraints + Output Format
• 12 Prompt Patterns: gestaffelt als Beginner / Intermediate / Advanced
• Multi-Modell-Anpassungstabelle: Claude, GPT-4, DeepSeek
• Vorlagen-Iteration: vom „ganz okay“ zum produktionsreif
• 5 sofort nutzbare Vorlagen: kopieren, Variablen ersetzen, loslegen

Kapitel 1: Die Vier-Felder-Struktur für Prompt-Vorlagen

Bevor es zu konkreten Vorlagen geht, ein oft übersehener Punkt: Der Unterschied zwischen guter und schlechter Vorlage liegt strukturell in genau vier Feldern.

aiengineerlab.in nennt vier Pflichtbestandteile eines zuverlässigen Prompts: Role (Rolle), Task (Aufgabe), Constraints (Einschränkungen), Output Format (Ausgabeformat).

Zuerst ein Gegenbeispiel

Hilf mir, eine Code-Review-Antwort zu schreiben

So habe ich es unzählige Male gemacht. Ergebnis: Antworten schwanken wild – mal zu höflich, mal zu technisch, manchmal nur „Der Code sieht gut aus“.

Mit allen vier Feldern

## Role
Du bist Backend-Ingenieur mit 10 Jahren Erfahrung, spezialisiert auf Python und verteilte Systeme.

## Task
Prüfe die folgende Code-Änderung, benenne potenzielle Probleme und gib Verbesserungsvorschläge.

## Constraints
- Fokus: Performance, Sicherheit, Wartbarkeit
- Ton: professionell, aber freundlich – nicht zu hart
- Länge: maximal 200 Wörter
- Mindestens ein konkreter Verbesserungsvorschlag

## Output Format
Bitte in folgendem Format ausgeben:
### Problemliste
- [Problemtyp] konkrete Beschreibung

### Verbesserungsvorschläge
1. ...
2. ...

### Gesamtbewertung
(Ein Satz Zusammenfassung)

Der Unterschied ist offensichtlich.

Die vier Felder im Detail

Role (Rolle) – sagt der KI, wer sie ist. Nicht vage „Experte“, sondern ein Profil mit Hintergrund: „Backend-Ingenieur mit 10 Jahren Erfahrung“ ist stabiler als „Du bist Experte“. Je konkreter die Rolle, desto konsistenter der Stil.

Task (Aufgabe) – was die KI tun soll. Tipp: mit Verb beginnen. „Code-Änderung prüfen“ ist klarer als „Code-Review“. „Probleme benennen und Verbesserungen vorschlagen“ noch präziser als „schau dir den Code an“.

Constraints (Einschränkungen) – oft vernachlässigt, aber entscheidend. Ohne Grenzen driftet die KI. Domäne (Performance? Sicherheit?), Ton, Längenlimit, Pflichtinhalte – Constraints setzen den Rahmen.

Output Format (Ausgabeformat) – wie das Ergebnis aussehen soll. JSON? Markdown? Feste Abschnitte? Vorab definieren spart Nachbearbeitung.

Vergleichstabelle

Mit diesen vier Feldern wird aus „Glücksspiel“ ein wiederverwendbarer Prompt – die Basis jeder Vorlage.

Kapitel 2: 12 wiederverwendbare Prompt Patterns – Kurzreferenz

best-ai.org listet Prompt Patterns nach Schwierigkeit. Hier nach Anwendungsszenario sortiert, damit Sie schneller das Passende finden.

Beginner (5 Muster)

1. Zero-Shot

Aufgabe ohne Beispiele. Für einfache, klare Tasks.

Railway - Moderne Deployment-Plattform, ohne DevOps-Aufwand, in Minuten live

Jetzt starten →Anzeige

## Task
{{Aufgabenbeschreibung}}

## Output Format
{{Ausgabeformat}}

Einsatz: E-Mail-Zusammenfassung, kurze Übersetzung, Faktenfragen.

2. Few-Shot

2–3 Beispiele zum Nachahmen. aiengineerlab.in: meist 2–3 optimal; Klassifikation 5–7.

## Task
{{Aufgabenbeschreibung}}

## Examples
Beispiel 1:
Eingabe: {{Beispiel-Eingabe1}}
Ausgabe: {{Beispiel-Ausgabe1}}

Beispiel 2:
Eingabe: {{Beispiel-Eingabe2}}
Ausgabe: {{Beispiel-Ausgabe2}}

## Now Process
Eingabe: {{tatsächliche Eingabe}}
Ausgabe:

Einsatz: Stil-Imitation, Klassifikation, Formatkonvertierung.

3. Persona (Rollenspiel)

Identität und Hintergrund – häufig genutzt, passt zum Role-Feld aus Kapitel 1.

## Role
Du bist {{konkrete Identität}} mit {{Hintergrund}}.

## Style
Dein Kommunikationsstil: {{Stilbeschreibung}}

## Task
{{Aufgabenbeschreibung}}

Einsatz: Code-Review, Tech-Beratung, kreatives Schreiben.

4. Output Format (Ausgabeformatierung)

Erzwingt ein festes Format – kombinierbar mit fast allen anderen Patterns.

## Task
{{Aufgabenbeschreibung}}

## Output Format
Bitte strikt in folgendem Format ausgeben:
{{Formatvorlage}}

## Note
Nur formatierte Ausgabe, keine zusätzlichen Erklärungen.

Einsatz: JSON, Formulare, strukturierte Dokumente.

5. Negative Prompting (Negativ-Constraints)

Sagen, was nicht tun – manchmal wirksamer als positive Vorgaben.

## Task
{{Aufgabenbeschreibung}}

## Do NOT
- Nicht {{Verbot1}}
- Nicht {{Verbot2}}
- Vermeide {{Verbot3}}

Einsatz: bestimmte Begriffe meiden, sensible Inhalte ausschließen, Stil begrenzen.

Intermediate (4 Muster)

6. Chain of Thought (Denkkette)

Reasoning sichtbar machen – für logische Aufgaben.

## Task
{{Aufgabenbeschreibung}}

## Instructions
Schritt für Schritt vorgehen: erst analysieren, dann antworten.
Vor der finalen Antwort den Denkprozess zeigen.

Einsatz: Mathematik, Logik, komplexe Entscheidungen.

7. System Prompt

Kernanweisungen in der System-Rolle – für Claude und GPT-4 Standard in Agent-Szenarien.

## System
Du bist {{Rollenbeschreibung}}.
Deine Kernaufgabe: {{Aufgabenbeschreibung}}.
Regeln:
1. {{Regel1}}
2. {{Regel2}}

## User
{{Nutzer-Eingabe}}

Einsatz: AI Agent, Chatbot, längere Dialoge.

8. Iterative Refinement (Iterative Verfeinerung)

Erst Entwurf, dann Selbstkorrektur – für hohe Qualität.

## Round 1
{{Aufgabenbeschreibung}}
Erstelle einen Entwurf.

## Round 2
Prüfe den Entwurf auf:
- Logiklücken
- Unklare Formulierungen
- Sachfehler

## Round 3
Optimiere anhand der Prüfung und gib die finale Version aus.

Einsatz: Artikel, Code, Konzepte.

9. Constraint Stacking (Constraint-Stapelung)

Mehrere Einschränkungen übereinander – in Produktion sehr verbreitet.

## Task
{{Aufgabenbeschreibung}}

## Constraints
- Constraint 1: {{konkret}}
- Constraint 2: {{konkret}}
- Constraint 3: {{konkret}}
- Constraint 4: {{konkret}}

## Output Format
{{Formatvorgabe}}

Einsatz: Produktionsaufgaben mit strenger Ausgabekontrolle.

Advanced (3 Muster)

10. Self-Critique (Selbstprüfung)

Die KI bewertet ihre eigene Ausgabe – wertvoll bei hohen Qualitätsanforderungen.

Alibaba Cloud - Top-Wahl für Entwickler, exklusiv 15 % Rabatt auf Lighthouse-Server

15 % Rabatt sichern →Anzeige

## Task
{{Aufgabenbeschreibung}}

## Self-Critique
Nach der Antwort prüfen:
1. Ist die Antwort vollständig?
2. Gibt es Logiklücken?
3. Sind alle Constraints erfüllt?

Bei Problemen neu generieren.

## Output Format
Antwort:
{{Antwort}}

Selbstbewertung:
{{Bewertung}}

Einsatz: risikoreiche Outputs, hohe Zuverlässigkeit.

11. Task Decomposition (Aufgabenzerlegung)

Komplexe Aufgabe in Teilaufgaben – für mehrstufige Workflows.

## Complex Task
{{komplexe Aufgabe}}

## Decomposition
Bitte in Teilaufgaben zerlegen:
1. {{Teilaufgabe1}}
2. {{Teilaufgabe2}}
3. {{Teilaufgabe3}}

## Execution
Jede Teilaufgabe nacheinander bearbeiten und Ergebnis dokumentieren.

Einsatz: Projektmanagement, komplexe Analyse, Systemdesign.

12. Meta-Prompting

Die KI schreibt den Prompt – wenn die Formulierung unklar ist.

## Task
Ich muss folgendes erledigen: {{Aufgabenbeschreibung}}

## Request
Schreibe einen hochwertigen Prompt für eine andere KI, damit sie die Aufgabe zuverlässig löst.
Der Prompt soll Role, Task, Constraints und Output Format enthalten.

Einsatz: Prompt-Engineering-Einsteiger, komplexe Aufgaben strukturieren.

Kombinationstipp

"2–4 Patterns kombiniert liefern die besten Ergebnisse. Typische Kombinationen: Business Writing → Persona + Output Format + Constraint Stacking; Code Generation → Persona + Few-Shot + Negative Prompting; Research & Analysis → Chain of Thought + Self-Critique + Task Decomposition."

Kapitel 3: Multi-Modell-Anpassung – Vergleichstabelle

Verschiedene Modelle „lesen“ Prompts unterschiedlich. Was bei Claude stark ist, kann bei GPT-4 schwächer wirken.

Claude: XML-Tags und vertragliche Anweisungen

Claude reagiert gut auf Struktur – offiziell empfohlen: XML-Tags statt Fließtext.

<instructions>
Prüfe die folgende Code-Änderung und benenne potenzielle Probleme.
</instructions>

<context>
Du bist Backend-Ingenieur mit 10 Jahren Erfahrung.
Projekt: Python-Microservice mit FastAPI.
</context>

<constraints>
- Fokus Performance und Sicherheit
- Ton professionell, aber freundlich
- Maximal 200 Wörter
</constraints>

<output_format>
### Problemliste
- [Typ] Beschreibung

### Verbesserungsvorschläge
1. ...
</output_format>

Weitere Claude-Stärken:

• Extended Thinking: Denken vor der Ausgabe – für komplexes Reasoning
• Vertragliche Anweisung: zu Beginn festlegen, dass bei Einhaltung aller Constraints die Ausgabe „OK“ ist – erhöht Constraint-Treue

GPT-4: lange Constraint-Listen und JSON

GPT-4 nutzt XML weniger natürlich – nummerierte Listen funktionieren besser. JSON-Ausgabe oft etwas stabiler als bei Claude.

## Task
Prüfe die folgende Code-Änderung.

## Constraints
1. Fokus Performance und Sicherheit
2. Ton professionell, aber freundlich
3. Maximal 200 Wörter
4. Mindestens ein Verbesserungsvorschlag
5. Ausgabe auf Deutsch

## Output Format
Bitte als JSON:
{
  "issues": [...],
  "suggestions": [...],
  "summary": "..."
}

GPT-4-Eigenschaften:

• 10+ nummerierte Constraints oft noch gut einhaltbar
• Few-Shot teils etwas stärker als bei Claude
• Ausgewogene Code-Generierung und -Erklärung

DeepSeek und Qwen: Anpassung für chinesische Modelle

DeepSeek:

• Starke chinesische Sprachverständnis, etwas schwächer bei strukturierten Anweisungen
• Constraints kurz und explizit formulieren
• Few-Shot: 1–2 Beispiele reichen oft

Qwen (Tongyi Qianwen):

• Reagiert gut auf Persona
• Starke Long-Context-Fähigkeit für Dokumente
• Verbote lieber als „vermeiden“ formulieren – positive Anweisungen oft wirksamer

Llama (kleine Parameter): direktere Anweisungen

Bei Llama 7B/13B Prompts einfacher und expliziter halten.

## Task
Code-Änderung prüfen.

## Output Format
Return ONLY valid JSON. No explanation. No markdown.
{
  "issues": [],
  "suggestions": []
}

Wichtig: Explizit „nur JSON, keine Erklärung“ – sonst „plaudert“ das kleine Modell mit.

Schnellreferenz

Am zuverlässigsten: testen. Prompt schreiben, auf dem Zielmodell mehrere Fälle laufen lassen, gezielt nachjustieren.

Kapitel 4: Methodik zur Vorlagen-Iteration

Einen „okay“ Prompt zu schreiben ist leicht. Schwieriger: daraus eine Vorlage zu machen, die jedes Mal funktioniert.

"Die besten Vorlagen entstehen nicht auf Anhieb, sondern durch wiederholte Nutzung und Verbesserung – mindestens fünf bis sechs Iterationen."

Fünf Iterationsschritte

Schritt 1: Prompt schreiben, gutes Ergebnis erzielen

Noch nicht template-n – erst Prompt testen, bis die Ausgabe stabil ist.

Schritt 2: Feste und variable Teile identifizieren

Was bleibt gleich (Rolle, Format) → Vorlagen-Skelett.

Was wechselt (Inhalt, Eingabedaten) → {{Variablenname}}.

Schritt 3: Qualitäts-Leitplanken hinzufügen

Constraints und Prüfbedingungen ergänzen:

KiloClaw - Managed OpenClaw für Unternehmen: AI-Agent-Orchestrierung und smartes Modell-Routing

Jetzt starten →Anzeige

• Ausgabe zu lang → „maximal X Wörter“
• KI erklärt zu viel → „keine Erklärung, nur Ergebnis“
• Format schwankt → konkrete Formatvorlage

Schritt 4: Nutzen und Probleme dokumentieren

• Qualitätsschwankungen?
• Verletzte Constraints?
• Starke vs. schwache Szenarien?

Schritt 5: Gezielt verbessern

• Constraints zu vage → präziser formulieren
• Format instabil → Beispiel oder Template ergänzen
• Szenario schwach → bedingte Zweige hinzufügen

Iterationsbeispiel: Wochenbericht

Etwa 8 Iterationen bis zur stabilen Version.

Version 1: Einfacher Prompt für Wochenbericht – Ausgabe zu uneinheitlich.

Iteration 2–3: Formatvorlage und Wortlimit – Format stabiler, manchmal fehlende Aufgaben.

Iteration 4–5: Pflicht „Fortschritt, Problem, nächster Schritt“ pro Aufgabe – Qualität besser, aber auch Nebenaufgaben drin.

Iteration 6–7: „Nur Kernaufgaben der Woche“ + Beispiel – fast stabil, gelegentliche Formatabweichung.

Iteration 8: Self-Critique-Modul prüft Format vor Ausgabe.

Leitfragen bei Problemen

1. Braucht die Ausgabe starke Bearbeitung? → Constraints schärfen
2. Welche Constraints wurden verletzt? → konkretisieren
3. Fehlt Information? → „Muss X enthalten“ ergänzen
4. Zu viel Information? → Negative Prompting „Nicht X ausgeben“
5. Format inkonsistent? → Beispiel oder Template

Drei Schlüssel für teamweite Vorlagen

mintedbrain.com empfiehlt:

1. Gemeinsames Dokument – Notion, Confluence; Gruppen: Schreiben, Analyse, Entwicklung, Kommunikation.

2. Nutzungshinweise – Szenario, Variablen, Fallstricke – sonst nutzt niemand die Vorlage richtig.

3. Verbesserungsvorschläge – keine direkten Wild-Edits; Änderungen mit Begründung nachverfolgen.

Kapitel 5: 5 produktionsreife Vorlagen

Fünf Vorlagen zum direkten Kopieren – getestet und iteriert.

Vorlage 1: Wochenbericht

<instructions>
Erstelle aus den Wochenarbeitsnotizen einen knappen Wochenbericht.
</instructions>

<role>
Du bist effizienter Team-Mitarbeiter und fasst Fortschritte prägnant zusammen.
</role>

<input>
{{Wochenarbeitsnotizen}}
</input>

<constraints>
- Nur abgeschlossene Kernaufgaben der Woche
- Pro Aufgabe: Fortschritt, Problem, nächster Schritt
- Maximal 300 Wörter
- Ton professionell und knapp
- Keine Bewertungssprache (z. B. „sehr gut gemacht“)
</constraints>

<output_format>
## Fortschritt diese Woche
- {{Aufgabe1}}: {{Fortschritt}} | {{Problem}} | {{Nächster Schritt}}
- {{Aufgabe2}}: {{Fortschritt}} | {{Problem}} | {{Nächster Schritt}}

## Unterstützung benötigt
- {{Thema}}

## Plan nächste Woche
- {{Plan}}
</output_format>

<self_check>
Nach Generierung prüfen:
1. Nur Kernaufgaben enthalten?
2. Hat jede Aufgabe Fortschritt, Problem, nächsten Schritt?
3. Unter 300 Wörter?
</self_check>

Vorlage 2: Code-Review

<instructions>
Prüfe die folgende Code-Änderung, benenne Probleme und gib Verbesserungsvorschläge.
</instructions>

<role>
Du bist Backend-Ingenieur mit 10 Jahren Erfahrung in {{Programmiersprache}} und {{Tech-Stack}}.
Stil: professionell, nicht zu hart – konkrete, umsetzbare Vorschläge.
</role>

<input>
{{Code-Änderung}}
</input>

<constraints>
- Fokus: Performance, Sicherheit, Wartbarkeit, Code-Standards
- Mindestens ein Verbesserungsvorschlag
- Pro Problem: Typ, Ort, Ursache, Vorschlag
- Maximal 200 Wörter
- Nicht nur „Code sieht gut aus“ – immer konkreter Inhalt
</constraints>

<output_format>
### Problemliste
- [{{Problemtyp}}] {{Datei}}#{{Zeile}}: {{Beschreibung}}

### Verbesserungsvorschläge
1. {{Vorschlag}}

### Gesamtbewertung
{{Ein Satz}}
</output_format>

Vorlage 3: Meeting-Protokoll

<instructions>
Strukturiere die folgenden Meeting-Notizen in ein Protokoll.
</instructions>

<role>
Du bist professioneller Protokollführer und extrahierst Kerninformationen prägnant.
</role>

<input>
{{Meeting-Notizen}}
</input>

<constraints>
- Nur Kerninformationen, Redundanz streichen
- Klar markieren: Themen, Beschlüsse, To-dos, Verantwortliche, Fristen
- Knapp formulieren
- Maximal 500 Wörter
</constraints>

<output_format>
## Meeting-Infos
- Zeit: {{Datum/Uhrzeit}}
- Teilnehmer: {{Liste}}
- Themen: {{Themen}}

## Diskussionspunkte
### {{Thema1}}
- {{Punkt1}}
- {{Punkt2}}
- Beschluss: {{Beschluss}}

### {{Thema2}}
- ...

## To-dos
| Aufgabe | Verantwortlich | Frist |
|------|--------|----------|
| {{Aufgabe1}} | {{Person}} | {{Datum}} |
| {{Aufgabe2}} | {{Person}} | {{Datum}} |

## Anmerkungen
{{Notizen}}
</output_format>

Vorlage 4: JSON-Datenextraktion

<instructions>
Extrahiere strukturierte Daten aus dem folgenden Text als JSON.
</instructions>

<role>
Du bist präziser Datenextraktions-Experte.
</role>

<input>
{{Eingabetext}}
</input>

<constraints>
- Nur JSON ausgeben, keine Erklärung
- Gültiges JSON-Format
- Fehlende Felder: null
- Keine Informationen erfinden, die nicht im Text stehen
</constraints>

<output_format>
Return ONLY valid JSON. No explanation. No markdown.

{
  {{Felddefinitionen}}
}

Example:
Input: "张三，电话 13800138000，邮箱 [email protected]"
Output:
{
  "name": "张三",
  "phone": "13800138000",
  "email": "[email protected]"
}
</output_format>

Vorlage 5: AI-Agent-System-Prompt

<system_prompt>
Du bist {{agent_name}} und verantwortlich für {{agent_description}}.

## Kernaufgaben
1. {{Aufgabe1}}
2. {{Aufgabe2}}
3. {{Aufgabe3}}

## Workflow
Bei Nutzeranfragen:
1. Intent analysieren
2. Prüfen, ob genug Information vorliegt
3. Bei Lücken nachfragen
4. Aufgabe ausführen
5. Ergebnis validieren

## Verhalten
- Freundlich und professionell
- Bei Unsicherheit transparent sein und Vorschläge machen
- Keine Zusagen außerhalb des Aufgabenbereichs
- Ausgabe klar und umsetzbar

## Verboten
- Keine erfundenen Informationen
- Keine unautorisierten Entscheidungen
- Keine sensiblen oder schädlichen Inhalte

## Ausgabeformat
Je nach Aufgabentyp:
- Informationsabfrage: knappe Antwort + Quellenhinweis
- Aktion: Schritteliste + Ergebnisbestätigung
- Problemlösung: Analyse + Lösung + Empfehlung
</system_prompt>

Diese fünf Vorlagen decken häufige Arbeitsszenarien ab. Variablen und Constraints können Sie an Ihren Kontext anpassen.

Fazit

Kern auf drei Ebenen:

Struktur – Vier Felder (Role + Task + Constraints + Output Format) machen aus Glücksspiel Steuerbarkeit.

Patterns – 12 Muster sind nicht isoliert. 2–4 kombiniert schlagen ein einzelnes Pattern. In Produktion häufig: Persona + Output Format + Constraint Stacking.

Engineering – Vorlagen leben von Iteration. Fünf bis sechs Durchläufe sind normal: Probleme dokumentieren, Constraints schärfen, Leitplanken ergänzen.

Drei konkrete nächste Schritte:

1. Diese Woche ein Pattern testen – z. B. Persona oder Output Format im Alltag anwenden und Qualität vergleichen.

2. Personal Prompt Library anlegen – mit den 5 Vorlagen starten, Variablen ersetzen, wiederverwenden.

3. Monatlich iterieren – nach einem Monat schwache Vorlagen gezielt verbessern.

Prompt-Engineering wirkt komplex – aber mit einer wiederverwendbaren Vorlagenbibliothek müssen Sie nicht mehr vor leeren Eingabefeldern ratlos dastehen.