Prompt Engineering ist die Disziplin, Eingaben (Prompts) für generative KI-Modelle so zu gestalten, dass sie verlässliche, präzise und nutzbare Ausgaben liefern. Sie umfasst die strukturierte Formulierung von Aufgaben, Kontext, Beispielen, Constraints und Ausgabeformaten sowie das systematische Testen und Iterieren über mehrere Varianten. Typische Techniken sind Zero-Shot-, Few-Shot- und Chain-of-Thought-Prompting, Persona-Setzungen (System-Prompts), strukturierte Ausgaben über JSON-Schemas oder Function Calling, sowie Werkzeuggetriebene Workflows mit Tool Use und Reasoning-Traces.
Eingesetzt wird Prompt Engineering in praktisch jedem produktiven LLM-Einsatz: Chatbots, Code-Assistenten, RAG-Pipelines, Agenten-Frameworks, Content-Generierung, Klassifikation, Datenextraktion. Werkzeuge reichen von einfachen Versionsverwaltungen für Prompts (PromptLayer, Helicone, Langfuse) über Test-Harnesses (Promptfoo, OpenAI Evals, Anthropic Eval Suites) bis hin zu LLM-Frameworks wie LangChain, LlamaIndex, Microsoft Agent Framework (früher Semantic Kernel), DSPy (für deklarative Prompt-Programme) und Anthropic Agent SDK.
Frühe LLM-Anwendungen litten oft daran, dass minimale Prompt-Änderungen zu sehr unterschiedlichen Ergebnissen führten. Strukturierte Prompts mit klaren Rollen, expliziten Anforderungen, Beispielen und definierten Ausgabeformaten verbessern Zuverlässigkeit und Robustheit. Gleichzeitig wird Prompt Engineering zunehmend durch automatisierte Optimierung (z. B. DSPy, automatic prompt optimization) ergänzt, sodass Prompts zu testbaren Programmen mit klaren Schnittstellen werden.
Historisch ist der Begriff Prompt Engineering ab 2020/2021 mit dem Aufstieg großer Sprachmodelle aufgekommen — zunächst als pragmatische Praxis bei GPT-3, später als eigenständige Subdisziplin. Wichtige Konzepte sind das Chain-of-Thought-Prompting (Wei et al., Google Research, 2022), Self-Consistency (Wang et al., 2022), ReAct (Yao et al., 2022) für Tool-Use mit Reasoning, und neuere Ansätze wie "Reflection" und "Tree of Thoughts". Mit der zunehmenden Reife von Modellen verschiebt sich der Schwerpunkt weg von "Prompt-Tricks" hin zu klar strukturierten Aufgaben, evaluationsgetriebener Entwicklung und Agentic Workflows.
2023 wurde der Begriff "Prompt Engineer" kurzfristig zum vielbeachteten Berufsbild mit teils sechsstelligen Gehältern in Stellenausschreibungen — eine Übertreibung, die sich mit der Reife der Werkzeuge schnell relativiert hat. Die nüchterne Realität, wie sie in Anthropics und OpenAIs Engineering-Best-Practices beschrieben wird, lautet: Effektives Prompt Engineering ist weniger "Magie" und mehr disziplinierte, evaluationsgetriebene Software-Entwicklung — eng verwandt mit Test-Driven Development, nur eben für Sprachschnittstellen.