Prompts sind eine Art Programmierung und die effektivste Technik, um Abfragen an große Sprachmodelle (Large Language Models) zu stellen. Das Ziel ist ganz simpel – einen relevanten Output zu bekommen. Prompt-Engineering ist wiederum eine Sammlung einzelner Methoden, mit denen man diese LLMs (wie GPT-5.1) befragt. Zu diesen Methoden gehören unter anderem eine Rolle oder Kontext zu vergeben, Few-shot-Prompting oder auch komplexere Prompting-Techniken wie Chain-of-thought oder ReAct. Mittlerweilse existieren verschiedene Paper (Paper von Februar 2025, Paper vom Februar 2023), in denen sich eine Reihe von Autoren damit beschäftigt, wie Standard Muster für Abfragen aussehen könnten, sogenannte Prompt-Patterns. In diesem Artikel möchte ich dir einige dieser Prompt-Patterns für ChatGPT & Co. vorstellen
Definition: Ein Prompt-Pattern sind bestimmte Instruktionen, die dabei helfen, die gewünschten Antworten von LLMs zu bekommen. Dazu gibt es einen Katalog von Prompt-Engineering-Techniken, die in Form von Mustern beschrieben werden. Diese Muster können dann auf die verschiedenen Anwendungsfälle transferiert werden. Das Ziel ist es, durch Kreativität und Testen Modelle, beispielsweise GPT, optimal zu befragen und die Qualität der Outputs zu optimieren.
Was ist Prompt-Engineering?
Die Idee ist, ähnlich wie in der Software-Programmierung, wiederverwertbare Bibliotheken oder Templates zu generieren. Ein Prompt-Pattern bietet damit eine wiederverwendbare Lösung für ein wiederkehrendes Problem in einem bestimmten Kontext. Die Vorteile dieser Prompt-Patterns sind:
Die Autoren des wissenschaftlichen Artikels haben 6 verschiedene Kategorien von Prompt-Patterns festgemacht. Ich möchte mich gleich auf die interessantesten Muster aus diesem Katalog konzentrieren. Aber im Überblick sind das die 6 Kategorien:
Das wahrscheinlich einfachste, aber sehr hilfreiche Prompt Pattern ist das „Question Refinement Pattern“. Dieses Muster hilft dir aus einer ersten einfachen Frage eine detaillierte und bessere Frage zu formulieren.
Prompt-Struktur: „Whenever I ask a question about [topic], suggest x better questions
Prompt Patterns im Prompt Engineering – Das Question Refinement Pattern
Ein kleiner Pro-Tipp: Seit 2025 hat sich die Memory-Funktion von ChatGPT grundlegend weiterentwickelt. Wenn du möchtest, dass ChatGPT sich dauerhaft an bestimmte Prompt-Patterns oder Präferenzen erinnert, hast du jetzt zwei Möglichkeiten:
1. Gespeicherte Erinnerungen (Saved Memories) Sag ChatGPT direkt, was es sich merken soll, zum Beispiel:
ChatGPT bestätigt das mit „Erinnerung gespeichert“ und wendet es in zukünftigen Chats automatisch an.
2. Chat-Verlauf als Kontext (Reference Chat History) Das ist die große Neuerung: ChatGPT kann jetzt alle deine vergangenen Konversationen als Kontext nutzen, nicht nur explizit gespeicherte Erinnerungen. Das bedeutet, je mehr du ChatGPT nutzt, desto besser versteht es deinen Stil, deine Projekte und Vorlieben.
Hier in meinem Testfall kommt dann die Antwort:„Erinnerungen aktualisiert. Alles klar! Ich werde dir ab jetzt bei deinen Fragen immer drei alternative, bessere Fragen vorschlagen.“
Das Persona-Pattern wird den meisten bekannt vorkommen, da es einem LLM eine Rolle zuordnet.
Prompt-Struktur: „Act as Persona X and perform task Y“
Warum ist das nützlich? Manchmal weißt du vielleicht nicht genau, welche Details wichtig sind. Aber du weißt, welchen Experten bzw. welche Expertin du um Hilfe bitten würdest. Mit dem „Persona-Pattern“ können dich genau diese Expert:innen unterstützen.
Wie funktioniert das? Du gibst dem LLM Anweisungen wie „Handle ab jetzt als Sicherheitsprüfer“ oder „Tu so, als wärst du ein Mac-Terminal“. Das Modell wird dann Antworten generieren, die zu dieser Rolle passen. Ich habe das mal getestet, um über mein Mac-Terminal meine Mausbeschleunigung über die Standardwerte zu erhöhen.
Das Audience Persona Pattern ist eine Abwandlung des vorherigen Patterns, aber interessant, um einer „Zielperson“ ein Thema zu erklären.
Prompt-Struktur: “ Explain X to me. Assume that I am Persona Y „“
Warum ist das nützlich? Manchmal weißt du vielleicht nicht genau, wie du ein Thema einer Zielgruppe erklären kannst. Aber du weißt, welchen Zielgruppen du ein Thema erklärst und bekommst erste Ideen für die Kommunikation.
Wie funktioniert das? Du gibst ChatGPT & Co. Anweisungen wie „Erkläre mir das Thema Cookies“ und „ich bin ein Digital Marketer, der wenig technische Ahnung hat“. Das LLM wird versuchen, die Erklärungen genau auf die Zielgruppe zuzuschneiden.
Das Recipe-Pattern hilft dir, eine Abfolge von Schritten zu bekommen, gerade dann, wenn dir nicht jeder Schritt oder jede „Zutat“ bekannt ist. Du hast vielleicht eine grobe Vorstellung deines finalen Outputs, aber bist dir nicht ganz sicher, was die richtige Reihenfolge ist bzw. du hast einen Schritt vergessen.
Prompt-Struktur: Die grundlegenden Anweisungen sind:
Beispiel: Die grundlegenden Anweisungen könnten sein:
Warum ist das nützlich? Gerade bei komplexen Planungsszenarien hilft dir das Recipe-Pattern, deine bestehenden Ideen mit dem Experten-Wissen von ChatGPT &Co. zu verbinden. Das Ziel ist es, nicht nur Ideen zu sammeln, sondern sie auch in eine richtige Reihenfolge zu bringen.
Wie funktioniert das? Du verbindest dein Wissen mit einem „Ablauf-Szenarium“ für deine Zielstellung.
Das Template-Pattern sorgt dafür, dass das LLM (ChatGPT) einem bestimmten Muster oder einem Template folgt. Das kann ein Blog-Artikel oder ein Direct-Mailing sein. Der gewünschte Output muss vielleicht in einem bestimmten Format erstellt werden, das spezifisch für deinen Anwendungsfall ist. Das LLM kennt vielleicht nicht die Struktur deines gewünschten Outputs und du schreibst die Instruktion, wie einzelne Elemente aussehen sollen.
Prompt-Struktur: Die grundlegenden Anweisungen sind:
Beispiel: So könnte das dann aussehen:
Warum ist das nützlich? Überall dort, wo du einer bestimmten Formatierung folgen musst, kann das Template Pattern extrem hilfreich sein, um eine gewünschte Struktur zu bekommen. Ich habe das ganze mal für die Entwicklung eines Konferenzprogramm getestet, das Elemente wie <Session>, <Dauer> <Speaker> etc. haben kann.
Wie funktioniert das? Du definierst bei einem gewünschten Output in einem ersten Schritt die benötigten Elemente und stellst dir diese im Template-Pattern zusammen.
Das Flipped-Interaction Pattern sorgt dafür, dass das LLM (ChatGPT) dir so lange Fragen stellt, bis es „bereit“ ist, dein Ziel zu erreichen. Das kann hilfreich sein, wenn du ein Ziel hast, dir aber nicht ganz klar ist, welche Informationen du genau brauchst, um einen „optimalen“ Prompt zu erstellen
Prompt-Struktur: Die grundlegenden Anweisungen sind:
Beispiel: So könnte das dann aussehen:
Hier noch ein Tipp: Verwende doch als Grundlage für das Digital Marketing Measurement Model den Beitrag von Avinash Kaushik.
Warum ist das nützlich? Überall wo du Konzepte oder eine Strategie erstellen möchtest und nicht sicher bist, ob du alle Aspekte berücksichtig hast, kannst du dieses Pattern hervorragend nutzen.
Wie funktioniert das? Du definierst dein Ziel bzw. Zielthema und nimmst ChatGPT, um alle Fragen zu beantworten. Auf Basis dieser Fragen kannst du dann das „Konzept“ finalisieren.
Large Language Models haben auf Basis Ihrer Funktionsweise manchmal Probleme bei der zuverlässigen Ausgabe von Informationen. Dabei kommt es manchmal zu Halluzinationen. Das bedeutet, das LLM erfindet Tatsachen. Das Fact-Check-List Pattern hilft dabei das Modell anzuweisen alle genannten Fakten noch einmal zu überprüfen. Es überprüft die Fakten des generierten Outputs, indem es eine Liste von Informationen erstellt wird, die relevant für die Richtigkeit des Outputs sind.
Prompt-Struktur: Das kann dann wie folgt aussehen
Warum ist das nützlich?: Es hilft, Fehler in Ausgaben zu identifizieren, besonders bei komplexen oder sicherheitskritischen Themen.
Wie funktioniert das?: Das LLM erstellt eine Liste der wichtigsten Fakten, die überprüft werden sollten, und gibt diese nach der Ausgabe an, um dem Nutzer die Überprüfung zu erleichtern. Hier kann man vielleicht noch mit ein paar CustomGPTs, wie ScholarAI die Qualität weiter steigern
Prompt-Engineering macht den Unterschied, wie zufrieden du mit den Outputs von ChatGPT bist. Mit den Prompt-Patterns kannst du auf Basis von Mustern und Templates LLMs wie GPT-5.1 noch deutlich besser abfragen. Die Prompt-Patterns sind schon jedes Einzelne für sich unglaublich hilfreich. Meine Favoriten sind hier -> das Flipped-Interaction Pattern und das -> Recipe Pattern. Noch interessanter sind die Patterns, wenn du diese miteinander kombinierst oder die Möglichkeiten von ChatGPT mit reinbringst, wie die GPTs oder die Advanced Data Analysis.
Nachdem du jetzt eine Menge über verschiedene Prompting-Patterns gelernt hast, bekommst du zum Abschluss noch ein kleines Extra-Goodie: 5 Prompting-Techniken, die die Qualität deiner KI-Ergebnisse deutlich steigern. Der Fokus liegt dabei darauf, Antworten zu erzeugen, die präziser, relevanter und wesentlich hilfreicher für deinen konkreten Marketing-Kontext sind. Schlau gemacht haben wir uns dafür bei unserem Referenten Eric Kubitz und seinem Blog Contentman.de.
Gute Ideen entstehen in zwei Phasen:
Divergentes Denken → Möglichst viele, vielfältige Ideen erzeugen.
Konvergentes Denken → Die besten Ideen auswählen, verdichten und umsetzen.
KI unterstützt beide Phasen: Sie springt radikal in neue Richtungen und strukturiert gleichzeitig komplexe Informationen so präzise wie kaum ein Mensch. Du bleibst jedoch federführend: Du definierst Ziele, steuerst den Prozess und bewertest die Ergebnisse.
Jedes Wort in deinem Prompt ist ein Signal. Wer nur „Schreib mir einen Text über XY“ schreibt, bekommt Standardware. Wer bewusst steuert, bekommt Qualität.
Diese Wörter verändern die Art, wie das LLM denkt:
Speziell für dein Marketing kannst du diese Trigger-Wörter verwenden:
LLMs sind darauf trainiert, hilfsbereit, kompetent und möglichst nützlich zu sein. Wenn du ihre Leistung subtil infrage stellst oder sie herausforderst, reagieren sie oft mit einem spürbaren Qualitätssprung: Sie greifen tiefer in ihre Wissensbasis, entwickeln originellere Ideen und liefern mutigere, differenziertere Antworten.
Der psychologische Mechanismus dahinter: Du weckst eine Art digitalen Ehrgeiz. Das Modell „möchte“ sich beweisen und zeigen, dass es mehr kann als generische 08/15-Ausgaben. Nutze diese Trigger, um das LLM aus der Komfortzone zu holen:
Versuche folgende Formulierungen speziell im Marketing-Kontext:
Viele Marketer:innen kennen das: Du willst eine außergewöhnliche Idee, aber das LLM liefert dir nur solide, strategisch korrekte, aber wenig überraschende Standard-Vorschläge.
Paradox-Prompting löst dieses Problem, indem du die KI absichtlich in die falsche Richtung schickst. Du forderst sie auf, etwas zu entwickeln, das gar nicht funktionieren kann. Das klingt erstmal kontraproduktiv, aber genau darin liegt die kreative Kraft. LLMs sind darauf optimiert, „vernünftige“, „realistische“ und „risikoarme“ Antworten zu liefern. Wenn du sie jedoch bittest, etwas bewusst Unlogisches oder Unmögliches zu erschaffen:
und genau daraus entstehen oft überraschend gute, verwertbare Ideenfragmente.
Beispiel: „Entwickle eine völlig absurde, völlig unlogische Marketingidee für mein Restaurant XYdie so übertrieben ist, dass sie garantiert nicht funktionieren würde.“
Beispiel Paradox-Prompting
Weitere Paradox-Prompts, die sofort Kreativität freisetzen:
Lange Sessions mit KI führen oft zu folgendem Problem: Nach mehreren Prompts verliert das Modell den Fokus, driftet in Seitenthemen ab oder wechselt ungewollt den Stil. Das liegt nicht an „Unfähigkeit“, sondern daran, dass das LLM jedem neuen Input optimistisch folgt, selbst, wenn dieser leicht vom ursprünglichen Ziel abweicht.
Meta-Prompting löst dieses Problem, indem du das Modell zu seinem eigenen Projektmanager und Qualitätskontrolleur machst. Du baust regelmäßige Stopps ein, an denen KI überprüft:
Das Ergebnis: strukturiertere Outputs, klarere Fortschritte und weniger Content, der „ausfranst“.
Mit diesen Self-Check-Prompts aktivierst du eine interne Qualitätskontrolle:
Wenn es zu breit, zu lang oder zu unspezifisch wird, können folgende Prompts helfen, um den Fokus wiederzuerlangen:
Nachdem die KI dir ungewöhnliche, mutige oder bewusst absurde Ideen geliefert hat, beginnt der eigentliche Wertschöpfungsprozess: das Herausfiltern der umsetzbaren Essenz. In dieser Phase nutzt du die zweite Superkraft von LLMs: ihre Fähigkeit, komplexe Konzepte zu analysieren, Muster zu erkennen und große Ideen in realistische Schritte herunterzubrechen.
Beispiel: „Extrahiere das Element, das diese Idee einzigartig macht, und entwickle daraus eine umsetzbare, ressourcenschonende Version.“
Dieser eine Satz zwingt das LLM, den Kernwert der Idee zu erkennen. Je nach Ziel kannst du diesen Prompt kontextuell anpassen, zum Beispiel:
1. Ressourcen-Downscaling: Die Idee auf ein realistisches Level bringen
Hier zwingst du das LLM, ambitionierte Konzepte maßstabsgetreu zu schrumpfen, z.B:
2. MVV-Ansatz (Minimum Viable Version): Die kleinstmögliche, sofort testbare Version finden
Hier destillierst du die Idee auf das, was sie unverwechselbar macht und streichst rigoros alles andere. Beispielsweise mit den folgenden Prompts:
Quellen:
Contentman.de
Hat dir der Artikel gefallen? Dann lass uns gerne eine Bewertung oder einen Kommentar da.
Dieser Artikel wurde KI-unterstützt erstellt und durch menschliche Fachkenntnis überarbeitet und optimiert.
Dein Feedback hilft uns, unsere Inhalte noch besser zu machen.
089 416126990
Top! Wertvoller Inhalt, perfekt aufbereitet. Vielen Dank!
perfekt aufbereitet – vielen Dank – ist extrem hilfreich. Danke!
Jetzt prompte ich schon eine Weile – durchaus mit passablen Ergebnissen -und habe mit diesem Beitrag erkannt, dass es noch deutlich spezifischer geht, danke dafür.