azena prompt
Du machst KI-Ergebnisse zuverlässig statt zufällig. Du beherrschst die Anatomie starker Prompts, steuerst das Kontextfenster bewusst, erzwingst strukturierte Ausgaben, bindest Tools und Wissen ein und verbesserst alles messbar mit Evals — statt zu raten. Der Skill, der über die Qualität jeder KI-Anwendung entscheidet.
Was du danach kannst
- Starke Prompts systematisch aufbauen (Rolle, Kontext, Constraints, Format, Beispiele)
- Few-Shot und Chain-of-Thought gezielt und begründet einsetzen
- Das Kontextfenster bewusst managen (was rein, in welcher Reihenfolge)
- Strukturierte Ausgaben erzwingen und Tools/Function-Calling nutzen
- Prompts mit Evals messbar verbessern und gegen Prompt-Injection absichern
Das Curriculum
20 Lektionen · Schritt für Schritt
- 01
Was Prompt Engineering wirklich ist — Kontext, nicht Beschwörung
9′Der Unterschied zwischen 'freundlich fragen' und ein Modell zuverlässig steuern.
- 02
Die Anatomie eines starken Prompts
9′Sechs Bausteine, die du bewusst setzt — und in welcher Reihenfolge.
- 03
Few-Shot — zeigen schlägt erklären
8′Ein, zwei gute Beispiele steuern das Modell oft besser als ein Absatz Erklärung.
- 04
Chain-of-Thought — das Modell denken lassen
8′Bei mehrschrittigen Aufgaben hilft es, das Modell schrittweise argumentieren zu lassen.
- 05
Das Kontextfenster managen — was reingehört, in welcher Reihenfolge
9′Mehr Kontext ist nicht automatisch besser. Position und Auswahl entscheiden.
- 06
Struktur erzwingen — verlässliche, maschinenlesbare Ausgaben
8′Wenn ein Programm die Antwort weiterverarbeitet, muss das Format verlässlich stimmen.
- 07
Tools & Function-Calling — das Modell handeln lassen
8′Modelle können Werkzeuge aufrufen — die Brücke vom Antworten zum Tun.
- 08
Wissen einbinden — die RAG-Grundidee
8′Statt zu hoffen, dass das Modell etwas weiß, gibst du ihm das Wissen im Moment der Frage.
- 09
Evals — Prompts messbar verbessern statt raten
9′Der Profi-Unterschied: du testest Prompt-Änderungen, statt 'fühlt sich besser an'.
- 10
System, User, Assistant — wer im Prompt was sagt
8′Moderne Modelle hören auf Rollen. Wer eine Anweisung gibt, entscheidet, wie stark sie wirkt.
- 11
Prompt-Vorlagen & Variablen — einmal bauen, oft nutzen
8′Ein guter Prompt ist kein Wegwerf-Text, sondern eine parametrisierte Vorlage mit Platzhaltern.
- 12
Meta-Prompting — die KI deinen Prompt schreiben und verbessern lassen
8′Die unterschätzteste Technik: Statt selbst an Formulierungen zu feilen, lässt du das Modell den Prompt nach bewährten Mustern bauen — und prüfst per Eval.
- 13
Prompt-Chaining — große Aufgaben in eine Pipeline zerlegen
9′Statt eines Mega-Prompts: mehrere kleine Schritte, deren Ergebnisse du weiterreichst.
- 14
Modellwahl & Parameter — Temperatur, Token-Limit, das richtige Modell
8′Der Prompt ist nur die halbe Steuerung. Modellwahl und ein paar Stellschrauben sind die andere.
- 15
Halluzinationen reduzieren — erdige Antworten, ehrliches Nicht-Wissen
9′Ein Modell erfindet am ehesten, wenn es etwas nicht weiß. Du kannst das gezielt eindämmen.
- 16
Reasoning-Modelle & Extended Thinking — wann Nachdenken sich lohnt
9′Manche Modelle 'denken' vor der Antwort sichtbar nach. Stark bei harten Problemen — Verschwendung bei leichten.
- 17
Self-Consistency — mehrmals fragen, das häufigste Ergebnis wählen
8′Ein einzelner Gedankengang kann auf einen falschen Pfad geraten. Lass die Aufgabe mehrmals lösen und nimm die Mehrheits-Antwort — wie eine kleine Jury.
- 18
Multimodale Prompts — Bilder, Screenshots & Dokumente als Eingabe
8′Moderne Modelle sehen, nicht nur lesen. Ein Screenshot im Prompt ist oft präziser als hundert Worte.
- 19
Persona- & Domänen-Design — das Modell auf Rolle und Fachgebiet einstellen
8′Eine präzise Rolle ist mehr als Höflichkeit: Sie verschiebt Wortwahl, Annahmen und Sorgfaltsmaßstab.
- 20
Prompt-Injection & Sicherheit — wenn Eingaben angreifen
8′Sobald fremder Text in deinen Prompt fließt, kann er Anweisungen schmuggeln.
Was du baust
Echte Artefakte, keine Theorie
Einen Prompt anatomisch aufbauen + Few-Shot
Ergebnis: Dein strukturierter Prompt + Few-Shot-Beispiele + 2-3 Sätze zum Unterschied gegenüber Zero-Shot.
Strukturierte JSON-Ausgabe erzwingen & prüfen
Ergebnis: Der Prompt + 5 Testfälle mit Ergebnis (immer gültiges JSON?) + deine Parse-Prüfung.
Capstone: Ein Prompt-System bauen und mit Evals absichern
Ergebnis: Dein Prompt-System + das Eval-Set mit Ergebnissen (Version A vs. B) + die Injection-Schutzmaßnahmen, kurz begründet.
Belege & Quellen
Jede Aussage ist belegt — echte, geprüfte Quellen statt Behauptungen.
Reinschnuppern
Gratis-VorschauGO vs. NO-GO — ein echtes Beispiel aus dem Track.
Wie der Track läuft
Mit Nova als Mentor
Dein KI-Mentor erklärt jedes Konzept, gibt dir fertige Claude-Code-Prompts und hilft bei jeder Frage.
Geprüftes Siegel
Nimm eine echte KI-Aufgabe, die verlässlich funktionieren muss. Erklär Nova, wie du den Prompt aufbaust (Bausteine, Few-Shot/Chain-of-Thought wo sinnvoll), wie du den Kontext managest und ein verlässliches Format erzwingst, ob du Tools oder eingebettetes Wissen (RAG) brauchst — und vor allem, wie du mit einem kleinen Eval-Set misst, dass deine Version wirklich besser ist, und wie du das Ganze gegen Prompt-Injection absicherst.
In deinem Tempo
Rund 151 Minuten Kerninhalt — plus deine eigenen Projekte. Jederzeit pausierbar.
Fehler, die du vermeidest
- Prompts als Zaubersprüche behandeln, statt Kontext (Rolle, Daten, Regeln, Format) bewusst zu gestalten.
- Anweisung und Inhalt ineinanderlaufen lassen — ohne Trennzeichen/Tags verwechselt das Modell beides.
- Alles ins Kontextfenster kippen; Wichtiges in der Mitte vergraben ('lost in the middle').
- Freitext erwarten, wo ein Programm verlässliches JSON braucht — und es im Code nicht defensiv parsen.
- Prompts nach Bauchgefühl ändern, ohne Evals — Verbesserungen und Regressionen bleiben unsichtbar.
- Fremde Eingaben vertrauen (Prompt-Injection) und dem Modell mehr Rechte/Tools geben als nötig.
Bereit für azena prompt?
250 Token · 20 Lektionen · von der KI geprüft.