Perfekt Prompten, der praktische Guide für 2026

Warum Prompts so wichtig sind

Im Kapitel 06 hast du die Grundlagen kennengelernt: Was ein Prompt überhaupt ist, wie System- und User-Prompt zusammenspielen, warum kleine Änderungen riesige Effekte haben. Dieser Guide hier geht deutlich tiefer. Er ist nicht "was ist ein Prompt", sondern "wie schreibe ich heute, im Mai 2026, einen Prompt, der wirklich funktioniert, egal ob für Texte, Code, eine App-Idee oder einen Agent".

Der Grund, warum das ein eigenes Kapitel verdient: Die Modelle haben sich verändert. Claude Opus 4.7, GPT-5.5, Gemini 3, alle interpretieren Prompts inzwischen deutlich literaler als noch vor zwei Jahren. Was du sagst, bekommst du. Was du nicht sagst, bekommst du nicht. Gleichzeitig sind die Modelle mächtiger geworden: sie planen, schreiben Code über mehrere Dateien, bauen ganze Apps. Das stellt höhere Ansprüche an den Input.

Wer 2026 schlecht promptet, verschenkt 70 Prozent dessen, was die Modelle könnten. Wer gut promptet, holt das Letzte raus, oft mit weniger Aufwand als gedacht.

Prompten ist heute nicht "längere Prompts schreiben". Es ist "klarere Specs schreiben".

Die 7 Grundprinzipien, die für alles gelten

Bevor wir in die Kategorien gehen, hier die universellen Regeln. Sie funktionieren in jedem Kontext, bei jedem Modell, für jede Aufgabe. Wenn ein Prompt nicht das liefert, was du willst, ist mit hoher Wahrscheinlichkeit einer dieser Hebel noch nicht gezogen.

Die wichtigsten Kategorien, und wie du in jeder prompts

Die Grundprinzipien gelten überall. Aber in jeder Kategorie gibt es zusätzliche Hebel, die nur dort wirken. Hier kommen die sieben wichtigsten Anwendungsfelder, jedes mit den spezifischen Mustern, die 2026 funktionieren.

Prompts für Schreiben (Texte, Artikel, Marketing)

Beim Schreiben ist der häufigste Fehler, dass Menschen die KI behandeln, als wüsste sie schon, für wen geschrieben wird. Tut sie nicht. Du musst Zielgruppe, Tonfall, Format und Brand Voice explizit liefern.

Vier Dinge gehören in jeden Schreib-Prompt: Rolle (wer schreibt), Publikum (für wen), Format (Länge, Struktur, Plattform) und Tonfall (formell, locker, ernst, ironisch). Wenn du eine Brand Voice hast, leg ein, zwei Textbeispiele dazu. Die KI imitiert deinen Stil besser als jede Beschreibung wie "klingt seriös aber nahbar" es je könnte.

Prompts für Code (Programmieren mit Claude, GPT, Copilot)

Beim Coden ist die Versuchung groß, sehr kurze Prompts zu schreiben. "Bau mir eine Login-Seite." Das funktioniert für Spielzeug-Beispiele und scheitert in echter Software. Was in den Kontext gehört, ist immer dasselbe Sechsergrüppchen: Stack, relevante Dateien, Constraints, Style Guide, was schon existiert, was die Akzeptanzkriterien sind.

Drei Muster funktionieren 2026 in allen großen Coding-Tools (Claude Code, Cursor, Copilot, Codex):

• "Erst den Plan, dann den Code." Bitte die KI, vor dem Schreiben zu beschreiben, was sie ändern wird, welche Dateien betroffen sind, welche Tests sie schreiben würde. Das fängt 80 Prozent aller Missverständnisse vor dem ersten Byte ab.
• "Schreibe Tests, bevor du implementierst." Wenn die KI zuerst Tests schreibt und diese mit dir abstimmt, ist die anschließende Implementation präziser, weil sie ein klares Ziel hat.
• Iterative Verbesserung über Diffs. Statt "schreib das neu" lieber "ändere genau Zeile 42 bis 56 so, dass Y passiert". Je präziser der Eingriff, desto weniger ungewollte Nebenwirkungen.

Tool-Eigenheiten, die du kennen solltest: Claude Code ist sehr stark im Lesen ganzer Codebases und im Planen, aber neigt dazu, mehr zu ändern als du verlangt hast. Sag explizit: "Ändere nur, was nötig ist, kein Refactoring drumherum." Cursor ist schnell und gut im Hin-und-Her, gewinnt aber durch gepflegte .cursorrules-Dateien deutlich. Copilot arbeitet am besten mit kurzen, klaren Funktionssignaturen und Kommentaren als Aufhänger.

Prompts für Build (Apps, Websites, Architektur, Mock-ups)

Bei größeren Bauten, einer ganzen App, einer Landing-Page, einer Systemarchitektur, ist der häufigste Fehler, zu früh in die Umsetzung zu gehen. Die KI fängt an zu coden, bevor klar ist, was überhaupt gebaut werden soll. Ergebnis: viel Output, wenig davon brauchbar.

Was bei Build-Prompts 2026 wirklich funktioniert, ist phasenweise Generation:

Prompts für Analyse (Daten, Texte, Code-Reviews)

Bei Analysen ist die größte Falle die Frage "Sag mir, was auffällt". Das produziert oberflächliche Beobachtungen, weil die KI raten muss, worauf du hinauswillst. Besser sind spezifische Fragen mit definiertem Output-Format.

Drei Hebel funktionieren in Analyse-Prompts besonders gut:

• Strukturiertes Output anfordern. "Liefere die Ergebnisse als Markdown-Tabelle mit den Spalten: Fund, Schweregrad (low/medium/high), Begründung, Empfehlung." Das zwingt die KI, ihre Aussagen zu zerlegen und einzuordnen.
• Begründungen verlangen, nicht nur Schlussfolgerungen. "Begründe jede Einstufung in einem Satz, mit Bezug zu einer konkreten Stelle im Text." So merkst du sofort, ob die KI nur rät oder wirklich gelesen hat.
• Mehrere Perspektiven einholen. "Analysiere diesen Vertrag erst aus Sicht des Käufers, dann aus Sicht des Verkäufers, dann aus rechtlicher Sicht." Drei Pässe finden Dinge, die ein einzelner nicht sieht.

Besonders bei Code-Reviews lohnt ein Trick: Sag der KI, dass ihre Aufgabe Coverage ist, nicht Filterung. "Berichte jeden Fund, auch unsichere, auch low-severity. Eine spätere Stufe filtert. Deine Aufgabe hier ist Vollständigkeit." Das erhöht die Trefferquote spürbar, gerade bei den neueren, eher zurückhaltenden Modellen.

Prompts für Recherche und Lernen

Wenn du etwas verstehen willst, ist der wichtigste Hebel die Zielniveau-Angabe. "Erklär mir das wie für einen Einsteiger ohne Vorwissen" ergibt etwas völlig anderes als "Erklär mir das auf Expertenniveau, ich kenne die Grundlagen". Beides ist legitim, beides musst du sagen.

Was beim Lernen besonders gut funktioniert:

• Analogien anfordern. "Erklär mir Quantenverschränkung mit einer Analogie aus dem Alltag." Modelle sind erstaunlich gut darin, abstrakte Konzepte in greifbare Bilder zu übersetzen.
• ELI5 plus Deep Dive in einem Prompt. "Erklär mir RAG erst in zwei Sätzen für einen Fünfjährigen, dann in einem ausführlichen Absatz für einen Software-Entwickler." Du bekommst beides, kannst entscheiden, was du brauchst.
• Verständnis-Check einbauen. "Erklär mir X, dann stell mir drei Fragen, mit denen ich prüfen kann, ob ich es wirklich verstanden habe." Aktives Lernen statt passives Lesen.

Prompts für Brainstorming und Ideenfindung

Beim Brainstorming will man Variation, nicht Präzision. Die Hebel sind hier entsprechend andere als beim Schreiben oder Coden. Was funktioniert:

• Quantität explizit vor Qualität. "Gib mir 20 Ideen, davon mindestens 5 absurde." Wenn du nur "ein paar Ideen" verlangst, bekommst du drei brave Vorschläge. Forderst du 20, fängt die KI an, mutiger zu werden.
• Constraints als Kreativitätstreiber. "Gib mir 10 Namen für eine Kaffeebar, jeder maximal zwei Silben, keiner enthält das Wort Kaffee oder Bohne." Enge Grenzen erzwingen Erfindungsreichtum.
• Rollen rotieren. "Gib mir 5 Ideen aus Sicht eines Marketing-Profis, 5 aus Sicht eines Skeptikers, 5 aus Sicht eines 12-Jährigen." Verschiedene Perspektiven legen verschiedene Räume frei.
• Tree of Thoughts. "Erkunde drei mögliche Richtungen, bevor du dich auf eine festlegst. Beschreibe jede in zwei Sätzen, dann wähl die stärkste und entwickle sie aus."

Der zweite Schritt ist mindestens so wichtig wie der erste: Refinement. "Aus diesen 20 Ideen, wähle die 3 stärksten nach den Kriterien Originalität, Umsetzbarkeit, Marktpotenzial. Mach jede in einem Absatz konkret." So entstehen aus Brainstorming-Listen tatsächlich verwendbare Konzepte.

Prompts für Agents und Tool-Use

Wenn die KI nicht nur antwortet, sondern handelt, Werkzeuge benutzt, im Web sucht, Code ausführt, ändert sich das Spiel. Ein Agent-Prompt ist im Kern ein Spec-Dokument, kein Dialog. Es muss vor dem ersten Schritt klar sein, was passieren darf und was nicht.

Vier Bestandteile gehören in jeden Agent-Prompt:

• Identität und Aufgabe. Wer ist der Agent, was ist sein einziger Zweck. "Du bist ein Recherche-Assistent. Deine Aufgabe ist es, Quellen für die folgende Frage zu finden und zu bewerten."
• Werkzeug-Regeln. Welche Tools darf der Agent benutzen, wann, in welcher Reihenfolge, was, wenn ein Tool fehlschlägt. Hier lebt der Großteil aller Agent-Bugs.
• Erfolgsdefinition. "Fertig, wenn du fünf unabhängige, datierte Quellen hast und jede in zwei Sätzen zusammenfasst." Ohne dieses Kriterium läuft ein Agent endlos oder bricht zu früh ab.
• Sicherheits-Constraints. Was niemals passieren darf. "Keine E-Mails senden. Keine Käufe tätigen. Bei Aktionen mit Geldwert oder mit externen Empfängern: immer fragen."

Ein konkretes Beispiel für ein gut strukturiertes Agent-Prompt mit XML-Tags:

<role>
Du bist ein Code-Review-Agent für TypeScript-Projekte.
</role>

<objective>
Finde Bugs, Sicherheitslücken und Stilbrüche im aktuellen Diff
und erstelle eine priorisierte Liste mit Empfehlungen.
</objective>

<tools>
- read_file: Datei lesen, nur lesend
- run_tests: Tests ausführen
- web_search: nur für CVE-Lookups
</tools>

<rules>
- Niemals Code verändern.
- Niemals Dateien außerhalb des Repos öffnen.
- Bei jedem Fund: Pfad, Zeile, Schweregrad, Begründung.
- Berichte ALLE Funde, auch unsichere. Filtern ist Sache des Menschen.
</rules>

<done_when>
Du hast jede geänderte Datei gelesen und einen abschließenden
Report im Markdown-Format geliefert.
</done_when>

Fortgeschrittene Techniken

Die folgenden Techniken sind nicht für jeden Prompt nötig. Aber zu wissen, dass es sie gibt, und wann man sie zieht, ist der Unterschied zwischen Hobby-Promptern und Profis.

Wer einmal mit XML-Tags geschrieben hat, will nicht zurück. Sie sind das Gerüst, das Prompts wartbar macht.

Häufige Fehler, und wie du sie vermeidest

Es gibt eine Handvoll Anti-Patterns, die in 2026 immer noch täglich passieren. Wer sie kennt und vermeidet, ist sofort im oberen Drittel.

Vier weitere typische Fehler in Kurzfassung:

• Kein Format vorgegeben. Die KI rät, du iterierst dreimal. Lieber direkt sagen: "als Tabelle", "als Liste mit drei Spalten", "als JSON mit den Feldern X, Y, Z".
• Zu viel auf einmal. Eine Anfrage mit acht Teilaufgaben endet meistens in einer halbgaren Antwort zu jeder. Zerleg in einzelne Prompts, iteriere.
• Kein einziges Beispiel. Wenn du ein bestimmtes Format willst und keins zeigst, bist du selbst schuld am Ergebnis. Few-Shot ist fast immer billiger als Iteration.
• Den ersten Output für die finale Version halten. Erste Outputs sind Rohmaterial, nicht Endprodukt. Wer einmal generiert und sofort kopiert, lässt 50 Prozent der Qualität liegen.