Wlog…ig schreiben
– wir zeigen, wie es geht.

Meta-Prompting: Die KI schreibt die Prompts

Wir müssen nicht jeden Prompt selbst schreiben. Die KI kann Prompts entwerfen, vorhandene verbessern und große Aufgaben in kleine zerlegen. Das funktioniert erstaunlich gut, solange wir 2 Schwächen im Griff behalten: die Lust am Aufblähen und den Hang zum Dazudichten.

Ein Prompt ist eine Arbeitsanweisung. Meta-Prompting ist die Arbeitsanweisung für die Arbeitsanweisung. Wir bitten die KI also nicht, einen Text zu schreiben, sondern den Prompt, der diesen Text erzeugt. Oder wir geben ihr einen bestehenden Prompt zur Überarbeitung. Oder wir lassen sie eine komplexe Aufgabe in Teilaufträge zerlegen, die weitere Modellaufrufe erledigen.

Die ersten beiden Varianten sind Handwerkszeug für den Alltag. Sie funktionieren in ChatGPT, Claude, Gemini und allen anderen gängigen Assistenten. Die 3. stammt aus der Forschung und braucht ein wenig Programmierung. Alle 3 behandeln wir in diesem Wlog: mit Beispielen zum Nachbauen, mit einem Blick in die wichtigsten Studien und mit den Fallen, die uns in KI-Workshops immer wieder begegnen.

Kapitel:

Die KI kennt das Handwerk. Nur unseren Auftrag nicht.

Warum klappt das überhaupt? Sprachmodelle haben im Training Unmengen an Anleitungen, Forenbeiträgen und Prompt-Sammlungen gelesen. Sie wissen, woraus ein brauchbarer Prompt besteht: Ziel, Zielgruppe, Kontext, Format, Grenzen. Fehlt ein Baustein, merkt das Modell es schneller als wir. Die Arbeitsteilung ist deshalb klar: Das Modell strukturiert und formuliert. Den Inhalt liefern wir.

Erst die Fragen, dann der Prompt

Der schwächste Meta-Prompt der Welt lautet: „Schreib mir einen Prompt für X.“ Das Modell weiß nichts über unser X und schreibt deshalb einen Prompt für das durchschnittliche X. Ungefähr so passgenau wie ein Anzug in Konfektionsgröße „Passt schon“.

Besser: Lass das Modell zuerst fragen. Fragen holen den fehlenden Kontext ans Licht, und unsere Antworten werden zur Substanz des Prompts. Nehmen wir eine Tischlerei, die ihre Stellenanzeigen nicht jedes Mal neu erfinden will. Der Kasten ist eine Schablone zum Kopieren: Wer die eigene Aufgabe in die eckigen Klammern setzt, kann sofort loslegen.

Ich brauche einen wiederverwendbaren Prompt für folgende Aufgabe:
[EIGENE AUFGABE, z. B.: Stellenanzeigen für unsere Tischlerei schreiben, für Lehrlinge ebenso wie für Fachkräfte]

Schreib den Prompt noch nicht. Stell mir zuerst höchstens 5 Fragen zu dem, was du für einen guten Prompt wissen musst (zum Beispiel Zielgruppe, Tonalität, Pflichtangaben, Länge, was keinesfalls vorkommen soll). Stell alle Fragen auf einmal und nummeriere sie.

Wenn ich geantwortet habe, schreib den Prompt in einen Codeblock. Markiere alles, was ich bei jedem Einsatz neu ausfülle, mit [ECKIGEN KLAMMERN]. Erfinde keine Informationen über unser Unternehmen. Wo dir etwas fehlt, setz einen Platzhalter.

Warum so viele Leitplanken? Weil das Modell jede Lücke, die es erkennt, ebenso bereitwillig füllt. Und zwar mit Vermutungen. Fehlt die Zielgruppe, nimmt es eine Durchschnittszielgruppe an. Fehlt der Ton, wird es „professionell und freundlich“. Fehlt die Länge, wird es lang. Heraus kommt ein Prompt, der vollständig aussieht und trotzdem an unserer Aufgabe vorbeiformuliert ist.

Dazu kommt eine 2. Eigenheit: Modelle schreiben Prompts gern ausführlich. Jede Eventualität bekommt eine eigene Regel, jede Regel ein Adjektiv mehr, und irgendwann stehen da 3 Absätze Rollenbeschreibung für eine Aufgabe, die in 2 Sätzen erklärt wäre. Wir nennen das Promptitis. (Im Diagnosekatalog der WHO fehlt sie noch, in jedem zweiten Prompt-Archiv nicht.)

3 Details machen den Unterschied. Die Obergrenze von 5 Fragen verhindert ein Verhör. (Ohne Limit kommen gern 12, und Frage 11 lautet „Welche Werte verkörpert Ihr Unternehmen?“) Die eckigen Klammern trennen das Feste vom Veränderlichen und machen den Prompt erst wiederverwendbar. Und der letzte Satz schließt die Vermutungslücke, bevor sie aufgeht.

Beantworte die Fragen ruhig knapp und umgangssprachlich: „Lehrlinge locker ansprechen, die lesen das am Handy. Keine Floskeln wie ‚dynamisches Team‘. Gehalt immer angeben, das ist bei uns ohnehin Pflicht.“ Das Modell übersetzt solche Notizen in saubere Anweisungen. Unsere Arbeit liegt im Was, seine im Wie.

Noch ein Kniff für Fortgeschrittene: Bitte das Modell, unter den fertigen Prompt eine kurze Liste der Annahmen zu setzen, die es trotz unserer Antworten treffen musste. Diese Liste ist Gold wert. Sie zeigt uns genau die Stellen, an denen der Prompt noch auf wackligen Beinen steht.

Prompt-Diät: verbessern ohne Speckgürtel

Die 2. Alltagsvariante: Wir haben einen Prompt, der halbwegs funktioniert, und wollen ihn besser machen. Wer hier nur „Verbessere diesen Prompt“ schreibt, bekommt fast immer dasselbe zurück. Einen doppelt so langen Text mit Rollenbeschreibung, Aufzählungszeichen, Großbuchstaben und mindestens 3 „unbedingt“. Länger heißt aber nicht besser. Jede zusätzliche Regel konkurriert mit den anderen um Aufmerksamkeit, und wo Anweisungen einander widersprechen, entscheidet das Modell selbst, welcher es folgt.

Ein Beispiel aus einer Hausverwaltung. Der Ausgangsprompt:

„Beantworte die Mails der Mieter freundlich und professionell.“

Die klassische „Verbesserung“ durch das Modell, stark gekürzt:

„Du bist ein erfahrener, empathischer und lösungsorientierter Kundenservice-Experte mit langjähriger Erfahrung in der Immobilienbranche. Deine Aufgabe ist es, ALLE Anfragen von Mieter:innen stets freundlich, professionell, wertschätzend und effizient zu beantworten …“

So geht das weiter, über 400 Wörter. Klingt gründlich, sagt aber kaum mehr als das Original. Das eigentliche Problem bleibt unberührt: Was soll in der Antwort stehen, wenn jemand meldet, dass im Stiegenhaus seit 3 Tagen das Licht ausgefallen ist? Wer ist zuständig, welche Fristen gelten, was darf die Verwaltung zusagen und was nicht?

Ein wirksamerer Meta-Prompt trennt Diagnose und Behandlung:

Hier ist ein Prompt, den ich für [EIGENE AUFGABE, z. B.: Antwortmails an Mieter:innen] verwende: [PROMPT]

Und hier 3 Antworten, die er erzeugt hat und mit denen ich nicht zufrieden bin, jeweils mit meiner Kritik: [BEISPIELE]

Schritt 1: Nenne die 3 Schwächen des Prompts, die diese Probleme am wahrscheinlichsten verursachen. Ändere noch nichts.

Schritt 2: Wenn ich die Diagnose bestätigt habe, überarbeite den Prompt. Ändere nur, was eine der Schwächen behebt. Der neue Prompt darf höchstens 50 Prozent länger sein als der alte. Wo dir Informationen fehlen (z. B. Zuständigkeiten, Fristen), frag nach, statt sie zu erfinden.

Die misslungenen Antworten sind das Herzstück. Ohne sie verbessert das Modell ins Blaue, mit ihnen arbeitet es an unserem konkreten Problem. Die Längengrenze wirkt wie die Waage im Badezimmer: sanft, aber unbestechlich. Und die Trennung in 2 Schritte gibt uns die Chance, eine falsche Diagnose zu stoppen, bevor sie in einem neuen Prompt einzementiert ist.

Nach 2 Runden könnte das Ergebnis so aussehen: ein Prompt mit rund 120 Wörtern. Er nennt die Zuständigkeiten von Hausbesorgung, Verwaltung und Eigentümer:innen. Er gibt für jede Antwort dieselbe Reihenfolge vor: Dank, Zuständigkeit, nächster Schritt, Zeitrahmen. Und er enthält genau eine Tonregel: Schreib so, wie eine geduldige Kollegin am Telefon spricht. Kürzer als die aufgeblähte Fassung, aber um Welten nützlicher.

3 Labore, ein Begriff

Hinter den beiden Kniffen steckt mehr als Bauchgefühl. Den Begriff Meta-Prompting haben mehrere Forschungsteams fast zeitgleich geprägt, jedes mit eigenem Schwerpunkt. Wer sich einliest, stößt deshalb auf 3 Spielarten, die sich gut ergänzen.

Das Grundlagenpapier On Meta-Prompting von Adrian de Wynter und Team bei Microsoft definiert den Begriff denkbar knapp: Prompten, um Prompts zu bekommen. Der theoretische Teil arbeitet mit Kategorientheorie, die praktische Pointe kommt ohne Formeln aus. Ein starrer Master-Prompt, der jeden denkbaren Eingabetext abdecken soll, ist immer ein Kompromiss. Schaltet man einen Zwischenschritt ein, in dem das Modell zuerst das konkrete Material analysiert und daraus eine passgenaue Anweisung baut, bleibt ihm im 2. Schritt weniger Raum für Fehlinterpretationen. Man muss also nicht für jeden Spezialfall vorab den perfekten Prompt formulieren: Ein guter Meta-Prompt erzeugt die Spezial-Prompts selbst. In Tests zu Ideenfindung und kreativem Schreiben bevorzugten die Testpersonen klar die so erzeugten Prompts und deren Ergebnisse, verglichen mit fest vorgegebenen Standard-Prompts.

Yifan Zhang und sein Team an der Tsinghua-Universität in Peking setzen woanders an. Ihr Meta-Prompting heißt: Form statt Inhalt. Statt dem Modell ausführliche Beispieltexte mitzugeben (im Fachjargon Few-Shot-Prompting), bekommt es ein abstraktes Gerüst aus Denkschritten, Prüfpunkten und Platzhaltern. Das spart Platz im Kontextfenster und hat einen angenehmen Nebeneffekt: Das Modell kann Tonfall, Inhalt oder Schieflagen aus Beispielen nicht unbemerkt übernehmen, weil es keine gibt.

Mirac Suzgun und Adam Tauman Kalai schließlich machen aus einem einzigen Modell ein ganzes Team. Eine Instanz plant als Dirigent, zerlegt die Aufgabe und verteilt Teilaufträge an frische Instanzen, die als Expert:innen arbeiten. Dazu mehr im Exkurs am Ende.

AnsatzPrinzipStärke in der Praxis
Prompt-Architekt (de Wynter et al.)Das Modell analysiert das Material, schreibt einen maßgeschneiderten Prompt und führt ihn ausTextarbeit und Stiltransfer bei wechselndem Ausgangsmaterial
Struktur-Skelett (Zhang et al.)Abstraktes Gerüst aus Schritten und Platzhaltern statt BeispieltextenWiederkehrende Prüf- und Analyseaufgaben ohne Nachahmungseffekt
Dirigent (Suzgun & Kalai)Eine Instanz plant und delegiert an Expert:innen-InstanzenKomplexe, mehrstufige Aufgaben mit eingebauter Gegenkontrolle

Die beiden Alltagskniffe aus den vorigen Kapiteln sind kleine Verwandte des Prompt-Architekten. Das Modell baut den Prompt, wir liefern das Wissen. Wie die große Variante im Chat funktioniert, zeigt das nächste Kapitel.

Maßanzug statt Konfektionsware: der Prompt-Architekt

Spannend wird es für alle, die regelmäßig mit unterschiedlichem Ausgangsmaterial arbeiten. Die Idee von de Wynter und Kolleg:innen lässt sich direkt im Chat nachbauen: Das Modell liest zuerst den konkreten Text, schreibt daraus einen Prompt für genau diesen Fall und führt ihn anschließend aus.

Angenommen, wir wollen interne Rundschreiben in eine einheitliche, verständliche Sprache bringen. Mal kommt eine Mitteilung der IT über die neue Zwei-Faktor-Anmeldung, mal eine Einladung zur Betriebsversammlung, mal eine Info der Personalabteilung zu geänderten Gleitzeitregeln. Ein einziger Master-Prompt muss all das abdecken und bleibt deshalb vage. Der zweistufige Weg sieht so aus:

Du bekommst gleich einen Text, den wir [EIGENES ZIEL, z. B.: für alle Mitarbeiter:innen verständlich umschreiben] wollen.

Stufe 1: Analysiere den Text. Was ist die Kernbotschaft? Wer ist betroffen? Welche Handlung wird erwartet, bis wann? Welche Fachbegriffe brauchen eine Erklärung? Schreib auf dieser Basis einen Prompt für die Bearbeitung genau dieses Textes, höchstens 150 Wörter. Zeig ihn mir.

Stufe 2: Führe den Prompt aus, sobald ich ihn freigegeben habe.

Feste Vorgaben, die in jedem Prompt stehen müssen:
[EIGENE HAUSREGELN, z. B.: Sie-Form, Gender-Doppelpunkt, Sätze möglichst unter 20 Wörtern, die wichtigste Handlung im ersten Absatz]

[TEXT]

Der Clou liegt in der Mischung. Die festen Vorgaben sind unsere Hausordnung, die immer gilt. Alles andere passt das Modell an den Einzelfall an. Bei der IT-Mitteilung rückt es Frist und Schritt-für-Schritt-Anleitung nach vorn, bei der Gleitzeitregel die Frage „Was ändert sich für mich?“. Und weil wir den Zwischenschritt sehen, merken wir sofort, wenn das Modell die Kernbotschaft missverstanden hat. Einen Prompt zu korrigieren kostet 2 Minuten, einen fertigen Text zu reparieren deutlich mehr.

Nach demselben Prinzip arbeiten wir in unseren Projekten zum Text-Stil-Transfer: Zuerst analysieren wir den Stil eines Unternehmens und gießen ihn in Regeln, dann entstehen daraus Prompts, die diesen Stil zuverlässig treffen. (Ende der Werbedurchsage;)

Gerüst schlägt Mustertext

Wer ein bestimmtes Ergebnis will, gibt dem Modell meist Beispiele mit. Das ist naheliegend und oft hilfreich. Es hat aber eine Nebenwirkung, die Zhang und Team gut beschreiben: Modelle kopieren Beispiele gründlicher, als uns lieb ist. Geben wir 3 Produktbeschreibungen für Wanderschuhe vor, klingt auch die Beschreibung der Regenjacke nach Wanderschuh. Gleiche Satzlängen, gleiche Wendungen, manchmal sogar dieselben Adjektive.

Das Struktur-Skelett ersetzt Beispiele durch ein Denk- und Formatgerüst. So etwa für eine Verständlichkeitsprüfung:

Prüfe den folgenden Text in genau diesen Schritten:

1. Kernaussage: Formuliere sie in einem Satz. Gelingt das nicht, notiere das als Befund.
2. Zielgruppe: Wer liest das? Welches Vorwissen ist realistisch?
3. Stolpersteine: Liste Sätze über 25 Wörter, unerklärte Fachbegriffe und Passivketten auf, jeweils mit Fundstelle.
4. Priorität: Welche 3 Änderungen bringen am meisten?

Ausgabeformat:
KERNAUSSAGE: [ein Satz]
ZIELGRUPPE: [1 bis 2 Sätze]
STOLPERSTEINE: [Tabelle: Fundstelle | Problem | Vorschlag]
TOP 3: [nummeriert]

[TEXT]

Kein einziger Beispieltext, und trotzdem ist klar, was herauskommen soll. Das Gerüst funktioniert für ein Versicherungsformular genauso wie für die Website eines Gartenmöbelhändlers. Weil es nichts zum Nachahmen gibt, bleibt der Blick auf den jeweiligen Text unverstellt.

Zum Meta-Prompt wird das Ganze, wenn wir das Modell das Gerüst selbst bauen lassen: „Entwirf für folgende Aufgabe ein Prüfschema mit 4 bis 6 Schritten und festem Ausgabeformat. Verwende keine Beispieltexte.“ Wir prüfen das Schema einmal gründlich, danach verwenden wir es hundertmal.

5 Regeln gegen Promptitis

Quer durch alle Varianten haben sich in unserer Arbeit 5 Regeln bewährt. Sie passen auf einen Notizzettel und ersparen viel Nacharbeit:

  1. Inhalt von uns, Form vom Modell. Fakten, Zuständigkeiten und Grenzen kommen von uns.
  2. Platzhalter statt Vermutungen. Schreib ausdrücklich dazu: „Erfinde nichts. Markiere Annahmen als [ANNAHME].“
  3. Längenlimit setzen. In Wörtern oder als Prozentsatz der Ausgangslänge. Ohne Grenze wächst jeder Prompt.
  4. Diagnose vor Therapie. Erst die Schwächen benennen lassen, dann ändern lassen.
  5. An echten Fällen testen. Mindestens 3 möglichst verschiedene Eingaben, bevor ein Prompt in Serie geht.

Die 3. Regel ist übrigens die, die am häufigsten vergessen wird. Und die mit der größten Wirkung.

Exkurs: Der Dirigent, der selbst nicht spielt

In der Forschung bezeichnet Meta-Prompting auch eine ganz bestimmte Methode. Mirac Suzgun und Adam Tauman Kalai haben sie 2024 im Paper Meta-Prompting: Enhancing Language Models with Task-Agnostic Scaffolding vorgestellt.

Eine Modellinstanz, der Dirigent, bekommt die Aufgabe zusammen mit festen übergeordneten Anweisungen. Diese Anweisungen sind für jede Aufgabe gleich, ob Rechenrätsel oder Gedicht. Der Dirigent zerlegt die Aufgabe in Teile und schreibt für jeden Teil einen eigenen Prompt an einen „Experten“. Das ist ein frischer Aufruf desselben Modells, ausgestattet mit genau den Anweisungen, die der Dirigent für diesen Teil formuliert hat. Die Expert:innen sehen nur, was der Dirigent ihnen schickt, nicht den ganzen bisherigen Verlauf. Genau darin liegt der Trick: Sie prüfen mit frischem Blick, unbelastet von den Irrwegen davor. Der Dirigent liest ihre Antworten, lässt nachprüfen, wo er zweifelt, und setzt am Ende die Gesamtantwort zusammen. In einigen Versuchen durfte einer der Experten sogar Python-Code ausführen.

Übertragen auf unsere Branche könnte das so aussehen: Ein Energieversorger braucht einen neuen Claim. Der Dirigent beauftragt eine Markenstrategin mit der Positionierung, einen Texter mit 20 Varianten, eine Kritikerin mit der Klischeeprüfung und ein Lektorat mit dem Feinschliff. Scheint ihm ein Ergebnis zweifelhaft, schickt er es an eine weitere Instanz zur Gegenprüfung. Am Ende liegen 3 geprüfte Vorschläge auf dem Tisch, nicht 20 ungefilterte.

Getestet haben die Autoren das mit GPT-4 an einer bunten Mischung von Aufgaben: dem Zahlenrätsel Game of 24, dem Finden eines Schachmatts in einem Zug, Programmierrätseln in Python und dem Schreiben von Sonetten nach Shakespeare-Art. Im Durchschnitt über alle Aufgaben schlug der Dirigenten-Aufbau mit Python-Interpreter normales Prompting um 17,1 Prozent und die anderen getesteten Prompting-Gerüste um 15 bis 17 Prozent.

Ein Haken bleibt. Das ist ein Programm, keine einzelne Chat-Nachricht. Jeder Expertenaufruf ist eine eigene Anfrage unseres Codes, ähnlich wie beim Prompt Chaining, bei dem die Ausgabe eines Schritts zur Eingabe des nächsten wird. Der Unterschied: In einer Kette legen wir die Schritte vorab fest, der Dirigent entscheidet sie erst während der Arbeit. Diese Flexibilität kostet mehr Aufrufe und macht die Fehlersuche mühsamer. Kennen wir die Schritte einer Aufgabe schon, ist eine feste Kette deshalb meist die bessere Wahl.

Und im Chat? Eine Light-Version gelingt auch dort. Lass das Modell die Aufgabe zerlegen und für jeden Teil einen Prompt schreiben. Gib die Prüfung dann in einem neuen, leeren Chatfenster in Auftrag. Das ersetzt keinen echten Dirigenten, bewahrt aber das Wichtigste: den frischen Blick.

Fazit: Die KI schreibt mit, wir entscheiden

Meta-Prompting ist kein Zaubertrick, sondern Arbeitsteilung. Das Modell weiß, wie gute Prompts gebaut sind. Wir wissen, worum es in unserer Aufgabe tatsächlich geht. Wer beides zusammenbringt, bekommt Prompts, die präziser sind als jeder Schnellschuss und schlanker als jede KI-Eigenkreation. Lass fragen statt raten, diagnostizieren statt aufblähen, und setz Grenzen, bevor das Modell es tut. Probier es gleich beim nächsten Prompt aus, der nicht ganz gelingen will.

Meta-Prompting im Team verankern oder die Unternehmenssprache in Prompts übersetzen, die zuverlässig funktionieren? Wir begleiten dabei gerne, im Workshop oder im gemeinsamen Projekt.

Kontakt: office@wortwelt.at · 0043 664 88447112

Axel Ebert ist Sprachberater und KI-Trainer bei wortwelt®. Er schreibt seit über 25 Jahren Texte und seit einigen Jahren auch Texte, die Texte schreiben.

+43 664 88 44 7112
axel.ebert@wortwelt.at

Quellen:

de Wynter, A., Wang, X., Gu, Q. & Chen, S.-Q. (2023): On Meta-Prompting. arXiv:2312.06562. https://arxiv.org/abs/2312.06562

Zhang, Y., Yuan, Y. & Yao, A. C.-C. (2023): Meta Prompting for AI Systems. arXiv:2311.11482. https://arxiv.org/abs/2311.11482

Suzgun, M. & Kalai, A. T. (2024): Meta-Prompting: Enhancing Language Models with Task-Agnostic Scaffolding. arXiv:2401.12954. https://arxiv.org/abs/2401.12954