Prompting - Effektiv mit KI arbeiten
Abschnittsübersicht
-
Was sind "Prompts" und warum sind diese wichtig?Im Zusammenhang mit KI bezieht sich "Prompting" auf die Praxis, künstliche Intelligenz-Modelle durch klare und spezifische Anweisungen, Fragen oder Aufforderungen zu leiten, um gezielte Antworten oder Generierungen zu erhalten.
Diese Anweisungen, auch als "Prompts" bezeichnet, dienen als Input für KI-Modelle, insbesondere für generative Modelle wie GPT (Generative Pre-trained Transformer).
In einfachen Worten bedeutet Prompting im Kontext der KI, dass ein:e Benutzer:in dem Modell sagt, was man erwartet oder benötigt, indem eine präzise Eingabe formuliert wird. Je klarer und spezifischer ein Prompt ist, desto genauer und relevanter sind die generierten Ergebnisse des KI-Modells. Es ist eine Möglichkeit, die Fähigkeiten von KI-Modellen zu lenken und sicherzustellen, dass die Ausgabe den gewünschten Anforderungen entspricht.
Schauen Sie sich gerne dazu z.B. auch die kostenlose "Prompting-Schule" der TU Graz an [03.09.2025]-
Arten von Prompts
Welche Arten von Prompts gibt es?
Im
Zusammenhang mit KI und Lehr- und Lernszenarien können verschiedene
Arten von Prompts genutzt werden, um spezifische Ergebnisse von
KI-Modellen zu erhalten. Hier sind einige wichtige Arten von Prompts aufgelistet.Je nach Lehr- und Lernszenario und methodisch-didaktischer Vorgehensweise eignen sich bestimmte Arten der Integration von Prompts.
Die Lernziele, z.B. bestimmte zu erlernende Kompetenzen, spielen diesbzgl. ebenso eine wichtige Rolle, wie auch das Setting und die jeweilige Zielgruppe sowie ihre Bedürfnisse.
Frage-Prompts:
- Beispiel: "Erkläre die Grundprinzipien der Thermodynamik."
- Anwendung: Um detaillierte Erklärungen oder Zusammenfassungen zu einem bestimmten Thema zu erhalten.
Problem-Lösungs-Prompts:
- Beispiel: "Löse die folgende Gleichung: x^2 + 2x - 8 = 0."
- Anwendung: Um Lösungen für mathematische Probleme oder Aufgaben zu generieren.
Reflexions-Prompts:
- Beispiel: "Reflektiere über die Auswirkungen des Klimawandels auf die Umwelt."
- Anwendung: Um ausführliche und reflektierte Antworten zu komplexen Themen zu erhalten.
Kreativitäts-Prompts:
- Beispiel: "Entwickle eine innovative Lösung für die Reduzierung von Plastikmüll."
- Anwendung: Um kreative Ideen und Vorschläge zu generieren.
Bewertungs-Prompts:
- Beispiel: "Bewerte die Vor- und Nachteile von erneuerbaren Energien im Vergleich zu fossilen Brennstoffen."
- Anwendung: Um eine detaillierte Analyse von verschiedenen Optionen oder Ansätzen zu erhalten.
Vergleichs-Prompts:
- Beispiel: "Vergleiche die Merkmale von Pflanzenzellen und Tierzellen."
- Anwendung: Um klare Unterscheidungen zwischen verschiedenen Konzepten oder Entitäten zu erhalten.
Anwendungsorientierte-Prompts:
- Beispiel: "Beschreibe die Anwendung von Ohmschem Gesetz in einem elektrischen Schaltkreis."
- Anwendung: Um praxisnahe Anwendungen von theoretischem Wissen zu generieren.
Diskussions-Prompts:
- Beispiel: "Diskutiere die ethischen Implikationen von Gentechnik."
- Anwendung: Um ausführliche Diskussionen und Meinungen zu kontroversen Themen zu erhalten.
Fallstudien-Prompts:
- Beispiel: "Analysiere die geologischen Merkmale eines bestimmten Erdbebens."
- Anwendung: Um detaillierte Analysen von realen Szenarien oder Fallstudien zu erhalten.
Die Auswahl der Promptart hängt davon ab, welche Art von Informationen oder Aktivitäten in einem Lehr- und Lernkontext benötigt werden. Klare und gezielte Prompts helfen, präzise und relevante Antworten von KI-Modellen zu erhalten. Umgekehrt können fehlerhafte Prompts enttäuschende/falsche Ergebnisse liefern! -
Exkurs: Prompt-Techniken

Was gibt es denn so an "Prompt-Techniken"?
In diesem kurzen Exkurs sollen Ihnen die Termini der Prompt-Techniken näher erläutert werden.
Die verschiedenen Techniken (und die Unterschiede zu kennen) sollen das Verständnis für die Arbeit mit und durch KI fördern und Ihnen dahingehend auch Optionen aufzeigen!
Je nach Aufgabe, Zielstellung und didaktisch-methodischem Setting eignen sich bestimmte Techniken mehr als andere. Konkrete Anwedungsszenarien dieser Techniken (bezogen auf bestimmte Studiengänge der THGA) finden Sie in nachfolgenden Abschnitten erläutert!
Die hier vorgestellten Techniken haben Überschneidungen und können u.a. von generativer KI verwendet werden. Natürlich können Benutzer:innen auch bestimmte Techniken forcieren bzw. von der KI einfordern und transparent machen.Vertiefende Erläuterungen und weitere Beispiele können Sie im Prompting-Guide , bei Joscha Falk oder z.B. unter diesem Link vorfinden [31.01.2024]Prompt-Techniken:
-
Zero Shot Prompting / Few Shot Prompting
Zero Shot Prompting:
Das bedeutet, dass man eine KI ohne vorherige Beispiele oder Hinweise eine Aufgabe lösen lässt, indem man ihr nur eine natürlichsprachliche Eingabeaufforderung gibt. Zum Beispiel: “Schreibe einen kurzen Text über die Vorteile von Prompt Engineering!"
Few Shot Prompting:
Das bedeutet, dass man einer KI einige Beispiele oder Hinweise gibt, um ihr zu helfen, eine Aufgabe zu lösen, indem man ihr eine natürlichsprachliche Eingabeaufforderung gibt. Zum Beispiel: "Ordne die folgenden Wörter in die Kategorien Obst oder Gemüse ein. Verwende das Format ‘Wort: Kategorie’ ! Ergebnis z.B.: "Apfel: Obst"
-
Reverse Prompt Engineering
Reverse Prompt Engineering (RPE) ist eine Technik, bei der anhand der Ergebnisse von KI-Systemen Rückschlüsse auf die verwendeten Eingaben oder "Prompts" gezogen werden. Anstatt das Modell zu trainieren, indem man ihm Prompts mit den gewünschten Antworten gibt, analysiert man die Antworten des Modells und versucht dann, die ursprünglichen Prompts zu rekonstruieren.
Diese Technik kann nützlich sein, um besser zu verstehen, wie ein KI-Modell funktioniert, indem man Einblicke in die Muster und Informationen erhält, die es verwendet, um seine Antworten zu generieren. Es kann auch helfen, Schwachstellen oder unerwünschte Verhaltensweisen in einem Modell aufzudecken, indem man herausfindet, welche Arten von Eingaben dazu führen, dass es falsche oder unangemessene Antworten gibt
Beispiel:In der Elektrotechnik könnte Reverse Prompt Engineering beispielsweise angewendet werden, um die spezifischen Eingabesignale zu identifizieren, die ein KI-Modell wie ein neuronales Netzwerk verwendet, um elektrische Signale zu analysieren und Vorhersagen zu treffen.
Angenommen, Sie haben ein neuronales Netzwerk trainiert, um Fehler in elektrischen Schaltkreisen zu erkennen...
Anstatt dem Modell direkte Hinweise auf die Fehler zu geben, könnten Sie ihm verschiedene fehlerhafte Signale präsentieren und dann die Ausgaben des Modells analysieren, um zu sehen, wie es diese Fehler interpretiert. Durch die Rückverfolgung der Ausgaben des Modells könnten Sie möglicherweise Rückschlüsse darauf ziehen, welche Merkmale oder Muster in den Eingangssignalen besonders wichtig sind, um Fehler zu erkennen.
Dies könnte Ihnen helfen, die Funktionsweise des Modells besser zu verstehen und möglicherweise auch Einblicke in die Arten von Fehlern zu gewinnen, die das Modell möglicherweise nicht gut erkennt oder falsch interpretiert.
-
Chain of thought prompting
Das bedeutet, dass man einer KI eine Reihe von zusammenhängenden Eingabeaufforderungen gibt, um ihr zu helfen, eine komplexe oder kreative Aufgabe zu lösen, indem man ihr eine natürlichsprachliche Anweisung gibt.
Zum Beispiel: "Schreibe einen kurzen Krimi mit folgenden Elementen:
- Der Detektiv heißt Sherlock Holmes.
- Der Mörder ist der Gärtner.
- Die Tatwaffe ist eine Gartenschere.
- Das Motiv ist Eifersucht.
Beginne mit der Eingabeaufforderung ‘Sherlock Holmes betrat den Tatort.’ und fahre mit der nächsten Eingabeaufforderung fort, wenn du einen Absatz geschrieben hast.Chain of Thought Prompting ermöglicht im Gegensatz zu anderen Prompting-Methoden, die oft lediglich eine einzelne Eingabeaufforderung verwenden, eine Simulation des Denkprozesses. Während herkömmliche Prompts das Sprachmodell direkt nach einer Antwort fragen, führt Chain of Thought es durch eine scheinbare Gedankenkette. Dabei generiert das Modell nicht nur eine Antwort, sondern auch eine Erklärung, wie diese zustande gekommen ist. Dieser Ansatz zur Problemlösung ähnelt menschlichen Denk- und Handlungsmustern und kann die Qualität der Ergebnisse deutlich steigern
-
Role prompting
Das bedeutet, dass man einer KI eine Rolle oder einen Charakter zuweist, um ihr zu helfen, eine Aufgabe zu lösen, indem man ihr eine natürlichsprachliche Eingabeaufforderung gibt. Zum Beispiel: “Schreibe einen kurzen Dialog zwischen einem Arzt und einem Patienten, der sich über Kopfschmerzen beschwert. Du bist der Arzt. Beginne mit der Eingabeaufforderung ‘Guten Tag, wie kann ich Ihnen helfen?’.”
Tipp:Es ist hilfreich, wenn Sie der KI neben einer Rolle (Expertin für Thema XY) auch weitergehende Fachkompetenzen zuweisen. Die Genauigkeit der Beschreibung einer Rolle sowie die benötigten Kompetenzen haben Einfluss auf die Generierung eines Ergebnisses und müssen im Zweifel daher angepasst und ausprobiert werden. -
Option-based prompting
Das bedeutet, dass man einer KI mehrere Optionen oder Alternativen gibt, um ihr zu helfen, eine Aufgabe zu lösen, indem man ihr eine natürlichsprachliche Eingabeaufforderung gibt.
Zum Beispiel: "Schreibe einen kurzen Text über die Vorteile von Prompt Engineering. Wähle eine der folgenden Optionen aus:
- Eine Liste mit drei Vorteilen
- Ein Vergleich mit einer anderen Technik
- Ein Erfahrungsbericht von einem Nutzer
Gib die gewählte Option am Anfang des Textes an."
-
Self-Consistency
Beschreibt eine andere, neue Dekodierungsstrategie. Self-Consistency ist eine Methode, die die Qualität der Antworten von großen Sprachmodellen verbessert, wenn sie komplexe Probleme lösen.
Sie basiert auf der Idee, dass es für ein Problem oft mehrere Denkwege gibt, die zu einer eindeutigen richtigen Antwort führen. Self-Consistency erzeugt zuerst eine Vielzahl von Denkwegen, anstatt nur den einfachsten zu nehmen, und wählt dann die Antwort aus, die mit den meisten Denkwegen übereinstimmt.
Self-Consistency wird in Kombination mit der Chain-of-Thought-Prompting-Methode verwendet, bei der man einem Sprachmodell ein paar Beispiele zeigt, wie es ein Problem Schritt für Schritt lösen kann.
Beispiel:Frage als Prompt: "Wieviele Seiten hat ein Würfel?" Die Chain-of-Thought Erschließung (s.o.) liefe z.B. wie folgt in der KI ab:A: Ein Würfel ist ein dreidimensionaler Körper, der aus sechs quadratischen Flächen besteht.
Q: Was ist eine quadratische Fläche?
A: Eine quadratische Fläche ist eine Fläche, die vier gleich lange Seiten und vier rechte Winkel hat.
Q: Wie viele rechte Winkel hat eine quadratische Fläche? ....usw. bis zum richtigen Ergebnis!
Die alternative (KI)-Herangehensweise, die diese Technik widerspiegelt, könnte wie folgt aussehen:A: Ein Würfel ist ein Polyeder, der aus sechs kongruenten Flächen besteht.
Q: Was ist ein Polyeder?
A: Ein Polyeder ist ein dreidimensionaler Körper, der aus ebenen Flächen, geraden Kanten und Ecken besteht.
Q: Wie viele Kanten hat ein Polyeder?
A: Die Anzahl der Kanten eines Polyeders hängt von der Anzahl seiner Flächen und Ecken ab. Es gibt eine Formel, die diese Beziehung beschreibt: F + E - K = 2, wobei F die Anzahl der Flächen, E die Anzahl der Ecken und K die Anzahl der Kanten ist.
Q: Wie viele Ecken hat ein Würfel?
A: Ein Würfel hat acht Ecken.
Q: Wie viele Kanten hat ein Würfel?
A: Wenn wir die Formel F + E - K = 2 verwenden und die Werte für F und E einsetzen, erhalten wir: 6 + 8 - K = 2, was bedeutet, dass K = 12 ist. Ein Würfel hat also 12 Kanten.
Q: Wie viele Seiten hat ein Würfel?
A: Ein Würfel hat sechs Seiten, die seinen sechs Flächen entsprechen. -
Meta-Prompts & Prompt-Templates
Dies sind Prompts, die andere Prompts generieren, indem sie die Eingabe der Benutzer:innen oder die Ausgabe des Modells verwenden, um die Anweisung, den Kontext oder die Beispiele anzupassen. Diese "parametrisierten Prompts" helfen der KI bestimmte Generierungsprozesse zu initiieren.
Ein Beispiel wäre die Anfrage von Benutzer:innen zum Erlernen einer bestimmten Programmiersprache an die KI:
Q: Wie lerne ich {language}?
A: Um {language} zu lernen, benötigen Sie folgende Ressourcen:
- Ein {language}-Tutorial, das Ihnen die Grundlagen der Syntax, der Datenstrukturen, der Funktionen und der Objektorientierung beibringt. Sie können dieses Tutorial hier finden: {tutorial_link}.
- Ein {language}-Editor, mit dem Sie Ihren Code schreiben, ausführen und debuggen können. Sie können diesen Editor hier herunterladen: {editor_link}.
- Ein {language}-Projekt, an dem Sie Ihre Fähigkeiten anwenden und verbessern können. Sie können einige Projektideen hier finden: {project_link}.
Dies ist ein parametrisiertes Prompt, indem die Parameter {language}, {tutorial_link}, {editor_link} und {project_link} mit Werten gefüllt werden, die von den Benutzer:innen oder vom Modell bereitgestellt werden. Zum Beispiel, wenn die Benutzer:innen eben fragen:Q: Wie lerne ich Python?
-
Tree of Thoughts (ToT)
Tree of Thoughts ist eine Methode, die es großen Sprachmodellen (LLMs) wie ChatGPT-4 ermöglicht, mehrere Denkwege zu erkunden, wenn sie Probleme lösen. ToT hat vier Phasen: Brainstorming, Evaluierung, Erweiterung und Entscheidung. In jeder Phase werden verschiedene Lösungen für ein Problem generiert, bewertet, vertieft und verglichen. Am Ende wird die beste Lösung ausgewählt und begründet.
Beispiel:Q: Wie kann ich mein kleines Unternehmen inmitten wirtschaftlicher Unsicherheit führen?
Brainstorming: Ich könnte (1) mein Geschäftsmodell anpassen, (2) nach neuen Märkten suchen oder (3) nach Finanzierungsmöglichkeiten suchen.
Evaluierung: Option (1) hat eine hohe Erfolgswahrscheinlichkeit, aber erfordert viel Aufwand und Kreativität. Option (2) hat eine mittlere Erfolgswahrscheinlichkeit, aber erfordert viel Recherche und Marketing. Option (3) hat eine niedrige Erfolgswahrscheinlichkeit, aber erfordert wenig Aufwand und Ressourcen.
Erweiterung: Option (1) könnte bedeuten, dass ich mein Angebot digitalisiere, meine Preise senke oder meine Zielgruppe erweitere. Option (2) könnte bedeuten, dass ich online verkaufe, neue Partnerschaften aufbaue oder in neue Regionen expandiere. Option (3) könnte bedeuten, dass ich einen Kredit aufnehme, nach Investoren suche oder Crowdfunding nutze.
Entscheidung: Ich entscheide mich für Option (1), weil sie mir die größte Flexibilität und Anpassungsfähigkeit bietet. Ich glaube, dass ich mein Geschäftsmodell mit etwas Kreativität und Experimentieren erfolgreich verändern kann. Ich werde mein Angebot digitalisieren, indem ich eine Website erstelle, Online-Zahlungen akzeptiere und meine Produkte per Post verschicke.
-
Anwendungsszenarien in der Hochschule
Prompting und Anwendungsszenarien in der Hochschule
Die Frage, inwieweit man Prompting nun auch im methodisch-didaktischem Sinne einsetzen kann, soll nachfolgend erörtert werden.Grundsätzlich gibt es eine Vielzahl an möglichen Lehr- und Lernszenarien, bei denen generative KI unterstützend eingesetzt werden kann. Eine kritische Auseinandersetzung mit den Ergebnissen bzw. der Arbeit von KI ist dabei nach wie vor unumgänglich.
An einigen Beispielen und Modellen soll die Arbeit mit KI im und außerhalb von Unterricht hier nun veranschaulicht und demonstriert werden. Natürlich gibt es noch viele weitere, denkbare und auch kreative Anwendungsszenarien, die Lernen und Lehre bereichern und andere Lernzugänge gestalten bzw. zulassen können.
Prompting mit generativer KI kann in Lehr- und Lernszenarien auf vielfältige Weise eingesetzt werden, um den Lernprozess zu verbessern. Hier sind einige Anwendungsmöglichkeiten und -beispiele zusammengefasst:
Generierung von Lernmaterial:
- Lehrer:innen können generative KI verwenden, um maßgeschneidertes Lernmaterial zu erstellen. Durch die Bereitstellung klarer Prompts können sie KI-Modelle dazu anleiten, relevante Erklärungen, Beispiele oder Übungen zu generieren.
Automatische Rückmeldungen:
- Lernende können ihre Antworten auf bestimmte Prompts eingeben, und die generative KI kann automatisch konstruktive Rückmeldungen generieren. Dies fördert schnelles, individuelles Feedback und unterstützt den Lernprozess.
Textgenerierung für kreative Aufgaben:
- In Fächern wie Literatur oder Kreativschreiben können generative Modelle kreative Texte auf der Grundlage von Prompts erstellen. Dies kann dazu beitragen, die Schreibfähigkeiten der Lernenden zu entwickeln.
Interaktive Simulationen:
- Durch die Verwendung von Prompts können KI-Modelle interaktive Simulationen generieren, die den Lernenden helfen, komplexe Konzepte besser zu verstehen. Dies ist besonders in den Naturwissenschaften und Ingenieurwissenschaften relevant.
Adaptive Lernumgebungen:
- Generative KI kann dazu verwendet werden, adaptive Lernumgebungen zu schaffen. Basierend auf den Reaktionen der Lernenden auf bestimmte Prompts kann das System automatisch personalisierte Lernmaterialien und Aktivitäten bereitstellen.
Entwicklung von Problemlösungsfähigkeiten:
- Prompts können so gestaltet werden, dass sie die Lernenden dazu anregen, komplexe Probleme zu analysieren und kreative Lösungen zu entwickeln. Dies fördert kritisches Denken und Problemlösungsfähigkeiten.
Peer-Review-Prozesse:
- Lernende können Prompts für Peer-Reviews erstellen, bei denen KI dazu verwendet wird, konstruktives Feedback zu generieren. Dies fördert die Zusammenarbeit und den Austausch zwischen den Lernenden.
Vorbereitung auf Prüfungen:
- Durch die Bereitstellung von Prompts für Probeklausuren oder Prüfungsfragen können Lernende mit generativer KI gezielt auf Prüfungen vorbereitet werden. Die Modelle können dann Feedback zu den Antworten und sogar Hinweise für Verbesserungen generieren
Einen allgemeinen Überblick über die Potenziale, die Voraussetzungen und auch Herausforderungen von sog. LLM (Large Langugage Models) in Bildungsprozessen liefert das Impulspapier der Kultusministerkonferenz vom Januar 2024 [25.01.2024]
-
Konkrete Prompts in Studiengängen
Beispiele von konkreten Prompts in Studiengängen
Die nachfolgenden (Beispiel-)Prompts sollen zeigen, welche inhaltlichen Unterstützungen eine KI für Lehr- und Lernarrangements leisten kann.Einige Studiengänge an der THGA dienen diesbzgl. hier zur Veranschaulichung, auch wenn das ganze, sich nach wie vor entwickelnde Spektrum an Möglichkeiten der Integration von KI in Bildungsprozesse niemals abschließend abgebildet werden kann!Dennoch lassen diese Beispiele erahnen, inwieweit KI Unterricht bereichern kann, sofern klare Regeln und Vorgaben von Lehrenden bzw. der Hochschule eingehalten werden sowie Transparenz in der Nutzung für alle Akteur:innen nachvollziehbar hergestellt wird.Elektrotechnik:
Prompt an die KI: "Entwickle einen digitalen Schaltungsentwurf für einen Frequenzteiler. Erläutere die Schaltungsdetails und erkläre, wie Frequenzen korrekt geteilt werden können. Nutze unterschiedliche Flip-Flop-Schaltungen und begründe deine Auswahl."
Didaktisch-methodische Begründung: Die KI wird als Ressource genutzt, um die Studierenden bei der praktischen Anwendung von Elektrotechnik-Konzepten zu unterstützen. Die Studierenden müssen klare Anweisungen für den Schaltungsentwurf geben, was nicht nur ihr technisches Wissen demonstriert, sondern auch ihre Fähigkeit zur präzisen Kommunikation und Anleitung von KI-Systemen fördert.
Maschinenbau:
Prompt an die KI: "Entwickle ein Konzept zur Optimierung der Struktur eines Fahrzeugrahmens in Bezug auf Festigkeit und Gewicht. Begründe die Auswahl der Materialien und erkläre, wie moderne Fertigungstechniken in die Umsetzung einfließen können."
Didaktisch-methodische Begründung: Hier interagiert die KI mit den Studierenden, um ihre Fähigkeit zur Anwendung von Maschinenbaukenntnissen auf reale Probleme zu fördern. Die Studierenden müssen klare Anweisungen für die Optimierung der Struktur geben und dabei das Verständnis für Materialauswahl und moderne Fertigungstechniken zeigen.
Werkstoffkunde:
Prompt an die KI: "Analysiere die Eigenschaften von Verbundwerkstoffen und vergleiche sie mit herkömmlichen metallischen Werkstoffen hinsichtlich ihrer Anwendungen im Bauwesen. Gib Beispiele für spezifische Bauanwendungen an und erkläre, warum der Einsatz von Verbundwerkstoffen in diesen Fällen vorteilhaft sein könnte."
Didaktisch-methodische Begründung: Die KI wird hier als Werkzeug genutzt, um die Studierenden zur Analyse von Werkstoffeigenschaften und deren Anwendungen anzuleiten. Die Studierenden müssen klare Anweisungen für den Vergleich geben, wodurch ihre Fähigkeit zur kritischen Bewertung von Werkstoffen und Anwendungen gestärkt wird. Durch die Zusammenarbeit mit der KI können sie auf eine ressourcenorientierte Weise auf reale Szenarien eingehen.
Wirtschaftsingenieurwesen:
Prompt: "Entwickeln Sie ein Konzept zur Optimierung der Produktionsprozesse in einem Fertigungsunternehmen. Berücksichtigen Sie dabei Aspekte wie Effizienz, Kostenreduzierung und Qualitätssicherung. Diskutieren Sie mögliche Herausforderungen bei der Umsetzung Ihres Konzepts und skizzieren Sie Strategien zur Überwindung dieser Hindernisse."
Didaktisch-methodische Begründung: Dieser Prompt fördert die Anwendung von Wirtschaftsingenieur-Konzepten auf reale betriebliche Probleme. Die Studierenden werden dazu angeregt, nicht nur Lösungen zu entwickeln, sondern auch potenzielle Herausforderungen zu identifizieren und zu bewerten. Dies fördert ihre Fähigkeit zur strategischen Planung und Problemlösung in einem industriellen Kontext.
Verfahrenstechnik:
Prompt für Interaktion mit der KI: "Entwickle ein Konzept für die effiziente Gestaltung einer Destillationsanlage zur Trennung von Flüssigkeitsgemischen. Nachdem die KI ihre Vorschläge gemacht hat, vergleiche deine Überlegungen mit den generierten Ideen. Diskutiere mögliche Unterschiede und erkläre, wie du bestimmte Aspekte deines Konzepts optimiert hast."
Didaktisch-methodische Begründung: Die Studierenden interagieren aktiv mit der KI, indem sie ihre eigenen Konzepte mit den von der KI vorgeschlagenen vergleichen. Dies fördert nicht nur die Anwendung von Verfahrenstechnik-Konzepten, sondern auch kritisches Denken und die Fähigkeit, rationale Entscheidungen zu treffen.
Geologie:
Prompt für Interaktion mit der KI: "Analysiere die geologischen Merkmale einer bestimmten Region und identifiziere potenzielle Risiken für Naturgefahren wie Erdbeben oder Hangrutsche. Vergleiche deine Analyse mit den Vorschlägen der KI und diskutiere, welche zusätzlichen Informationen oder Perspektiven du möglicherweise berücksichtigt hast."
Didaktisch-methodische Begründung: Hier wird die Interaktion zwischen den Studierenden und der KI betont, um verschiedene Perspektiven zu integrieren. Der Vergleich zwischen den Analysen fördert ein tieferes Verständnis der geologischen Merkmale und stärkt die Fähigkeit der Studierenden zur kritischen Bewertung von Naturgefahren.
Vermessungswesen:
Prompt für Interaktion mit der KI: "Entwickle ein Konzept für die präzise Vermessung eines komplexen Baugrundstücks unter Berücksichtigung von Geländeunebenheiten. Vergleiche deine Vermessungsmethoden mit den Vorschlägen der KI und erkläre, wie menschliche Intuition und Erfahrung in bestimmten Situationen eine Rolle spielen können."
Didaktisch-methodische Begründung: Diese Interaktion ermöglicht den Studierenden, ihre eigenen Vermessungsmethoden mit den generierten Ideen der KI zu vergleichen. Dies fördert nicht nur die Anwendung von Vermessungsmethoden, sondern auch die Anerkennung der menschlichen Intuition und Erfahrung in spezifischen Vermessungssituationen
Diese Beispiele dienen nur als Idee/Inspiration und sollen aufzeigen, auf welche unterschiedliche Art und Weise Prompts bzw. die generative KI genutzt werden kann. Ob als Argumentationspartner:in, Ressource, Interaktionsmedium oder Analyse- und Vergleichstool eigener Herangehensweisen und Verfahren, KI bietet hier eine großes Spektrum an Einsatzszenarien und Unterstützung. -
Prompt Labor
Prompt-Labor - Was ist das?
Das Prompt-Labor soll Ihnen helfen, sich Schritt-für-Schritt mit dem Thema "Prompting" auseinanderzusetzen und berücksichtigt dabei verschiedene Phasen in der Arbeit mit generativer KI! Das Projekt fällt unter eine OER-Lizenz und steht damit frei zur Verfügung!
Konzept
Das Konzept des Prompt-Labors wurde von Stefan Göllner und Lavinia Ionica für das Hochschulforum Digitalisierung und den KI-Campus entwickelt. Es ist in drei Module aufgeteilt zu verschiedenen Phasen bei der Planung, Durchführung und Evaluation der Lehre mit KI.
PD. Dr. Malte Persike ist Autor von Modul 1 des Prompt-Labors zur Planungs-Phase mit KI.
Dr. Anika Limburg ist Autorin von Modul 2 des Prompt-Labors zur Durchführungs-Phase mit KI.
PD. Dr. Malte Persike und Natalia Sontopski sind Autor*innen von Modul 3 des Prompt-Labors zur Evaluations-Phase mit KI.
Phasen und Aufbau

Lernziele
(Quelle: Hochschulforum Digitalisierung [26.01.2024])Der Kerngedanke im Prompt-Labor ist, dass alle Teilnehmenden an eigenen Fragestellungen arbeiten, zu denen sie sich austauschen möchten. In fachbezogenen oder fachübergreifenden Lerncommunities (max. fünf Personen) erhalten sie Unterstützung und Anleitungen, um mit KI-Tools effektiv ihre Lehrveranstaltungen zu gestalten. Am Ende des Prompt-Labors sind die Teilnehmenden in der Lage:
- die grundlegenden Konzepte und Anwendungsmöglichkeiten von Prompts in der Hochschullehre zu verstehen.
- über die Potenziale und Herausforderungen des Einsatzes von generativer KI und Prompts in der Hochschullehre zu reflektieren.
- Effektive Instruktionsbefehle (Prompts) anzuwenden und zu verfassen, um spezifische Aufgabenstellungen oder Lehrszenarien mit KI-Unterstützung zu erzielen.
- Prompts zu evaluieren und zu optimieren, um den Nutzen und die Qualität der generierten Lehr- und Lerninhalte zu verbessern.
- Erfahrungen und bewährte Praktiken im Umgang mit Prompts mit anderen Lehrenden in der Lerncommunity des Prompt-Labors zu teilen.
Empfehlungen aus dem "Prompt Labor"
Mittlerweile gibt es einen zweiten, aktualisierten Teil des Prompt Labors: Generative KI in der Hochschullehre – Anwendungen [11.11.2025] -
Prompting - Literatur und Links
Hilfe & Empfehlungen zum Thema "Prompting"

- Gimpel, H., Jung, C., Utz, L., Wöhl, M. (2023). Von Null auf ChatGPT: Eine Schritt-für-Schritt-Anleitung, um sich mit der künstlichen Intelligenz vertraut zu machen. Universität Hohenheim, 21. April 2023.
- Jentsch, M. (2023): Prompt Engineering Guide. Version 0.1.0 [29.01.2024]
- OpenAI. (2023): Teaching with AI. Blog-Article released on the 23.08.2023
- Opper, K. (2023): Im Sokratischen Dialog mit KI. e-teaching.org vom 20.12.2023
- Portakal, E. (2023): Prompt Engineering Guide. textcortex.com vom 23.12.2023
- ProLehre - Technische Universität München (TUM) (2024): Prompt-Bibliothek [05.02.2024]
- TU Graz (2025): Prompting-Schule [03.09.2025]
-