Für komplexe Aufgaben reicht ein einzelner Prompt selten aus. Prompt-Chaining zerlegt große Aufgaben in kleine Schritte — und Structured Output macht AI-Ergebnisse maschinenlesbar für Automatisierung.
📖 Definition: Prompt-Chaining verbindet mehrere Prompts zu einem Workflow, wobei jeder Schritt das Ergebnis des vorherigen als Input nutzt. Statt eine komplexe Aufgabe in einem riesigen Prompt zu lösen, zerlegen Sie sie in handhabbare Teilschritte.
Beispiel: Wettbewerbs-Report in 4 Schritten
Schritt 1: „Identifiziere die 5 wichtigsten Wettbewerber
für [Unternehmen] im Bereich [Markt] anhand von: Marktanteil,
Produktangebot, Preismodell."
Schritt 2: „Analysiere für jeden der identifizierten
Wettbewerber: Stärken, Schwächen, Preismodell, Zielgruppe
und aktuelle Strategie."
Schritt 3: „Erstelle basierend auf der Analyse eine
2x2-Positionierungsmatrix (Achsen: Preis und Feature-Tiefe)."
Schritt 4: „Formuliere 3 strategische Empfehlungen:
Wie können wir uns differenzieren?"
💡 Tipp: Jeder Schritt in einer Chain sollte ein klar überprüfbares Ergebnis liefern. Prüfen Sie das Ergebnis, bevor Sie zum nächsten Schritt gehen — Fehler früh fangen, nicht am Ende.
| Pattern | Beschreibung | Ideal für | Beispiel |
|---|---|---|---|
| 🔗 Sequential | Schritt für Schritt, linear | Reports, Analysen | Recherche → Analyse → Empfehlung |
| 🌐 Fan-Out | Ein Prompt erzeugt mehrere parallele Aufgaben | Brainstorming, Varianten | 1 Briefing → 5 Kampagnen-Ideen → Bewertung |
| 🔽 Filter | Generieren → Bewerten → Beste auswählen | Content-Erstellung | 10 Headlines → 3 bewerten → 1 auswählen |
| ✅ Verify | Generieren → Faktencheck → Korrektur | Recherche, Berichte | Zusammenfassung → Faktenprüfung → Finale Version |
Fan-Out Beispiel:
Schritt 1: „Erstelle 5 verschiedene Kampagnen-Konzepte für
[PRODUKT]. Jedes Konzept: Name, Zielgruppe, Kernbotschaft,
Kanäle."
Schritt 2 (für jedes Konzept): „Bewerte Konzept [N]:
Originalität (1-10), Machbarkeit (1-10), erwarteter Impact."
Schritt 3: „Wähle das beste Konzept und erstelle einen
detaillierten Umsetzungsplan."
Für Automatisierung und System-Integration brauchen Sie maschinenlesbare Ausgaben. Moderne LLMs wie Claude Opus 4.6 und GPT-5 beherrschen JSON-Output zuverlässig.
Analysiere die folgende Kundenbewertung und gib das Ergebnis
als valides JSON zurück. Kein erklärender Text, nur JSON.
{
"sentiment": "positiv" | "neutral" | "negativ",
"score": 1-10,
"themen": ["string", "string"],
"dringlichkeit": 1-5,
"zusammenfassung": "string (max 50 Wörter)",
"empfohlene_aktion": "string"
}
Bewertung: [TEXT EINFÜGEN]
📖 Definition: JSON Mode ist eine Funktion moderner APIs (Claude, GPT-5), die garantiert, dass das Modell nur valides JSON ausgibt. Das verhindert Parsing-Fehler in Ihren Automatisierungen.
Die neueste Entwicklung in der AI-Automatisierung: Function Calling erlaubt es dem Modell, vordefinierte Funktionen aufzurufen — z.B. „Erstelle einen Kalendereintrag" oder „Sende eine E-Mail".
| Feature | Was es tut | Verfügbar in |
|---|---|---|
| JSON Mode | Garantiert valides JSON-Output | Claude API, OpenAI API |
| Function Calling | Modell ruft vordefinierte Funktionen auf | Claude API, OpenAI API |
| Tool Use | Modell nutzt externe Werkzeuge (Web, DB, APIs) | Claude, GPT-5 |
Beispiel: Function Calling für Ticket-Erstellung
Funktionen:
- create_ticket(title, priority, assignee, description)
- send_notification(recipient, message)
Prompt: „Der Kunde hat gemeldet, dass die Login-Seite
nicht lädt. Erstelle ein Ticket und benachrichtige das
Entwicklungsteam."
→ AI ruft create_ticket() und send_notification() auf
⚠️ Achtung: Function Calling ist mächtig, aber erfordert sorgfältige Berechtigungskontrolle. Definieren Sie genau, welche Funktionen die AI aufrufen darf, und implementieren Sie eine Bestätigung für kritische Aktionen.
Kombinieren Sie Chaining + Structured Output für vollautomatisierte Workflows:
🏢 Praxis-Beispiel: Ein E-Commerce-Unternehmen hat die Produktbewertungs-Analyse automatisiert: Neue Bewertungen werden per API an Claude gesendet, als JSON klassifiziert (Sentiment, Themen, Dringlichkeit) und automatisch ins CRM eingespeist. 500 Bewertungen/Tag werden in Sekunden verarbeitet.
🎯 Übung: Erstellen Sie einen 3-Schritt-Prompt-Chain für eine wiederkehrende Aufgabe aus Ihrem Arbeitsalltag. Bonus: Definieren Sie den Output des letzten Schritts als JSON-Schema.
Herzlichen Glückwunsch! Sie haben den Kurs „Prompt Engineering" abgeschlossen. Im nächsten Kurs lernen Sie die besten AI-Tools für Ihren Arbeitsalltag kennen.