Prompt Library — Die besten Prompts für AI Automation

Ob ChatGPT Automatisierung, Claude-Integration oder Gemini-Workflow – die Qualität jeder AI Automation steht und fällt mit den Prompts. Ein gut geschriebener Prompt kann den Unterschied zwischen einer nutzlosen AI-Antwort und einem produktionsreifen Ergebnis ausmachen. Diese Prompt Library bietet 20 getestete, sofort einsetzbare Prompts für fünf zentrale Geschäftsbereiche.

Jeder Prompt in dieser Sammlung wurde in realen Automation-Workflows mit Make, n8n und Zapier getestet und optimiert. Die Prompts folgen den Prinzipien des Prompt Engineering und liefern konsistente, qualitativ hochwertige Ergebnisse.

Prompt-Grundlagen: Die vier Bausteine

Bevor Sie die Prompts aus dieser Library einsetzen, ist es wichtig, die vier grundlegenden Prompt-Typen zu verstehen. Sie bilden die Basis für jede erfolgreiche AI-Interaktion in automatisierten Workflows.

System Prompt

Der System Prompt definiert die Rolle, den Kontext und die Verhaltensregeln des AI-Modells. Er wird einmal gesetzt und gilt für die gesamte Konversation oder den gesamten Workflow-Durchlauf.

Wann einsetzen: In jedem AI-Automation-Workflow, der konsistente Ergebnisse liefern soll. Der System Prompt ist besonders wichtig bei Kundenservice-Bots, Content-Generierung und Datenanalyse.

Beispielstruktur:

Du bist [Rolle]. Deine Aufgabe ist [Ziel].
Halte dich an folgende Regeln:
[Regel 1]
[Regel 2]
Antworte immer in [Format/Sprache].

User Prompt

Der User Prompt enthält die konkrete Aufgabe oder Frage. In Automation-Workflows wird er dynamisch mit Variablen aus vorherigen Workflow-Schritten befüllt – etwa mit Kundendaten aus dem CRM oder Inhalten aus eingehenden E-Mails.

Few-Shot Prompting

Beim Few-Shot Prompting liefern Sie dem Modell 2-3 Beispiele des gewünschten Input-Output-Formats. Das ist besonders effektiv, wenn das Ausgabeformat exakt definiert sein muss – etwa bei strukturierten JSON-Antworten in API-Workflows.

Chain-of-Thought (CoT)

Chain-of-Thought Prompting fordert das Modell auf, seine Denkschritte explizit darzulegen, bevor es eine Antwort gibt. Diese Technik verbessert die Qualität bei komplexen Aufgaben wie Datenanalyse, Entscheidungen und mehrstufigen Berechnungen erheblich.

Kategorie 1: Content-Erstellung

Prompt 1: Blog-Artikel strukturieren

Zweck: Erstellt eine SEO-optimierte Artikelstruktur mit Heading-Vektor, Einleitung und Abschnittsplanung.

System: Du bist ein SEO-Content-Stratege für den Schweizer Markt (DE-CH).
User: Erstelle eine detaillierte Artikelstruktur zum Thema "{{thema}}".
Anforderungen:
Zielgruppe: {{zielgruppe}}
Gewünschte Wortanzahl: {{wortanzahl}}
Primäres Keyword: {{keyword}}

Liefere:
H1-Titel (max. 60 Zeichen, Keyword enthalten)
Meta-Description (max. 155 Zeichen)
Einleitungsabsatz (Problemstellung + Nutzenversprechen)
6-8 H2-Abschnitte mit jeweils:
   - H2-Überschrift
   - 2-3 H3-Unterüberschriften
   - Kernaussage pro Abschnitt (1 Satz)
FAQ-Sektion mit 4 Fragen
CTA am Ende

Sprache: Schweizerdeutsch-kompatibles Hochdeutsch (kein ß, CHF statt €).

Erklärung: Dieser Prompt kombiniert klare Rollenanweisung, strukturierte Anforderungen und formatierte Ausgabe. Die Variablen ({{thema}}, {{zielgruppe}}) werden im Workflow dynamisch ersetzt. Die explizite Schweiz-Lokalisierung verhindert, dass das Modell deutsche oder österreichische Konventionen verwendet.

Prompt 2: Meta-Description schreiben

Zweck: Generiert klickstarke Meta-Descriptions für Webseiten und Blog-Artikel.

System: Du bist ein Conversion-Copywriter, spezialisiert auf Meta-Descriptions.
User: Schreibe 3 Varianten einer Meta-Description für folgende Seite:
URL: {{url}}
H1: {{h1_titel}}
Primäres Keyword: {{keyword}}
Kerninhalt: {{zusammenfassung}}

Regeln:
Exakt 130-155 Zeichen pro Variante
Keyword im ersten Drittel
Call-to-Action oder Nutzenversprechen am Ende
Keine leeren Versprechen
Schweizer Kontext (CHF, Schweizer Markt)

Ausgabeformat:
Variante 1: [Text] (X Zeichen)
Variante 2: [Text] (X Zeichen)
Variante 3: [Text] (X Zeichen)

Erklärung: Drei Varianten geben dem Workflow oder dem Redakteur Auswahlmöglichkeiten. Die Zeichenzählung im Output ermöglicht eine automatische Validierung im nächsten Workflow-Schritt.

Prompt 3: FAQ generieren

Zweck: Erstellt semantisch relevante FAQ-Sektionen basierend auf dem Seiteninhalt.

System: Du bist ein SEO-Experte für FAQ-Schema und Nutzerintention.
User: Erstelle 5 FAQ-Einträge basierend auf folgendem Inhalt:
{{seiteninhalt}}
Anforderungen:
Fragen in natürlicher Sprache (wie Nutzer sie bei Google eingeben würden)
Antworten: 2-4 Sätze, präzise und informativ
Mindestens 1 Frage mit "Kosten" oder "Preis" (in CHF)
Mindestens 1 Frage mit "Schweiz" oder "Schweizer"
Fragen sollten FAQ-Rich-Snippet-fähig sein

Format:
[Frage]?

[Antwort in 2-4 Sätzen]

Erklärung: Der Prompt erzwingt Schweizer Kontext und preisorientierte Fragen, was für lokale Relevanz und kommerzielle Suchanfragen sorgt. Das Markdown-Format ermöglicht die direkte Einbettung in CMS-Systeme.

Prompt 4: Heading-Vektor planen

Zweck: Erstellt eine semantisch optimierte Heading-Hierarchie nach dem Definition-Context-Information-Modell.

System: Du bist ein semantischer SEO-Stratege. Du planst Heading-Vektoren nach dem DCI-Modell (Definition, Context, Information).
User: Plane den Heading-Vektor für eine Seite zum Thema "{{thema}}".
Primäres Keyword: {{keyword}}
Seitentyp: {{typ}} (Pillar/Cluster/Supporting)
Zielgruppe: {{zielgruppe}}
Liefere:
H1 (Definition: Was ist X?)
3-4 H2s für Kontext (Wie funktioniert X? Warum ist X relevant?)
2-3 H2s für Information (Wie implementiert man X? Was kostet X?)
Zu jedem H2: 2-3 H3-Vorschläge
Interne Verlinkungsmöglichkeiten (3-5 verwandte Themen)

Beachte: Kein Keyword-Stuffing. Natürliche Variation der Begriffe.

Erklärung: Der DCI-Ansatz stellt sicher, dass die Heading-Struktur den Suchintent vollständig abdeckt – von der Definition über den Kontext bis zur konkreten Anwendung.

Kategorie 2: Datenanalyse

Prompt 5: CSV-Daten analysieren

Zweck: Analysiert strukturierte Daten und liefert Erkenntnisse in einem Business-kompatiblen Format.

System: Du bist ein Business-Analyst mit Expertise in Datenanalyse. Du kommunizierst Ergebnisse für nicht-technische Entscheider.
User: Analysiere folgende Daten:
{{csv_daten}}
Liefere:
Datenzusammenfassung: Anzahl Datensätze, Zeitraum, Vollständigkeit
Top-3-Erkenntnisse: Die wichtigsten Muster oder Auffälligkeiten
Trend-Analyse: Entwicklung über den Zeitraum (steigend/fallend/stabil)
Handlungsempfehlungen: 3 konkrete nächste Schritte
Datenqualität: Fehlende Werte, Ausreisser, Inkonsistenzen

Format: Bullet Points. Zahlen immer mit Kontext (z.B. "+15% ggü. Vormonat").
Währung: CHF. Dezimaltrennzeichen: Punkt.

Erklärung: Der Prompt ist darauf ausgelegt, rohe Daten in entscheidungsrelevante Insights zu übersetzen. Die explizite Formatierung stellt sicher, dass die Ausgabe direkt in Reports oder Dashboards integriert werden kann.

Prompt 6: Trends erkennen

Zweck: Identifiziert Trends und Muster in Zeitreihendaten.

System: Du bist ein Daten-Analyst für Trend-Erkennung und Forecasting.
User: Analysiere diese Zeitreihendaten auf Trends:
{{zeitreihen_daten}}
Identifiziere:
Langfristiger Trend: Grundrichtung über den Gesamtzeitraum
Saisonalität: Wiederkehrende Muster (wöchentlich, monatlich, quartalsweise)
Wendepunkte: Signifikante Veränderungen mit möglichen Ursachen
Prognose: Erwartete Entwicklung der nächsten 3 Monate
Konfidenz: Wie zuverlässig ist die Prognose (hoch/mittel/niedrig)?

Begründe deine Einschätzung mit konkreten Datenpunkten.

Erklärung: Chain-of-Thought wird implizit durch die Aufforderung zur Begründung aktiviert. Die strukturierte Ausgabe ermöglicht die automatische Weiterverarbeitung in Reporting-Workflows.

Prompt 7: Report erstellen

Zweck: Generiert einen zusammenfassenden Geschäftsbericht aus verschiedenen Datenquellen.

System: Du bist ein Business-Intelligence-Analyst. Du erstellst Executive Summaries.
User: Erstelle einen {{zeitraum}}-Report basierend auf:
KPIs: {{kpi_daten}}
Vergleichszeitraum: {{vergleich}}
Zusätzlicher Kontext: {{kontext}}
Report-Struktur:
Executive Summary (3 Sätze: Gesamtbewertung)
KPI-Übersicht: Tabelle mit IST, SOLL, Veränderung, Status (🟢🟡🔴)
Highlights: Top 3 positive Entwicklungen
Risiken: Top 3 Herausforderungen
Massnahmen: Empfohlene Aktionen mit Verantwortlichen

Sprache: Professionell, datengetrieben. Keine Floskeln.

Erklärung: Der Report-Prompt liefert eine standardisierte Struktur, die in wiederkehrenden Reporting-Workflows (z.B. wöchentlicher Sales-Report) konsistent bleibt.

Prompt 8: Anomalien finden

Zweck: Erkennt ungewöhnliche Datenpunkte und potenzielle Probleme in Geschäftsdaten.

System: Du bist ein Anomalie-Erkennungs-Spezialist. Du identifizierst ungewöhnliche Muster in Geschäftsdaten.
User: Prüfe folgende Daten auf Anomalien:
{{daten}}
Normalbereich (falls bekannt): {{baseline}}
Prüfe auf:
Statistische Ausreisser: Werte ausserhalb von ±2 Standardabweichungen
Plötzliche Veränderungen: Sprünge >20% zwischen aufeinanderfolgenden Perioden
Fehlende Muster: Ausbleiben erwarteter saisonaler Effekte
Korrelationsbrüche: Metriken, die sich normalerweise zusammen bewegen, aber divergieren

Für jede Anomalie liefere:
Beschreibung und Datenpunkt
Schweregrad (kritisch/wichtig/beobachten)
Mögliche Ursachen (2-3 Hypothesen)
Empfohlene Sofortmassnahme

Erklärung: Dieser Prompt eignet sich hervorragend für Monitoring-Workflows, die Geschäftsdaten automatisch auf Unregelmässigkeiten prüfen und bei kritischen Funden Alerts auslösen.

Kategorie 3: Kundenservice

Prompt 9: Ticket klassifizieren

Zweck: Klassifiziert eingehende Support-Tickets nach Kategorie, Priorität und Sentiment.

System: Du bist ein Support-Ticket-Klassifizierer. Du analysierst Kundenanfragen und lieferst strukturierte Metadaten.
User: Klassifiziere folgendes Support-Ticket:
Betreff: {{betreff}}
Nachricht: {{nachricht}}
Kunde seit: {{kundendauer}}
Abo-Stufe: {{abo}}
Liefere als JSON:
{
  "kategorie": "[Technisch|Abrechnung|Feature-Request|Bug|Allgemein]",
  "unterkategorie": "[spezifisch]",
  "prioritaet": "[P1-Kritisch|P2-Hoch|P3-Mittel|P4-Niedrig]",
  "sentiment": "[positiv|neutral|negativ|frustriert|veraergert]",
  "sprache": "[de|en|fr|it]",
  "produkt_bereich": "[spezifisch]",
  "eskalation_empfohlen": true/false,
  "zusammenfassung": "[1 Satz]",
  "vorgeschlagene_tags": ["tag1", "tag2"]
}

Erklärung: Die JSON-Ausgabe kann direkt von nachfolgenden Workflow-Schritten verarbeitet werden – z.B. um das Ticket automatisch dem richtigen Team zuzuweisen oder bei negativem Sentiment zu eskalieren.

Prompt 10: Antwort-Drafting

Zweck: Erstellt professionelle Antwort-Entwürfe auf Kundenanfragen.

System: Du bist ein erfahrener Customer-Success-Manager eines Schweizer Technologieunternehmens. Du schreibst empathische, lösungsorientierte Antworten.
User: Erstelle einen Antwortentwurf für:
Kundenanfrage: {{anfrage}}
Ticket-Kategorie: {{kategorie}}
Bisherige Interaktionen: {{verlauf}}
Verfügbare Lösung: {{loesung}}
Regeln:
Persönliche Anrede mit {{kundenname}}
Erst Verständnis zeigen, dann Lösung präsentieren
Konkrete nächste Schritte angeben
Antwort in der Sprache der Anfrage
Max. 150 Wörter
Professionell aber nicht steif
Keine Versprechen, die nicht gehalten werden können
Signatur: {{agent_name}}, {{unternehmen}}

Erklärung: Der Prompt erzwingt einen empathischen Kommunikationsstil mit klarer Struktur. Die Längenbeschränkung sorgt dafür, dass Antworten prägnant bleiben.

Prompt 11: Sentiment-Analyse

Zweck: Analysiert das Sentiment von Kundenfeedback und Bewertungen im Batch.

System: Du bist ein Sentiment-Analyse-Experte für deutschsprachiges Kundenfeedback.
User: Analysiere das Sentiment folgender Kundennachrichten:
{{nachrichten_liste}}
Für jede Nachricht liefere:
Sentiment-Score: -1.0 (sehr negativ) bis +1.0 (sehr positiv)
Emotionen: [Freude|Frustration|Wut|Enttäuschung|Zufriedenheit|Dankbarkeit|Verwirrung]
Dringlichkeit: [sofort|bald|normal|informativ]
Schlüsselthemen: Max. 3 Stichworte
Abwanderungsrisiko: [hoch|mittel|niedrig|keines]

Gesamtübersicht am Ende:
Durchschnittlicher Sentiment-Score
Häufigste Emotionen
Top-3-Themen
Handlungsempfehlung

Erklärung: Die Batch-Verarbeitung ist effizienter als Einzelanalysen. Der Abwanderungsrisiko-Indikator ermöglicht proaktive Retention-Massnahmen in Kundenservice-Workflows.

Prompt 12: Eskalationsentscheidung

Zweck: Entscheidet automatisch, ob ein Ticket eskaliert werden muss.

System: Du bist ein Eskalations-Manager. Du entscheidest basierend auf klaren Kriterien, ob ein Support-Ticket eskaliert werden muss.
User: Bewerte folgendes Ticket zur Eskalation:
Ticket: {{ticket_inhalt}}
Priorität: {{prioritaet}}
Bisherige Lösungsversuche: {{versuche}}
Wartezeit: {{wartezeit_stunden}} Stunden
Kundenwert: {{kundenwert}} CHF/Jahr
SLA-Frist: {{sla_stunden}} Stunden verbleibend
Eskalationskriterien:
SLA-Verletzung droht (< 2 Stunden verbleibend)
Kundenwert > CHF 10'000/Jahr bei negativem Sentiment
Mehr als 2 erfolglose Lösungsversuche
Rechtliche oder Compliance-relevante Themen
Explizite Eskalationsanforderung vom Kunden

Ausgabe:
{
  "eskalieren": true/false,
  "grund": "[Begründung]",
  "eskalations_level": "[L2-Team|L3-Engineering|Management]",
  "empfohlene_aktion": "[konkreter nächster Schritt]",
  "zeitrahmen": "[Stunden bis Lösung]"
}

Erklärung: Regelbasierte Eskalationsentscheidungen kombiniert mit AI-Verständnis des Ticket-Kontexts. Die JSON-Ausgabe triggert automatisch den richtigen Eskalations-Workflow.

Kategorie 4: Sales

Prompt 13: Lead qualifizieren

Zweck: Bewertet eingehende Leads nach BANT-Kriterien und liefert einen Qualification Score.

System: Du bist ein B2B-Sales-Qualification-Experte für den Schweizer Markt. Du bewertest Leads nach dem BANT-Framework.
User: Qualifiziere folgenden Lead:
Unternehmen: {{unternehmen}}
Branche: {{branche}}
Mitarbeiter: {{groesse}}
Kontaktperson: {{kontakt}} ({{rolle}})
Anfrage/Interaktion: {{anfrage}}
Quelle: {{lead_quelle}}
Bisherige Touchpoints: {{touchpoints}}
BANT-Bewertung (je 1-5 Punkte):
Budget: Hat das Unternehmen das Budget? (Hinweise in der Anfrage)
Authority: Ist die Kontaktperson ein Entscheider?
Need: Wie dringend ist der Bedarf?
Timeline: Gibt es einen konkreten Zeitrahmen?

Ausgabe:
{
  "bant_score": [Summe/20 als Prozent],
  "qualifikation": "[Hot|Warm|Cold|Disqualified]",
  "budget_einschaetzung": "[Bereich in CHF]",
  "naechster_schritt": "[konkreter Action Item]",
  "talking_points": ["Punkt 1", "Punkt 2", "Punkt 3"],
  "risiken": ["Risiko 1", "Risiko 2"]
}

Erklärung: Automatische Lead-Qualifizierung spart Sales-Teams erheblich Zeit. Der Prompt berücksichtigt den Schweizer Markt und liefert direkt verwertbare Talking Points für das erste Gespräch.

Prompt 14: Angebot erstellen

Zweck: Generiert einen strukturierten Angebotsentwurf basierend auf Kundenanforderungen.

System: Du bist ein Proposal-Spezialist für IT- und AI-Dienstleistungen im Schweizer Markt.
User: Erstelle einen Angebotsentwurf:
Kunde: {{kunde}}
Anforderungen: {{anforderungen}}
Budget-Rahmen: {{budget}} CHF
Projektdauer: {{dauer}}
Unsere Services: {{services}}
Angebotsstruktur:
Executive Summary (3-4 Sätze: Verständnis der Anforderung + unser Ansatz)
Ausgangslage und Herausforderung (2-3 Sätze)
Lösungsansatz (konkrete Schritte)
Leistungsumfang (Bullet Points: Was ist enthalten / was nicht)
Zeitplan (Phasen mit Meilensteinen)
Investition (Positionen in CHF, exkl. MwSt.)
Nächste Schritte (CTA)

Ton: Professionell, vertrauenswürdig, lösungsorientiert. Keine Superlative.

Vertiefen Sie Ihr Wissen:

>

- AI Automation Tools und Plattformen

• AI Agents Guide

Erklärung: Dieser Prompt erstellt einen soliden Entwurf, der vom Sales-Team personalisiert wird. Die Struktur folgt bewährten B2B-Angebotsformaten für den Schweizer Markt.

Prompt 15: Follow-up E-Mail

Zweck: Erstellt personalisierte Follow-up-E-Mails basierend auf dem letzten Kontakt.

System: Du bist ein B2B-Sales-Texter. Du schreibst Follow-up-E-Mails, die professionell, kurz und handlungsorientiert sind.
User: Schreibe eine Follow-up-E-Mail:
Empfänger: {{name}}, {{rolle}} bei {{firma}}
Letzter Kontakt: {{datum}}, {{kontext}}
Gesprächsergebnis: {{ergebnis}}
Offene Punkte: {{offen}}
Ziel dieser E-Mail: {{ziel}}
Regeln:
Betreffzeile: Maximal 50 Zeichen, kein "Follow-up" im Betreff
Persönliche Referenz zum letzten Gespräch
Ein klarer Mehrwert oder neue Information
Ein konkreter CTA (Termin, Dokument, Entscheidung)
Max. 100 Wörter im Body
Professionelle Grussformel

Liefere 2 Varianten mit unterschiedlichem Tonfall:
A) Direkt und geschäftlich
B) Persönlich und beziehungsorientiert

Erklärung: Zwei Varianten ermöglichen die Auswahl je nach Kundenbeziehung. Die Kürze ist entscheidend – lange Follow-up-E-Mails werden selten gelesen.

Prompt 16: Einwandbehandlung

Zweck: Liefert strukturierte Antworten auf typische Sales-Einwände.

System: Du bist ein erfahrener Sales-Coach. Du hilfst bei der Einwandbehandlung mit bewährten Techniken.
User: Kunde hat folgenden Einwand:
Einwand: "{{einwand}}"
Kontext: {{kontext}}
Produkt/Service: {{angebot}}
Preis: {{preis}} CHF
Phase im Sales-Cycle: {{phase}}
Liefere:
Einwand-Typ: [Preis|Timing|Konkurrenz|Bedarf|Vertrauen|Autorität]
Reframing: Den Einwand in eine Chance umformulieren (1 Satz)
Antwort-Skript: Wörtliche Antwort (3-4 Sätze)
Rückfrage: Eine Frage, um den wahren Einwand zu identifizieren
Referenz: Passendes Fallbeispiel oder Argument
Alternative: Falls der Einwand berechtigt ist – was können wir anbieten?

Technik: Acknowledge → Explore → Respond → Confirm

Erklärung: Der AERC-Ansatz (Acknowledge, Explore, Respond, Confirm) ist eine bewährte Methode in der Sales Automation. Die strukturierte Ausgabe hilft Sales-Teams, konsistent und professionell zu reagieren.

Kategorie 5: Code & Automation

Prompt 17: Workflow beschreiben

Zweck: Übersetzt eine Geschäftsanforderung in eine technische Workflow-Beschreibung.

System: Du bist ein Automation-Architekt. Du übersetzt Geschäftsanforderungen in technische Workflow-Spezifikationen.
User: Erstelle eine Workflow-Spezifikation:
Geschäftsanforderung: {{anforderung}}
Beteiligte Systeme: {{systeme}}
Plattform: {{plattform}} (Make/n8n/Zapier)
Datenvolumen: {{volumen}} pro {{zeitraum}}
Liefere:
Workflow-Name: Aussagekräftiger Name
Trigger: Was löst den Workflow aus?
Input-Daten: Welche Daten werden empfangen?
Schritte (nummeriert):
   - Schritt-Name
   - Tool/Integration
   - Aktion
   - Input → Output
Error-Handling: Was passiert bei Fehlern?
Output: Was ist das Endergebnis?
Monitoring: Welche Metriken tracken wir?
Geschätzte Kosten: Operations/Executions pro Monat in CHF

Visualisiere als ASCII-Flowchart:
[Trigger] → [Schritt 1] → [Schritt 2] → ... → [Output]

Erklärung: Dieser Prompt schliesst die Lücke zwischen Business-Anforderung und technischer Implementierung. Er ist besonders nützlich in der Planungsphase von Workflow-Projekten.

Prompt 18: API-Endpoint generieren

Zweck: Generiert REST API-Endpoint-Spezifikationen und Beispiel-Code.

System: Du bist ein API-Entwickler. Du erstellst RESTful API-Spezifikationen mit Fokus auf Sicherheit und Best Practices.
User: Erstelle eine API-Endpoint-Spezifikation:
Zweck: {{zweck}}
Methode: {{methode}} (GET/POST/PUT/DELETE)
Datenmodell: {{modell}}
Authentifizierung: {{auth_typ}}
Rate Limit: {{limit}} requests/min
Liefere:
Endpoint-URL: RESTful Konvention
Request:
   - Headers (inkl. Auth)
   - Query Parameters (falls GET)
   - Request Body (falls POST/PUT) als JSON Schema
Response:
   - Success (200/201) mit Beispiel-JSON
   - Error Responses (400, 401, 403, 404, 500)
cURL-Beispiel: Vollständiger cURL-Befehl
Sicherheitshinweise: Input-Validierung, Rate Limiting
n8n/Make Integration: Wie diesen Endpoint in einem Workflow nutzen

Erklärung: Der Prompt berücksichtigt die Integration in Automation-Plattformen und liefert sofort testbare cURL-Beispiele. Ideal für Teams, die eigene APIs für ihre AI Automation aufbauen.

Prompt 19: Error-Handling

Zweck: Erstellt robuste Error-Handling-Strategien für Automation-Workflows.

System: Du bist ein Automation-Reliability-Engineer. Du entwirfst robuste Fehlerbehandlung für Workflow-Automationen.
User: Entwirf Error-Handling für:
Workflow: {{workflow_name}}
Kritische Schritte: {{schritte}}
SLA: {{verfuegbarkeit}}% Verfügbarkeit
Fehlerhistorie: {{bisherige_fehler}}
Für jeden kritischen Schritt liefere:
Mögliche Fehler: Top 3 wahrscheinlichste Fehler
Retry-Strategie: Anzahl Versuche, Backoff (exponentiell/linear), Timeout
Fallback: Alternative Aktion bei dauerhaftem Fehler
Alerting: Wer wird wann benachrichtigt?
Recovery: Wie wird der Normalzustand wiederhergestellt?
Logging: Welche Informationen loggen wir?

Zusätzlich:
Dead Letter Queue Strategie
Circuit Breaker Pattern (falls anwendbar)
Monitoring-Dashboard Metriken

Erklärung: Robustes Error-Handling ist der Unterschied zwischen einem Proof-of-Concept und einer produktionsreifen Automation. Dieser Prompt folgt den Workflow Design Patterns für Enterprise-Grade-Systeme.

Prompt 20: Test-Cases generieren

Zweck: Erstellt umfassende Test-Cases für Automation-Workflows.

System: Du bist ein QA-Engineer für Workflow-Automationen. Du denkst in Edge Cases und Grenzfällen.
User: Erstelle Test-Cases für:
Workflow: {{workflow_name}}
Beschreibung: {{beschreibung}}
Input-Format: {{input}}
Expected Output: {{output}}
Integrationen: {{tools}}
Liefere Tests in diesen Kategorien:
Happy Path (3 Tests): Normalfall funktioniert korrekt
Edge Cases (3 Tests): Grenzfälle und ungewöhnliche Inputs
Error Cases (3 Tests): Fehlerszenarien und Timeouts
Performance (2 Tests): Lastverhalten und Durchsatz
Security (2 Tests): Unerlaubte Zugriffe und Injection

Format pro Test:
| ID | Kategorie | Beschreibung | Input | Expected | Priorität |

Erklärung: Systematische Tests verhindern Überraschungen im Produktivbetrieb. Der Prompt deckt alle relevanten Testdimensionen ab – von funktionalen Tests bis zu Sicherheitsaspekten.

Prompt-Engineering Best Practices

Nach Jahren der Erfahrung mit AI Automation in Schweizer Unternehmen haben sich fünf goldene Regeln für erfolgreiches Prompt Engineering herauskristallisiert.

Regel 1: Kontext vor Aufgabe

Geben Sie dem Modell immer zuerst den Kontext (Rolle, Hintergrund, Einschränkungen), bevor Sie die eigentliche Aufgabe formulieren. Ein Modell, das «weiss», wer es ist und für wen es arbeitet, liefert relevantere Ergebnisse.

Regel 2: Strukturierte Ausgabe erzwingen

Definieren Sie das gewünschte Ausgabeformat explizit. JSON, Markdown-Tabellen oder nummerierte Listen eignen sich besonders gut für Automation-Workflows, da sie maschinell verarbeitbar sind.

Regel 3: Negative Constraints nutzen

Sagen Sie dem Modell nicht nur, was es tun soll, sondern auch, was es vermeiden soll. «Keine Floskeln», «Kein Keyword-Stuffing» oder «Keine Annahmen – bei Unklarheiten nachfragen» verbessern die Ausgabequalität erheblich.

Regel 4: Variablen sauber definieren

Nutzen Sie ein konsistentes Format für Variablen (z.B. {{variable_name}}) und dokumentieren Sie den erwarteten Datentyp. Dies verhindert Fehler bei der Integration in Workflow-Tools.

Regel 5: Iterativ optimieren

Kein Prompt ist beim ersten Mal perfekt. Testen Sie mit realen Daten, analysieren Sie die Ausgabe und verfeinern Sie iterativ. Halten Sie erfolgreiche Prompts in einer zentralen Library fest – genau wie diese hier.

FAQ

Welche AI-Modelle eignen sich am besten für die Prompts in dieser Library?

Alle Prompts in dieser Library sind modellübergreifend getestet und funktionieren mit Claude, GPT-4, GPT-4o, Gemini Pro und den meisten aktuellen LLMs. Für strukturierte JSON-Ausgaben empfehlen wir Claude oder GPT-4o, da diese Modelle besonders zuverlässig formatierte Ausgaben liefern. Für kreative Content-Aufgaben sind alle Modelle gleichwertig.

Wie integriere ich diese Prompts in meinen Make- oder n8n-Workflow?

Die Prompts können direkt in AI-Module von Make oder n8n eingefügt werden. Ersetzen Sie die {{Variablen}} durch dynamische Werte aus vorherigen Workflow-Schritten. In Make verwenden Sie das OpenAI- oder HTTP-Modul, in n8n den AI Agent Node oder den HTTP Request Node.

Muss ich die Prompts anpassen oder kann ich sie 1:1 übernehmen?

Die Prompts sind als Vorlagen konzipiert und sollten auf Ihren spezifischen Use Case angepasst werden. Die Grundstruktur (Rolle, Kontext, Aufgabe, Format) sollte beibehalten werden, aber branchenspezifische Details, Tonalität und Ausgabeformate müssen Sie an Ihre Bedürfnisse anpassen.

Wie messe ich, ob ein Prompt gut funktioniert?

Definieren Sie klare Erfolgskriterien vor dem Test: Ist die Ausgabe korrekt? Ist das Format einheitlich? Liefert der Prompt konsistente Ergebnisse bei verschiedenen Inputs? Testen Sie jeden Prompt mit mindestens 10 verschiedenen Eingaben und bewerten Sie Qualität, Konsistenz und Fehlerrate. Eine gute Automation sollte über 95% korrekte Ergebnisse liefern.

Was kostet die Nutzung dieser Prompts in Automation-Workflows?

Die Kosten hängen vom gewählten AI-Modell und dem Datenvolumen ab. Ein typischer Prompt mit 500 Tokens Input und 500 Tokens Output kostet mit GPT-4o ca. CHF 0.01-0.03 pro Ausführung. Bei 1'000 Ausführungen pro Monat liegen die AI-Kosten zwischen CHF 10 und CHF 30 – zuzüglich der Workflow-Plattform-Kosten.

---

Weiterführende Themen

• Workflow Templates zum Nachbauen
• LLMs für AI Automation