Prompts für KI-Agenten: Anweisungen, Werkzeuge und Workflows

Ein KI-Agent ist ein Sprachmodell, das mit Werkzeugen in einer Schleife läuft: Es entscheidet, was zu tun ist, ruft ein Werkzeug auf, liest das Ergebnis und macht weiter, bis die Aufgabe erledigt ist. Prompts für einen Agenten zu schreiben unterscheidet sich vom Prompting für eine einzelne Antwort. Sie schreiben keine Frage mehr. Sie schreiben die Betriebsanleitung für etwas, das viele Entscheidungen ohne Sie treffen wird.

Workflow oder Agent

Entscheiden Sie zuerst, ob Sie überhaupt einen Agenten brauchen.

Wenn Sie das Flussdiagramm zeichnen können, bauen Sie einen Workflow mit Prompt-Ketten. Nutzen Sie einen Agenten, wenn Anzahl und Reihenfolge der Schritte nicht im Voraus bekannt sein können, etwa beim Untersuchen eines Fehlers oder beim Recherchieren einer Frage.

Die Teile eines Agenten-Prompts

Das Verhalten eines Agenten ergibt sich aus vier Dingen, die er liest: dem System-Prompt, den Werkzeugdefinitionen, der Aufgabe und den zurückkommenden Ergebnissen. Jedes davon braucht bewusstes Schreiben.

1. Der System-Prompt

Decken Sie sechs Dinge ab.

Rolle und Ziel. Wofür der Agent da ist, in zwei Sätzen.

Arbeitsregeln. Wie zu arbeiten ist: untersuchen, bevor etwas geändert wird, kleine Schritte bevorzugen, Ergebnisse verifizieren.

Grenzen. Was er nicht tun darf und was eine Freigabe braucht.

Umgang mit Problemen. Werkzeugfehler, fehlende Informationen, Mehrdeutigkeit.

Wann zu stoppen ist. Die Bedingung, die bedeutet, dass die Aufgabe erledigt ist, und eine Aufwandsgrenze.

Wie zu berichten ist. Was die Abschlussantwort enthält.

You are a coding agent working in the user's repository.

## How to work
- Read the relevant files before proposing a change.
- Make the smallest change that satisfies the task.
- After editing, run the tests that cover the change.

## Boundaries
- Do not modify files outside the repository.
- Do not delete files or run destructive commands without asking.
- Do not change public interfaces unless the task says so.

## When things go wrong
- If a command fails, read the error and try a different approach once.
  If it fails again, stop and report what you tried.
- If the task is ambiguous, ask one question before starting.

## When to stop
- Stop when the acceptance criteria are met and the tests pass.

## Final report
- What changed and why, files touched, how it was verified, and
  anything left undone.

Erklären Sie den Grund hinter einer Regel, wenn er nicht offensichtlich ist. Ein Agent begegnet Situationen, die Sie nicht aufgelistet haben, und eine Regel mit Begründung verallgemeinert besser als ein bloßes Verbot.

2. Werkzeugdefinitionen

Das Modell wählt Werkzeuge, indem es ihre Namen und Beschreibungen liest. Vage Definitionen sind die häufigste Ursache dafür, dass Agenten das falsche Werkzeug verwenden.

• Benennen Sie Werkzeuge nach dem, was sie tun: search_orders, nicht query2.
• Beschreiben Sie, wann jedes zu verwenden ist und wann nicht.
• Sagen Sie, was zurückkommt, einschließlich Format und Grenzen.
• Machen Sie Parameter eindeutig: Typen, Formate, erlaubte Werte, ein Beispiel.
• Vermeiden Sie sich überschneidende Werkzeuge. Wenn zwei Werkzeuge die Aufgabe erledigen könnten, wählt das Modell uneinheitlich.
• Geben Sie umsetzbare Fehler zurück: „Datum muss JJJJ-MM-TT sein“, nicht „ungültige Eingabe“.

Wenige, gut beschriebene Werkzeuge schlagen eine große Menge ähnlicher. Das Model Context Protocol standardisiert, wie Werkzeuge beschrieben und Agenten angeboten werden.

3. Der Aufgaben-Prompt

Geben Sie dem Agenten eine Spezifikation, keinen Satz. Je mehr Autonomie er hat, desto mehr zählt das Anfangsbriefing.

## Objective
Add rate limiting to the public API.

## Requirements
- 100 requests per minute per API key.
- Return 429 with a Retry-After header when exceeded.

## Constraints
- Existing clients must keep working: no changes to response schemas.

## Acceptance criteria
- New tests cover the limit and the 429 response.
- The existing test suite passes.

Akzeptanzkriterien geben dem Agenten eine Möglichkeit zu erkennen, dass er fertig ist, und Ihnen eine Möglichkeit zur Prüfung. Die PromptFlowEngine-VS-Code-Erweiterung macht aus einer einzeiligen Aufgabe diese Struktur und hängt die relevanten Dateien an.

4. Kontextverwaltung

Alles, was der Agent liest, bleibt in seinem Kontext und wird in jedem Schritt erneut gelesen. Sich selbst überlassen, füllt sich der Kontext mit veralteten Werkzeugausgaben, die Kosten steigen und die Qualität sinkt.

• Geben Sie kompakte Werkzeugergebnisse zurück. Die benötigten Felder, nicht die ganze Nutzlast.
• Fassen Sie alte Ergebnisse zusammen oder verwerfen Sie sie, sobald sie verwendet wurden.
• Führen Sie bei langen Aufgaben dauerhafte Notizen außerhalb des Kontexts, in einer Datei, die der Agent lesen und aktualisieren kann.
• Delegieren Sie. Übergeben Sie eine in sich geschlossene Teilaufgabe an einen Sub-Agenten mit frischem Kontext und nehmen Sie nur dessen Schlussfolgerung zurück.

Siehe Token-Optimierung.

Prompts für Sub-Agenten schreiben

Wenn ein Agent einen anderen briefen, ist das Briefing alles, was der Empfänger weiß. Ein guter Delegations-Prompt nennt:

1. Das Ziel und warum es wichtig ist.
2. Was bereits bekannt ist, damit Arbeit nicht wiederholt wird.
3. Die genau gewünschte Ausgabe und ihr Format.
4. Die Grenzen: was anzufassen ist und was in Ruhe bleibt.

Ein orchestrierender Agent, der vage Briefings schreibt, bekommt vage Arbeit zurück. Hier hilft eine automatische Prüfung: Ein Agent kann seinen Briefing-Entwurf durch die MCP-Werkzeuge von PromptFlowEngine schicken, um ein fehlendes Ziel oder Ausgabeformat vor dem Delegieren zu finden.

Sicherheit für Agenten

Agenten handeln, daher haben Fehler und Angriffe Folgen.

• Geringste Rechte. Jedes Werkzeug hat die engste Berechtigung, die funktioniert. Standardmäßig schreibgeschützt.
• Freigabe für unumkehrbare Aktionen. Löschen, Senden, Bezahlen, Deployen.
• Behandeln Sie Werkzeugergebnisse als nicht vertrauenswürdig. Eine Webseite oder Datei kann Anweisungen enthalten, die auf den Agenten zielen. Siehe Prompt-Injection.
• Limits. Maximale Schritte, maximale Ausgaben und Timeouts.
• Halten Sie Geheimnisse aus dem Kontext heraus. Geben Sie Zugangsdaten direkt an Werkzeuge. Siehe Erkennung von personenbezogenen Daten und Geheimnissen.
• Protokollieren Sie jeden Werkzeugaufruf, damit ein Lauf überprüft werden kann.

Häufige Fehlerbilder

Agenten evaluieren

Bewerten Sie das Ergebnis, nicht den Weg: Sind die Tests durchgelaufen, wurde der richtige Datensatz aktualisiert, ist die Antwort korrekt? Prüfen Sie dann die Verläufe auf verschwendete Schritte und riskante Aktionen. Halten Sie eine Menge von Aufgaben mit bekannten guten Ergebnissen bereit und führen Sie sie erneut aus, wenn sich Prompt, Werkzeuge oder Modell ändern. Siehe Prompt-Tests und -Evaluierung.

Zur Reasoning-Schleife, die all dem zugrunde liegt, siehe ReAct-Prompting.