Herzlich Willkommen zu den AI FIRST Insights!

Stell dir vor, du stellst einen neuen Mitarbeiter ein, gibst ihm aber keine klare Aufgabenbeschreibung. Welche Ergebnisse erwartest du?

Wahrscheinlich keine besonders guten.

Ein ähnliches Bild sehe ich oft in der Arbeit mit KI-Agenten. Unternehmen nutzen leistungsstarke Technologie, aber wundern sich, warum die Ergebnisse häufig generisch oder unkonkret bleiben.

Die Ursache liegt meist nicht am KI-Modell selbst, sondern an einem entscheidenden, aber häufig unterschätzten Faktor: der Systemanweisung (System Prompt).

Der Systemprompt definiert, welche Rolle die KI einnimmt, welche Fähigkeiten sie nutzen und nach welchen Prinzipien sie handeln soll. Eine gute Systemanweisung ist der Hebel, um von einer allgemeinen Anwendung zu einem spezialisierten Assistenten zu kommen, der konkrete Mehrwerte schafft.

In diesem Newsletter zeige ich dir mein Best Practice für KI-Agenten-Systemprompts.

Los geht's!

Bringe dein Unternehmen erfolgreich in die KI-Ära

Vor 3 Monaten habe ich das AI Collective mit der Mission gegründet, Führungskräfte im Mittelstand fit für die KI-Ära zu machen.

Ab September öffenen wir das AI Collective für weitere Mitglieder, die die KI-Transformation in ihrem Unternehmen vorantreiben.

Wenn du bereit bist, die KI-Verantwortung in deinem Unternehmen zu übernehmen und deine Karriere auf die nächste Stufe zu heben, ist das deine Einladung.

👉 Mehr über das AI Collective erfahren

Das größte Missverständnis bei KI-Agenten

Einer der Hauptgründe, warum die Ergebnisse von KI-Agenten oft enttäuschen, ist eine falsche Erwartungshaltung. Wir neigen dazu, sie wie menschliche Experten zu behandeln, die den Kontext vollständig verstehen und eigenständig komplexe Probleme lösen können.

Die Realität sieht aber anders aus.

Die folgende "Skill-Pyramide" veranschaulicht das sehr gut:

Viele Nutzer erwarten, dass ein KI-Agent auf "Level 5: Superstar" agiert – also selbstständig das richtige Problem identifiziert und es löst.

Tatsächlich befinden sich die meisten aktuellen KI-Systeme aber auf "Level 2: Task Monkey".

Das bedeutet, sie sind darauf angewiesen, extrem genaue Anweisungen zu erhalten. Man muss ihnen präzise sagen:

1. WAS sie tun sollen
2. WIE sie es tun sollen
3. WANN sie es tun sollen

Genau hier liegt die Krux: Weil das "Was" und insbesondere das "Wie" in vielen Systemanweisungen zu kurz kommen, liefern die Agenten inkonsistente und oft unbrauchbare Ergebnisse.

Die gute Nachricht ist: Mit einer sehr spezifischen, detaillierten und gut strukturierten Systemanweisung können wir genau das ändern. Wir geben dem "Task Monkey" eine perfekte Schritt-für-Schritt-Anleitung, die ihm hilft, seine Aufgabe immer wieder auf die gleiche, qualitativ hochwertige Weise zu erledigen.

Das ist die Grundlage für Verlässlichkeit und echten Mehrwert.

Von den Besten lernen: Wie Manus, Cursor & Co. ihre Agenten-Prompts schreiben

Gute Systemanweisungen sind kein Hexenwerk, sondern ein Handwerk. Ich habe mir dieses Handwerk von den Unternehmen abgeschaut, die die erfolgreichsten KI-Agenten auf dem Markt haben.

Schritt 1: Die Goldgrube finden – Die besten System-Prompts als Vorlage

Die Systemanweisungen der erfolgreichsten KI-Agenten der Welt sind oft öffentlich. Ich habe mir die Prompts von Top-Tools wie "Cursor" oder "Manus" aus einem zentralen GitHub-Repository als Vorlage genommen.

Hier findest du das Repository mit den Systemprompts.

Schritt 2: Die Mustererkennung – Analyse mit Google Gemini

Diese Sammlung an Prompts habe ich in Google Gemini analysiert. Dank des riesigen Kontextfensters konnte Gemini die Struktur, den Stil und die Qualitätsmerkmale all dieser Anweisungen auf einmal auswerten und die gemeinsamen Muster identifizieren.

(Dieser Input-Prompt war über 100 DIN A4 Seiten lang)

Schritt 3: Die Adaption – Vom Produkt-Prompt zum Prozess-Template

Geminis Analyse war die Basis. Da sich Produkt-Prompts nicht 1:1 für interne Prozesse eignen, habe ich die Ergebnisse mit meinen Praxiserfahrungen kombiniert. So entstand ein flexibles Template, das ich für die Entwicklung neuer, interner KI-Agenten nutze.

Das universelle Template für wirksame Systemprompts

Mein Template gliedert eine Systemanweisung in logische Bausteine, die einem KI-Agenten Klarheit und Orientierung geben.

Hier ist der Aufbau im Überblick. Die komplette Vorlage mit allen Details kannst du dir am Ende des Abschnitts herunterladen.

1) Role and Personality

Hier legen wir die grundlegende Identität des Agenten fest. Ist er ein kreativer Texter oder ein analytischer Controller? Das bestimmt den Tonfall, die Wortwahl und das gesamte Verhalten. Es ist die Antwort auf die Frage: "Wer bist du?"

2) Main Goal and Working Style

Dieser Abschnitt definiert das übergeordnete Ziel und die Arbeitsweise. Was ist die eine, wichtigste Aufgabe des Agenten und wie soll er sie angehen? Systematisch, kreativ, datengetrieben oder besonders schnell? Das sorgt für Fokus.

3) Context

Keine Aufgabe existiert im luftleeren Raum. Hier geben wir dem Agenten den nötigen Hintergrund: In welchem Unternehmen oder Team agiert er? Für welche Zielgruppe arbeitet er? Was sind die Details des konkreten Projekts?

4) General Rules

Das sind die unumstößlichen Grundregeln, die immer gelten. Hier definieren wir Prinzipien für die Kommunikation, den Umgang mit Daten und wie der Agent mit Fehlern oder Wissenslücken umgehen soll.

5) Specific Guidelines

Während die "General Rules" das Fundament sind, definieren wir hier Anweisungen für wiederkehrende, spezifische Aufgaben. Zum Beispiel, wie Texte formatiert oder Dateien benannt werden sollen. Das sichert konsistente Ergebnisse.

6) Tools

Ein Agent ist nur so gut wie seine Werkzeuge. In diesem Bereich beschreiben wir exakt, welche "Tools" (z.B. eine Internet-Suche oder der Zugriff auf interne Kalender) dem Agenten zur Verfügung stehen, was sie tun und wann er sie einsetzen soll.

7) Response Format

Um vorhersagbare und weiterverarbeitbare Ergebnisse zu bekommen, müssen wir das Ausgabeformat genau definieren. Soll die Antwort eine E-Mail, eine Markdown-Tabelle oder ein JSON-Objekt sein? Das legen wir hier fest.

8) Examples

KI-Modelle lernen extrem gut durch Beispiele. Hier geben wir konkrete "Gut-Beispiele" für eine komplette Interaktion – von der Nutzeranfrage bis zur perfekten Antwort des Agenten. Das ist eine der wirksamsten Methoden, um das gewünschte Verhalten zu trainieren.

9) Metacognition and Planning

Für komplexe Aufgaben ist es hilfreich, wenn der Agent über seine eigene Arbeit "nachdenken" kann. Hier geben wir ihm Anweisungen, wie er Aufgaben planen, in Schritte zerlegen und die Qualität seiner eigenen Ergebnisse bewerten soll.

Noch ein Wort zur Formatierung:

Dir sind sicher die spitzen Klammern aufgefallen, wie z.B. <Role_and_Personality>. Das ist kein Zufall. Dieses Format, ähnlich wie XML, schafft für die KI absolut unmissverständliche, abgegrenzte Blöcke. So weiß das Modell genau, wo ein Abschnitt anfängt und wo er aufhört. Alternativ funktioniert auch Markdown (z.B. mit ## Überschriften), aber meine Erfahrung zeigt: Bei sehr langen und komplexen Anweisungen sind die XML-Tags oft robuster, da sie Verwechslungen vermeiden und die Struktur klarer wahren.

Hier kannst du das Template kopieren und für dich anpassen.

Wie du das Template anwendest: 2 Wege

Wie kommst du nun vom leeren Template zum fertigen System-Prompt?

Weg 1: Der schnelle Dialog:

Kopiere das Template in einen Chatbot (Claude, GPT, Gemini) und bitte ihn: *"Führe mich Schritt für Schritt durch dieses Template, um einen neuen Agenten zu bauen."* Du beantwortest die Fragen, die KI füllt die Vorlage aus.

Weg 2: Der nachhaltige Assistent:

Baue dir einen eigenen "Agent-Builder" (z.B. als Custom GPT oder Gemini Gem). Hinterlege das Template in dessen Systemanweisung mit dem Auftrag, dir immer wieder bei der Erstellung neuer Agenten zu helfen. Das spart dir das ständige Kopieren.

KI-Agenten Do's & Don'ts aus der Praxis

✅ Do's:

1. Eine klar abgegrenzte Aufgabe: Ein Agent sollte für *eine* Sache richtig gut sein, nicht für fünf verschiedene.
2. Eindeutige, detaillierte Prozessbeschreibung: Beschreibe exakt, was der Agent tun soll. Je weniger Interpretationsspielraum, desto besser.
3. Sauber definiertes Output-Format: Gib genau vor, wie das Ergebnis aussehen soll (z.B. Tabelle, JSON, E-Mail). Das sichert konsistente, nutzbare Resultate.
4. Zugriff auf gute Daten: Gib dem Agenten Zugriff auf eine saubere, relevante Wissensbasis und vermeide zu viele unnötige Systemzugriffe.
5. Human in the Loop: Plane immer einen Menschen für die finale Prüfung und Freigabe ein.

❌ Don'ts:

1. Mehrere Aufgaben pro Agent: Vermeide eierlegende Wollmilchsäue. Ein Agent, der alles können soll, kann am Ende nichts richtig gut.
2. Mehrdeutige Anweisungen: Unklare Formulierungen führen zu unvorhersehbaren Ergebnissen. Sei so explizit wie möglich.
3. Unklare Zieldefinition: Wenn der Agent das Ziel nicht kennt, kann er es auch nicht erreichen.
4. Verarbeitung formatierter Dateien: Gib dem Agenten rohe Textdaten. Die Verarbeitung von komplex formatierten Dateien (wie PDFs oder Powerpoint) ist fehleranfällig.
5. Zu hoher Autonomiegrad: Gib dem Agenten keine völlige Autonomie. KI-Agenten machen Fehler und benötigen menschliche Aufsicht.

🏁 Fazit

Die Qualität deiner KI-Ergebnisse ist kein Zufall, sondern das direkte Resultat der Klarheit und Struktur deiner Anweisungen.

Key Takeaways:

• Erwartungen anpassen: Heutige KI-Agenten sind "Task Monkeys", die für zuverlässige Ergebnisse extrem detaillierte Anweisungen benötigen.
• Die Systemanweisung ist der Hebel: Sie ist die entscheidende Anleitung, die die Ergebnisqualität direkt und am stärksten beeinflusst.
• Von den Besten lernen: Analysiere die System-Prompts erfolgreicher Agenten, um deren bewährte Struktur zu adaptieren.
• Struktur ist entscheidend: Ein Template sorgt für vollständige Anweisungen, weil es dich zwingt, alle wichtigen Aspekte zu durchdenken.
• Fokus auf eine Aufgabe: Baue Agenten für spezifische, klar abgegrenzte Aufgaben statt eines All-in-One-Tools.

Was hast du bei der Erstellung von KI-Agenten gelernt?

Bis nächsten Sonntag,

Felix

P.S. Im AI Collective legen wir diese Themen eine Ebene tiefer, unter anderem mit konkreten "How to"-Videos und Anleitungen zur Erstellung von Agenten. Wir haben noch ein paar wenige Plätze für den Start im September und Oktober verfügbar. Hier erfährst du alles weitere und kannst dich bewerben.