Wenn Sie in die Welt der KI-Agenten-Entwicklung einsteigen, werden Sie schnell auf den Begriff „System Prompt" stoßen. Dieser unscheinbare Textbaustein ist das Fundament jedes intelligenten Agenten – er legt fest, wer der Agent ist, was er kann und wo seine Grenzen liegen. In diesem Tutorial lernen Sie Schritt für Schritt, wie Sie wirkungsvolle System Prompts erstellen, die Ihre Agenten zuverlässig und vorhersehbar machen.

Was ist ein System Prompt und warum ist er so wichtig?

Stellen Sie sich einen System Prompt wie das „Gehirn" Ihres Agenten vor. Er ist die zentrale Steuerungsanweisung, die dem KI-Modell mitteilt, wie es sich verhalten soll. Im Gegensatz zu normalen Benutzer-Nachrichten (User Prompts) wird der System Prompt vom Entwickler festgelegt und bleibt während der gesamten Konversation bestehen.

Die drei Kernfragen eines System Prompts:

Die Anatomie eines perfekten System Prompts

Ein wirkungsvoller System Prompt besteht aus mehreren Bausteinen. Ich erkläre jeden Teil anhand eines praktischen Beispiels: Wir erstellen einen Kundenservice-Bot für einen Online-Shop.

Komponente 1: Rollenfestlegung (Role Definition)

Die Rollenfestlegung ist das Herzstück Ihres System Prompts. Sie sagt dem Modell explizit, in welcher Persona es agieren soll. Eine gute Rollenbeschreibung ist spezifisch, aber nicht einschränkend.

Komponente 2: Fähigkeitsbeschreibung (Capability Definition)

Hier definieren Sie konkret, welche Aufgaben der Agent übernehmen darf. Seien Sie präzise – je klarer die Beschreibung, desto zuverlässiger die Ergebnisse.

Komponente 3: Einschränkungsbedingungen (Constraint Definition)

Die Einschränkungen sind mindestens ebenso wichtig wie die Fähigkeiten. Sie verhindern unerwünschtes Verhalten und schützen sowohl den Benutzer als auch Ihren Service.

Praxis: Der erste eigene KI-Agent mit HolySheep AI

Jetzt wird es praktisch! Wir programmieren gemeinsam einen einfachen, aber vollständigen KI-Agenten. Ich empfehle HolySheep AI, da die Plattform eine benutzerfreundliche API mit einer Latenz von unter 50 Millisekunden bietet und die günstigsten Preise im Markt hat – bis zu 85% Ersparnis gegenüber Alternativen. Die Registrierung ist kostenlos, und Sie erhalten sofort ein Startguthaben.

Schritt 1: Die Python-Umgebung vorbereiten

Bevor wir starten, installieren wir das benötigte Paket:

pip install openai

Schritt 2: Unseren ersten Agenten programmieren

Erstellen Sie eine neue Datei namens mein_agent.py und fügen Sie folgenden Code ein:

from openai import OpenAI

client = OpenAI(
    api_key="YOUR_HOLYSHEEP_API_KEY",
    base_url="https://api.holysheep.ai/v1"
)

def erstelle_agent(anweisung: str) -> str:
    """
    Erstellt einen KI-Agenten basierend auf einer System-Anweisung.
    
    Args:
        anweisung: Der System Prompt, der den Agenten definiert
        
    Returns:
        Die Antwort des Agenten als String
    """
    try:
        antwort = client.chat.completions.create(
            model="deepseek-v3.2",
            messages=[
                {
                    "role": "system",
                    "content": anweisung
                },
                {
                    "role": "user",
                    "content": "Wer bist du und was kannst du für mich tun?"
                }
            ],
            temperature=0.7,
            max_tokens=500
        )
        return antwort.choices[0].message.content
    except Exception as fehler:
        return f"Ein Fehler ist aufgetreten: {type(fehler).__name__}"


Beispiel: Erstellen wir einen hilfsbereiten Assistenten

system_prompt = """
Du bist Max, ein freundlicher und geduldiger KI-Assistent.
Deine Aufgabe ist es, Benutzern bei alltäglichen Fragen zu helfen.

Fähigkeiten:
- Erkläre schwierige Themen einfach und verständlich
- Biete praktische Tipps und Ratschläge
- Sei höflich und respektvoll

Einschränkungen:
- Antworte immer auf Deutsch
- Überschreite niemals dein Wissen und sage ehrlich, wenn du etwas nicht weißt
- Gib keine medizinischen, rechtlichen oder finanziellen Ratschläge
"""

print(erstelle_agent(system_prompt))

Dieser einfache Code erstellt einen Agenten namens „Max", der freundlich und hilfsbereit antwortet, aber klare Grenzen hat.

Schritt 3: Den Agenten für komplexere Aufgaben erweitern

Nun erweitern wir unseren Agenten zu einem spezialisierten Kundenberater mit Gedächtnis:

import json
from openai import OpenAI

client = OpenAI(
    api_key="YOUR_HOLYSHEEP_API_KEY",
    base_url="https://api.holysheep.ai/v1"
)

def erstelle_system_prompt() -> str:
    """Generiert einen detaillierten System Prompt für einen Kundenberater."""
    
    return """
Du bist Lena, eine professionelle Kundenberaterin für TechMart, einen Online-Shop für Elektronik.

ROLLE UND IDENTITÄT:
- Du arbeitest als Kundenberaterin bei TechMart seit 3 Jahren
- Du bist sachkundig in Elektronik und technischen Produkten
- Dein Kommunikationsstil ist professionell, aber warmherzig

KERNFÄHIGKEITEN:
1. Produktberatung basierend auf Kundenbedürfnissen
2. Beantwortung von Fragen zu Bestellungen und Lieferung
3. Bearbeitung von Rücksendungen und Reklamationen
4. Technischer Support für Produkte

VERHALTENSREGELN:
- Stelle maximal 3 Rückfragen, um das Problem zu verstehen
- Fasse wichtige Informationen immer zusammen
- Biete bei Unklarheiten alternative Lösungen an
- Beende jede Antwort mit einer konkreten Handlungsempfehlung

STRUKTURIERTE ANTWORTEN:
Antworte im folgenden Format, wenn du eine Produktauswahl empfiehlst:
{
    "empfehlung": "Produktname",
    "begründung": "Kurze Begründung",
    "preis": "geschätzter Preisbereich"
}

VERBOTENE BEREICHE:
- Keine Spekulationen über zukünftige Produkte oder Preise
- Keine Vergleiche mit Konkurrenzprodukten
- Keine Zusagen, die nicht eingehalten werden können
- Keine Weitergabe von Kundendaten an Dritte
"""

def frage_agent(benutzer_nachricht: str, kontext: list = None) -> str:
    """
    Sendet eine Nachricht an den Agenten mit optionalem Konversationskontext.
    
    Args:
        benutzer_nachricht: Die aktuelle Frage des Benutzers
        kontext: Liste früherer Nachrichten für Kontext
        
    Returns:
        Die Antwort des Agenten
    """
    nachrichten = [{"role": "system", "content": erstelle_system_prompt()}]
    
    if kontext:
        nachrichten.extend(kontext)
    
    nachrichten.append({"role": "user", "content": benutzer_nachricht})
    
    try:
        antwort = client.chat.completions.create(
            model="deepseek-v3.2",
            messages=nachrichten,
            temperature=0.5,
            max_tokens=800
        )
        return antwort.choices[0].message.content
    except Exception as e:
        return f"Fehler bei der Anfrage: {str(e)}"


Beispiel-Gespräch

print("=== Gespräch mit Lena, Ihrer TechMart-Beraterin ===\n")

antwort1 = frage_agent("Ich suche einen Laptop für студium und gelegentliches Gaming.")
print(f"Kunde: Ich suche einen Laptop für Studium und gelegentliches Gaming.")
print(f"Lena: {antwort1}\n")

antwort2 = frage_agent("Was ist mit dem Akku?")
print(f"Kunde: Was ist mit dem Akku?")
print(f"Lena: {frage_agent('Was ist mit dem Akku?', [{'role': 'user', 'content': 'Ich suche einen Laptop für Studium und gelegentliches Gaming.'}, {'role': 'assistant', 'content': antwort1}])}")

Erfahrungsbericht aus der Praxis

Bei meiner ersten Agenten-Entwicklung habe ich einen typischen Anfängerfehler gemacht: Ich habe zu wenig Wert auf die Einschränkungen gelegt. Mein Übersetzungs-Agent antwortete plötzlich auf Fragen zu medizinischen Themen, obwohl das nie seine Aufgabe war. Das Problem war, dass ich nur die Fähigkeiten beschrieben hatte, aber keine klaren Grenzen gesetzt.

Nach mehreren Wochen Praxis habe ich gelernt, dass ein guter System Prompt etwa 60% Einschränkungen und nur 40% Fähigkeiten enthalten sollte. Die beste Methode: Testen Sie Ihren Agenten mit bewusst provokativen Anfragen, um herauszufinden, wo er aus dem Ruder läuft.

Fortgeschrittene Techniken für professionelle Agenten

Chained Prompts: Komplexe Aufgaben aufteilen

Für komplexere Aufgaben empfiehlt es sich, den Prozess in mehrere Schritte zu gliedern. Jeder Schritt erhält seinen eigenen Fokus-Prompt:

from openai import OpenAI

client = OpenAI(
    api_key="YOUR_HOLYSHEEP_API_KEY",
    base_url="https://api.holysheep.ai/v1"
)

def stapel_verarbeitung(eingabe: str) -> dict:
    """
    Verarbeitet eine Benutzeranfrage in mehreren definierten Schritten.
    """
    schritt_1 = client.chat.completions.create(
        model="deepseek-v3.2",
        messages=[
            {
                "role": "system",
                "content": "Du bist ein Analyse-Spezialist. Extrahiere die Kernaussage und relevante Fakten aus der Eingabe."
            },
            {"role": "user", "content": eingabe}
        ],
        temperature=0.3,
        max_tokens=200
    )
    
    analyse = schritt_1.choices[0].message.content
    
    schritt_2 = client.chat.completions.create(
        model="deepseek-v3.2",
        messages=[
            {
                "role": "system",
                "content": "Du bist ein Lösungsfinder. Basierend auf der Analyse, generiere 3 mögliche Lösungsansätze."
            },
            {"role": "user", "content": f"Analyse: {analyse}"}
        ],
        temperature=0.6,
        max_tokens=300
    )
    
    loesungen = schritt_2.choices[0].message.content
    
    schritt_3 = client.chat.completions.create(
        model="deepseek-v3.2",
        messages=[
            {
                "role": "system",
                "content": "Du bist ein Empfehlungs-Experte. Wähle die beste Lösung aus und erkläre warum."
            },
            {"role": "user", "content": f"Analysierte Situation: {analyse}\nMögliche Lösungen: {loesungen}"}
        ],
        temperature=0.4,
        max_tokens=250
    )
    
    empfehlung = schritt_3.choices[0].message.content
    
    return {
        "analyse": analyse,
        "loesungen": loesungen,
        "empfehlung": empfehlung
    }


Test mit einer Beispielanfrage

problem = "Mein Onlineshop hat seit einer Woche 30% weniger Bestellungen als sonst"
ergebnis = stapel_verarbeitung(problem)

print("=== Analyse ===")
print(ergebnis["analyse"])
print("\n=== Lösungsvorschläge ===")
print(ergebnis["loesungen"])
print("\n=== Empfehlung ===")
print(ergebnis["empfehlung"])

Die Wahl des richtigen KI-Modells

Die Modellwahl beeinflusst maßgeblich die Qualität und Kosten Ihres Agenten. Hier ist ein Vergleich der wichtigsten Modelle über die HolySheep AI API:

Für die meisten Agenten-Anwendungen empfehle ich DeepSeek V3.2 oder Gemini 2.5 Flash. Sie bieten exzellente Ergebnisse zu einem Bruchteil der Kosten.

Häufige Fehler und Lösungen

Fehler 1: Vage Rollenbeschreibungen

Problem: „Du bist ein Assistent" — Eine solche Beschreibung ist zu allgemein und führt zu inkonsistentem Verhalten. Der Agent weiß nicht genau, wie er reagieren soll.

Lösung: Definieren Sie die Rolle konkret mit Hintergrund, Kommunikationsstil und spezifischen Verhaltensweisen:

# SCHLECHT
system_prompt = "Du bist ein Assistent."


GUT

system_prompt = """
Du bist Sven, ein technischer Support-Spezialist bei CloudTech GmbH.
Du arbeitest im Second-Level-Support und hilfst bei komplexeren technischen Problemen.
Dein Stil ist sachlich, geduldig und lösungsorientiert.
Beginne jede Antwort mit einer Bestätigung des Problems,
dann folgen die Lösungsschritte in nummerierter Reihenfolge.
"""

Fehler 2: Fehlende oder unklare Einschränkungen

Problem: Der Agent überschreitet seine Kompetenzen und gibt falsche Informationen oder unangemessene Ratschläge.

Lösung: Implementieren Sie eine klare Einschränkungsstrategie mit Eskalationspfaden:

system_prompt = """
[Einschränkungen - Absolute Grenzen]
Überschreite NIEMALS folgende Grenzen:
1. Medizinische Ratschläge → Antworte: "Dafür konsultieren Sie bitte einen Arzt."
2. Rechtliche Beratung → Antworte: "Ich empfehle einen Anwalt."
3. Preisgarantien → Antworte: "Preise können variieren, prüfen Sie die aktuelle Webseite."

[Eskalation - Wann soll ich weiterleiten?]
- Sicherheitsrelevante Probleme → Leite an Sicherheitsteam weiter
- Beschwerden über Mitarbeiter → Notiere und leite an HR weiter
- Technische Probleme außerhalb deines Wissens → Biete Ticket-Erstellung an
"""

Fehler 3: Halluzinationen und erfundene Informationen

Problem: Der Agent erfindet Informationen, wenn er unsicher ist, anstatt dies zuzugeben.

Lösung: Implementieren Sie eine „Ehrlichkeits-Routine" mit expliziten Anweisungen:

system_prompt = """
[Vertrauenswürdigkeit - Deine höchste Priorität]

REGEL 1: Bei Unsicherheit
Wenn du dir bei einer Information nicht sicher bist, antworte IMMER:
"Ich bin mir nicht sicher, aber..." oder "Das weiß ich nicht genau."

REGEL 2: Faktenprüfung
Bevor du Fakten präsentierst, prüfe ob sie in deinem Training enthalten sein können.
Bei Produktspezifikationen: Füge hinzu "nach meinen Informationen" oder 
"Bitte überprüfen Sie die aktuelle Produktbeschreibung."

REGEL 3: Erfindungen verbieten
Verwende NIEMALS Phrasen wie:
- "Laut unseren Daten..." (wenn du keine Daten hast)
- "Das Produkt hat..." (bei Unsicherheit)
- "Ich weiß, dass..." (bei spekulativen Aussagen)
"""

Fehler 4: Kontextüberlauf bei langen Gesprächen

Problem: Bei langen Konversationen wird der Kontext zu groß, die Antwortqualität sinkt, und die Kosten steigen.

Lösung: Implementieren Sie ein intelligentes Kontextmanagement:

import json
from openai import OpenAI

client = OpenAI(
    api_key="YOUR_HOLYSHEEP_API_KEY",
    base_url="https://api.holysheep.ai/v1"
)

class KontextManager:
    """Verwaltet den Konversation-Kontext effizient."""
    
    def __init__(self, max_token: int = 2000):
        self.max_token = max_token
        self.history = []
        self.zusammenfassung = "Keine vorherige Konversation."
        
    def hinzufuegen(self, nachricht: str, rolle: str = "user"):
        self.history.append({"role": rolle, "content": nachricht})
        self._komprimieren()
        
    def _komprimieren(self):
        """Komprimiert den Verlauf wenn nötig."""
        gesamt_token = sum(len(m["content"].split()) for m in self.history) * 1.3
        
        if gesamt_token > self.max_token:
            # Erstelle eine Zusammenfassung der ersten Hälfte
            if len(self.history) > 2:
                alte_nachrichten = self.history[:len(self.history)//2]
                self.history = self.history[len(self.history)//2:]
                
                # Zusammenfassen
                zusammenfassungs_prompt = client.chat.completions.create(
                    model="deepseek-v3.2",
                    messages=[
                        {"role": "system", "content": "Fasse die wichtigsten Punkte zusammen."},
                        {"role": "user", "content": str(alte_nachrichten)}
                    ],
                    max_tokens=150
                )
                self.zusammenfassung = zusammenfassungs_prompt.choices[0].message.content
                
    def get_kontext(self) -> list:
        kontext = [{"role": "system", "content": f"Vorherige Konversation (Zusammenfassung): {self.zusammenfassung}"}]
        kontext.extend(self.history)
        return kontext


Anwendung

manager = KontextManager(max_token=2000)
manager.hinzufuegen("Ich suche einen Laptop für Programmierung", "user")
manager.hinzufuegen("Für Programmierung empfehle ich einen Laptop mit mindestens 16GB RAM.", "assistant")

Weitere Nachrichten werden automatisch komprimiert...

Best Practices für produktionsreife Agenten

Fazit

System Prompts sind das Fundament jeder erfolgreichen KI-Agenten-Entwicklung. Die Kunst liegt darin, die richtige Balance zwischen Fähigkeiten und Einschränkungen zu finden. Mit den vorgestellten Techniken und dem richtigen Framework können Sie robuste, zuverlässige Agenten erstellen, die genau das tun, was Sie benötigen.

Der wichtigste Tipp zum Schluss: Starten Sie einfach. Erstellen Sie Ihren ersten Agenten mit einem grundlegenden System Prompt, testen Sie ihn, und verbessern Sie ihn iterativ. Perfektion kommt durch Praxis.

Mit HolySheheep AI steht Ihnen eine leistungsstarke und kostengünstige Plattform zur Verfügung, die es Ihnen ermöglicht, Ihre Agenten-Ideen schnell und effizient umzusetzen. Die API ist intuitiv, die Latenz minimal, und die Preise sind unschlagbar günstig.

👉 Registrieren Sie sich bei HolySheep AI — Startguthaben inklusive

Verwandte Ressourcen

Verwandte Artikel