Prompting in Gemini – anders als du denkst

„Überraschend gut” ist für einmalige Aufgaben okay. Für Workflows ist es ein Problem.

Reproduzierbarkeit ist wichtiger als Qualität. Wer Gemini ernsthaft im Arbeitsalltag einsetzt – für Textentwürfe, Analysen, Datenauswertung, Inhaltsstrukturierung – braucht kein Glück. Er braucht Kontrolle über den Output. Und dafür gibt es bei Gemini präzise Werkzeuge, die viele schlicht ignorieren.

In Teil 3 dieser Serie ging es um den Wechsel vom Chat zum System. Dieser Artikel zeigt, wie dieses System konkret aufgebaut wird.

Der Unterschied, der alles verändert: Chat-Prompt vs. System Instruction

Einfach gesagt:

Der Prompt sagt, was jetzt passieren soll.
Die System Instruction legt fest, wie alles passiert.

Der Prompt ist eine Anfrage. Die System Instruction ist eine Konfiguration.

Konkret: Wenn du in AI Studio ein Prompt-Projekt anlegst und in das System-Instruction-Feld schreibst „Du bist ein SEO-Analyst. Antworte ausschließlich als JSON”, dann gilt das für alle User-Prompts dieser Session. Du musst es nicht wiederholen. Das Modell folgt dieser Konfiguration — für jede einzelne Antwort.

System Instructions richtig aufbauen

Eine gute System Instruction hat drei Bestandteile: Rolle, Format, Einschränkungen.

Rolle: Nicht vage („ein hilfreicher Assistent”), sondern spezifisch und auf den Use Case zugeschnitten.
Format: JSON, Markdown, Stichpunkte, nummerierte Liste – das Modell folgt dem, was hier steht.
Einschränkungen: Was soll das Modell explizit nicht tun? Kein Prosa-Einleitungssatz. Keine Zusammenfassung. Keine Erklärungen zum eigenen Vorgehen.

Das Beispiel unten ist bewusst strikt formuliert – genau das sorgt für stabile, vorhersehbare Ergebnisse:

Du bist ein SEO-Analyst. Deine Aufgabe ist es, für eine gegebene URL oder ein Thema
eine strukturierte SEO-Analyse zu erstellen.

Antworte ausschließlich als gültiges JSON-Objekt mit folgenden Feldern:
- title: optimierter Seitentitel (max. 60 Zeichen)
- meta_description: Meta-Description (max. 155 Zeichen)
- keywords: Array mit 5-8 relevanten Keywords
- h1_suggestion: Vorschlag für die H1-Überschrift
- content_gaps: Array mit Themen, die die Seite noch nicht abdeckt

Schreibe niemals Prosa. Gib niemals Erklärungen zur Analyse. Nur das JSON-Objekt.

Mit dieser Konfiguration bekommt jeder User-Prompt dieselbe Struktur zurück – unabhängig davon, wie der Prompt formuliert ist.

JSON Output Mode: der Unterschied zwischen „meistens” und „immer”

Viele versuchen, JSON per Prompt zu erzwingen: „Antworte nur als JSON. Bitte nur JSON.” Das funktioniert meistens. Aber nicht immer.

JSON Mode ist der Unterschied zwischen „funktioniert meistens” und „funktioniert immer”. Ein normaler Prompt liefert probabilistischen Output – das Format kann variieren. Der native JSON Mode von Gemini 2.5 Pro macht den Output deterministisch: garantiert valides JSON, kein Text davor, kein Text danach, keine Markdown-Code-Fences.

In AI Studio unter „Output” → „JSON mode” aktivierbar. Zusätzlich kann ein Schema definiert werden:

{
  "type": "object",
  "properties": {
    "title": { "type": "string" },
    "meta_description": { "type": "string" },
    "keywords": { "type": "array", "items": { "type": "string" } },
    "h1_suggestion": { "type": "string" },
    "content_gaps": { "type": "array", "items": { "type": "string" } }
  },
  "required": ["title", "meta_description", "keywords", "h1_suggestion", "content_gaps"]
}

Über die API:

model = genai.GenerativeModel(
    model_name="gemini-2.5-pro",
    generation_config=genai.GenerationConfig(
        response_mime_type="application/json",
        response_schema={
            "type": "object",
            "properties": {
                "title": {"type": "string"},
                "meta_description": {"type": "string"},
                "keywords": {"type": "array", "items": {"type": "string"}}
            }
        }
    )
)

Temperatur: Variation, nicht Qualität

Eine Regel, die hängen bleibt: Temperatur steuert Variation – nicht Qualität.

Hohe Temperatur bedeutet nicht bessere Antworten. Sie bedeutet mehr Überraschungen – nützlich für Kreativität, problematisch für Struktur.

Bereich	Typische Aufgaben
0.0–0.3	Struktur, Daten, JSON, Klassifikationen
0.7–1.2	Brainstorming, Textentwürfe, Varianten

Few-Shot Prompting: Beispiele schlagen Beschreibungen

Wer Gemini sagt „Schreib eine präzise, sachliche Produktbeschreibung”, bekommt Geminis Interpretation davon. Wer drei Beispiele zeigt, bekommt Ausgaben, die diesem Stil konsistent folgen.

Beispiele sind stärker als jede Beschreibung. Few-Shot Prompting reduziert nicht nur Varianz – es standardisiert den Output auf eine Art, die reine Textbeschreibungen nicht erreichen.

Aufgabe: Erstelle eine Produktbeschreibung im folgenden Stil.

Beispiel 1:
Produkt: Ergonomischer Bürostuhl HX-400
Beschreibung: Verstellbare Lendenstütze, Sitzhöhe 42-52 cm, Belastung bis 120 kg.
Bezug: atmungsaktives Mesh. Lieferzeit 3-5 Werktage.

Beispiel 2:
Produkt: Stehpult Flex Pro
Beschreibung: Elektrisch höhenverstellbar 70-120 cm, Tischfläche 140x70 cm,
max. 80 kg Traglast. Speicher für 3 Höhenpositionen. Lieferzeit 5-7 Werktage.

Jetzt erstelle eine Beschreibung für:
Produkt: Monitorarm Dual-Flex

Gemini lernt aus den Beispielen nicht nur den Inhalt, sondern auch Struktur, Länge, Ton und Informationsreihenfolge. Zwei bis drei Beispiele reichen in den meisten Fällen.

Häufige Fehler beim Prompting

Fehler	Effekt
Zu vage	Modell entscheidet alles selbst
Kein Format angegeben	Inkonsistente Outputs
System Instruction und Prompt vermischen	Keine Wiederverwendbarkeit
Keine Einschränkungen	Unerwünschter Zusatz-Output

Ein klares „Keine Einleitung, keine Zusammenfassung, nur die angeforderten Daten” in der System Instruction eliminiert den letzten Punkt vollständig.

Praxisbeispiel: vollständiger Prompt-Aufbau

Angenommen, du willst Gemini wiederholt für Produktbeschreibungen nutzen – konsistent im Format, direkt als JSON weiterverarbeitbar.

System Instruction Rolle, Format (JSON), Felder, Einschränkungen – einmal festlegen, gilt für alle Anfragen

JSON Schema Pflichtfelder, Typen und Struktur in AI Studio oder API hinterlegen

Temperatur 0.1 Strukturierte, konsistente Ausgaben – kein Interpretationsspielraum

Few-Shot Beispiele 2-3 Beispiele zeigen, wie gute Ausgaben aussehen sollen

User Prompt Template Wiederverwendbare Vorlage mit Platzhaltern für Produktname, Kategorie, Merkmale

Output verarbeiten JSON.parse() ohne Fallback – weil der Output garantiert valide ist

System Instruction:

Du bist ein E-Commerce-Texter. Deine Aufgabe ist es, präzise Produktbeschreibungen zu erstellen.

Antworte ausschließlich als JSON-Objekt mit diesen Feldern:
- name: Produktname (exakt wie angegeben)
- short_description: 1 Satz, max. 120 Zeichen, für die Produktliste
- long_description: 2-3 Sätze, für die Produktdetailseite
- bullet_points: Array mit 4-5 knappen Vorteilen (max. 60 Zeichen pro Punkt)
- seo_title: SEO-optimierter Seitentitel, max. 60 Zeichen

Kein Prosa-Text außerhalb des JSON. Keine Erklärungen. Kein Markdown.

User Prompt Template:

Erstelle eine Produktbeschreibung für:

Produktname: {{name}}
Kategorie: {{category}}
Hauptmerkmale: {{features}}
Zielgruppe: {{target_audience}}

Beispiel-Output:

{
  "name": "Monitorarm Dual-Flex",
  "short_description": "Höhenverstellbarer Dual-Monitorarm für Monitore bis 32 Zoll und 9 kg.",
  "long_description": "Der Dual-Flex ermöglicht die individuelle Positionierung zweier Monitore in Höhe, Neigung und Drehung. Gasdruckfeder sorgt für reibungslose Verstellung ohne Werkzeug. Kabelmanagement integriert, VESA 75x75 und 100x100 kompatibel.",
  "bullet_points": [
    "Trägt 2 Monitore bis je 9 kg",
    "360° Rotation, -90° bis +90° Neigung",
    "Integriertes Kabelmanagement",
    "VESA 75x75 und 100x100 kompatibel",
    "Montage am Tischrand, kein Bohren nötig"
  ],
  "seo_title": "Monitorarm Dual-Flex – Dual-Monitor-Halterung bis 32 Zoll"
}

Dieser Aufbau funktioniert einmal eingerichtet für beliebig viele Produkte. Der User Prompt ändert sich. Die Konfiguration bleibt identisch.

Iteration: Prompts verbessern, nicht neu schreiben

Gute Prompts entstehen selten beim ersten Versuch. Entscheidend ist, dass du sie iterativ verbesserst – nicht jedes Mal neu schreibst.

AI Studio ist dafür der richtige Ort: Prompt anlegen, Output prüfen, System Instruction anpassen, neu testen. Wenn du nach drei bis vier Iterationen ein stabiles Ergebnis hast, speicherst du die Konfiguration und wiederverwendest sie.

Was nicht funktioniert: Prompts im Chat zu entwickeln und sie dort zu lassen. Sie verschwinden mit dem Chat-Verlauf. Wer seinen besten Prompt je nach Workflow in AI Studio ablegt, baut sich über Zeit eine eigene Bibliothek wieder verwendbarer Templates.

Grenzen von Prompting

Prompting löst nicht jedes Problem. Bei komplexer Logik, mehreren Verarbeitungsschritten oder externen Datenquellen stößt auch der beste Prompt an seine Grenzen.

In diesen Fällen braucht es APIs, zusätzliche Verarbeitungsschritte oder eine Kombination aus beidem. Prompting ist die Grundlage – aber nicht die Gesamtlösung.

Checkliste: stabile Prompts

Bevor du einen Prompt produktiv einsetzt:

Klare System Instruction mit Rolle, Format und Einschränkungen
Festes Output-Format definiert (JSON, Markdown, Stichpunkte)
JSON Mode aktiviert (wenn Output weiterverarbeitet wird)
Temperatur auf 0.1–0.2 (bei strukturierten Aufgaben)
2–3 Few-Shot-Beispiele ergänzt
Einmal iteriert und Output geprüft

Einordnung

Der Unterschied liegt nicht im Modell – sondern in der Kontrolle über den Output.

Wer nur promptet, arbeitet schneller. Wer strukturiert promptet, baut Systeme. Prompting ist die Grundlage – aber der eigentliche Wert entsteht erst, wenn die Ergebnisse direkt weiterverarbeitet werden: in Skripte, Datenbanken, Automatisierungen.

Die nächste Ebene ist multimodal: Gemini 2.5 Pro kann nicht nur Text verarbeiten, sondern auch Bilder, PDFs und Video. Was das konkret für Workflows bedeutet, zeigt der nächste Artikel dieser Serie.