Einführung
Es gibt einen erheblichen Unterschied zwischen dem Chatten mit einer KI und der Aufforderung an eine KI, Ihre Geschäftslogik auszuführen. Wenn Sie ChatGPT oder Claude im Browser nutzen, ist eine leicht vage Antwort in Ordnung – Sie können einfach eine Rückfrage stellen. In einem automatisierten Workflow jedoch bringen vage Antworten alles zum Scheitern.
Wenn Ihr KI-Node statt nur "{JSON}" die Antwort „Hier sind die Daten: {JSON}“ zurückgibt, schlägt Ihr nachgelagerter Code fehl. Wenn er eine Rechnungsnummer halluziniert, wird Ihre Buchhaltungsdatenbank beschädigt. Deshalb ist Prompt Engineering für Automatisierung eine eigene Disziplin und unterscheidet sich vom üblichen Prompting für Konversationen.
In diesem Leitfaden gehen wir über grundlegende „Chat“-Anweisungen hinaus. Sie erfahren, wie Sie Latenodes KI-Nodes als funktionale Logikbausteine behandeln, strikte JSON-Schemas durchsetzen, Kontextfenster verwalten und für spezifische Aufgaben das passende Modell auswählen – ohne Dutzende API-Schlüssel verwalten zu müssen.
Warum sich Prompt Engineering für Automatisierung unterscheidet
Der zentrale Unterschied liegt in den Anforderungen an die Ausgabe: probabilistisch vs. deterministisch.
Chat-Oberflächen basieren auf probabilistischer Generierung – sie sind darauf ausgelegt, kreativ und dialogorientiert zu sein. Automatisierung erfordert deterministische Ergebnisse. Sie benötigen jedes Mal exakt dasselbe Ausgabeformat, unabhängig davon, wie unterschiedlich die Eingaben sind. In Latenode sind KI-Nodes nicht nur Textgeneratoren, sondern fungieren als Router, Extraktoren und Formatierer.
Eine der größten Hürden für Einsteiger ist das „Leere-Seite“-Syndrom: Sie starren auf ein leeres Prompt-Feld und tippen „Bitte analysiere das.“ Um erfolgreich Ihren ersten KI-Agenten zu erstellen, müssen Sie Ihre Denkweise von „mit einem Bot sprechen“ zu „mit natürlicher Sprache programmieren“ ändern.
Der Aufbau eines Workflow-tauglichen Prompts
Ein Prompt für eine automatisierte Pipeline funktioniert eher wie Code als wie ein Gespräch. Basierend auf unseren internen Daten folgen wirksame Anweisungen einer Struktur aus sechs Bausteinen, die die Fehlerquote deutlich reduziert:
- Rolle: Definieren Sie die Rolle, z. B. „Sie sind Senior Data Analyst“. Das grenzt den Suchraum des Modells ein.
- Umgebung: Beschreiben Sie den Kontext, z. B. „Sie verarbeiten über eine API eingehende rohe Support-Tickets“.
- Ziel: Seien Sie konkret, z. B. „Kategorisieren Sie die Absicht und extrahieren Sie die ID des Nutzers“.
- Leitplanken: Formulieren Sie explizite Verbote, z. B. „Führen Sie keinen Dialog. Lassen Sie keine Nullwerte zu“.
- Ton: Auch bei Datenaufgaben ist der Ton wichtig, z. B. „Objektiv, präzise, sachlich“.
- Format: Die technische Anforderung, z. B. „Geben Sie ausschließlich gültiges JSON zurück“.
Eine ausführliche Erklärung zur Strukturierung dieser Komponenten finden Sie in unserem Leitfaden zum Schreiben effektiver Anweisungen.
Platzierung von Kontext und Token-Management
Bei der Automatisierung kostet jedes Token Geld und Verarbeitungszeit. Ein häufiger Fehler besteht darin, einen gesamten E-Mail-Verlauf in den Prompt einzufügen, obwohl Sie nur die letzte Antwort benötigen. Das bläht das Kontextfenster auf und verwirrt das Modell.
Best Practice: Verwenden Sie eindeutige Trennzeichen, um Anweisungen von dynamischen Daten zu separieren. Ordnen Sie Ihre Datenvariablen in Latenode explizit zu:
System-Prompt:
Sie sind ein Extraktions-Agent. Extrahieren Sie Datum und Uhrzeit aus dem folgenden Text.DATEN BEGINNEN
{{Email_Body_Text}}
DATEN ENDE
Ordnen Sie außerdem nur die notwendigen Felder zu. Wenn Sie einen JSON-Webhook verarbeiten, ordnen Sie nicht das gesamte Objekt zu, wenn Sie nur message_content benötigen. Das gehört zu intelligenteren, skalierbaren Datenspeicherstrategien, die Ihre Workflows schlank halten.
Ausgabe für Prozesskontinuität strukturieren
Der „fatale Fehler“ der KI-Automatisierung tritt meist bei der Übergabe auf. Die KI erzeugt Text, und der nächste Node – in der Regel eine JavaScript-Funktion oder ein Datenbank-Insert – erwartet ein strukturiertes Objekt. Fügt die KI Gesprächsfloskeln hinzu, bricht der Prozess ab.
JSON-Schemas in Prompts durchsetzen
Damit Ihr KI-Node die Sprache Ihres Workflows spricht, müssen Sie ein JSON-Schema durchsetzen. Die effektivste Methode ist „One-Shot Prompting“: Sie geben direkt im Prompt ein konkretes Beispiel für die gewünschte Ausgabe vor.
Beginnen Sie damit, die Struktur explizit zu definieren:
Geben Sie ein JSON-Objekt mit genau diesem Schema zurück:
{
"sentiment": "string (positiv/neutral/negativ)",
"urgency": "integer (1-5)",
"summary": "string (maximal 20 Wörter)"
}
Mit strukturierten Prompt-Vorlagen minimieren Sie das Risiko, dass das Modell vom erforderlichen Format abweicht.
Umgang mit „gesprächigen“ Modellen
Modelle wie GPT-4o sind darauf trainiert, hilfreiche Assistenten zu sein. Sie sagen gerne: „Hier ist das von Ihnen angeforderte JSON“, oder verpacken den Code in Markdown-Backticks ( ... ). Beide Verhaltensweisen führen im nächsten Node zu einem JSON-Parse-Fehler.
Die Lösung: Fügen Sie Ihrem System-Prompt eine negative Einschränkung hinzu:
„Fügen Sie keinen Gesprächstext ein. Verwenden Sie keine Markdown-Codeblöcke. Ihre Antwort muss mit '{' beginnen und mit '}' enden.“
In Latenode können Sie bei kompatiblen OpenAI-Modellen außerdem den Schalter „JSON Mode“ auswählen, der die Ausgabe auf API-Ebene zu gültigem JSON zwingt.
Ihren ersten KI-Agenten erstellen
Das richtige Modell für die Aufgabe auswählen
Einer der besonderen Vorteile von Latenode ist der einheitliche Zugriff auf Modelle. Anders als bei anderen Plattformen, bei denen Sie separate Abonnements und API-Schlüssel für OpenAI, Anthropic und Google verwalten müssen, bietet Latenode Zugriff auf mehr als 400 Modelle in einem einzigen Tarif. So können Sie das Modell anhand der konkreten Prompt-Anforderungen auswählen.
Berücksichtigen Sie bei der Konfiguration des Latenode AI Agent Node den Kompromiss zwischen Intelligenz, Geschwindigkeit und Befolgung von Anweisungen.
Modelle mit hoher Intelligenz vs. hoher Geschwindigkeit
Nicht jeder Node benötigt GPT-4. Eine Überdimensionierung von Modellen ist eine häufige Ressourcenverschwendung.
| Aufgabentyp | Empfohlenes Modell | Warum? |
|---|---|---|
| Komplexes Schlussfolgern (Routing, Sentiment, Strategie) | Claude 3.5 Sonnet / GPT-4o | Besonders gut beim Befolgen komplexer Anweisungen und beim Erfassen von Nuancen. Hervorragend für JSON-Formatierung. |
| Einfache Extraktion (Zusammenfassen, Formatieren) | GPT-4o-mini / Haiku | Schnell, kostengünstig und leistungsfähig genug für Einzelaufgaben. |
| Kreatives Schreiben (E-Mail-Entwürfe, Inhalte) | Claude 3.5 Sonnet | Erzeugt menschlicher wirkende und weniger robotische Texte. |
Bei Aufgaben, die eine Verarbeitung umfangreichen Kontexts oder kreative Nuancen erfordern, liefert Prompt Engineering mit Claude von Anthropic häufig bessere Ergebnisse als GPT-Modelle – insbesondere beim Vermeiden von Klischees, die nach KI klingen.
Latenodes Modellflexibilität nutzen
Das Schöne an Latenodes Infrastruktur ist, dass Sie Ihre Prompts sofort per A/B-Test prüfen können. Sie können einen Prompt erstellen, ihn mit GPT-4o testen und, falls das Ausgabeformat noch nicht ganz passt, im Dropdown zu Gemini oder Claude wechseln – ohne auch nur eine Codezeile zu ändern oder eine neue Kreditkarte hinzuzufügen.
Das fördert Experimente. Wir sehen, dass Nutzer automatische Prompt-Verfeinerung einsetzen und denselben Prompt mit drei Modellen testen, um vor dem Produktiveinsatz festzustellen, welches die strukturellen Einschränkungen am besten einhält.
Halluzinationen in automatisierten Prozessen eliminieren
In einem Chat ist eine Halluzination lästig. In einer Automatisierung ist sie ein Risiko. Wenn Ihr KI-Agent eine nicht existierende URL erfindet, könnten Sie einem Kunden einen defekten Link senden.
Die Einschränkung „nur Quelle“
Um Erfindungen zu verhindern, müssen Sie die Wissensbasis der KI explizit auf den bereitgestellten Kontext beschränken. Verwenden Sie in Ihrem System-Prompt eine Einschränkung „nur Quelle“:
„Antworten Sie AUSSCHLIESSLICH anhand des unten bereitgestellten Textes. Wenn die Antwort nicht im Text enthalten ist, geben Sie 'null' zurück. Raten Sie nicht.“
Das ist entscheidend bei der Extraktion von Daten wie Bestellnummern oder Datumsangaben. Es ist besser, wenn der Workflow null zurückgibt – was Sie mit einem Logikfilter behandeln können –, als eine erfundene Nummer zurückzugeben, die Ihre Datenbank beschädigt.
Prompts zur Selbstkorrektur
Implementieren Sie für geschäftskritische Workflows eine „Verifier“-Schleife. Dabei werden zwei KI-Nodes hintereinander geschaltet:
- Generator-Node: Erstellt die Inhalte oder extrahiert die Daten.
- Kritiker-Node: Prüft die Ausgabe des Generator-Nodes anhand der ursprünglichen Vorgaben.
Dies ist ein grundlegendes Konzept der Retrieval-Augmented Generation (RAG) und einer zuverlässigen Agentenarchitektur. Findet der Kritiker einen Fehler, kann er eine erneute Generierung auslösen oder das Element zur manuellen Prüfung markieren.
Tutorial: Einen Klassifizierer für Kundenanliegen erstellen
Setzen wir das nun in die Praxis um. Wir erstellen ein einfaches Element eines Customer-Support-Workflows: die Klassifizierung eines eingehenden Tickets, um es an die richtige Abteilung weiterzuleiten – Vertrieb, Support oder Abrechnung.
Den System-Prompt erstellen
Stellen Sie in Ihrem Latenode-KI-Node das Modell auf GPT-4o-mini ein, das für Klassifizierung effizient ist. Ihr System-Prompt sollte die Kategorien eindeutig definieren. Gutes Prompt Engineering basiert hier auf Few-Shot-Beispielen.
ROLLE: Sie sind ein Router für Support-Tickets.
KATEGORIEN:
Abrechnung: Probleme mit Rechnungen, Rückerstattungen oder Kreditkarten.
Technisch: Probleme mit der Anmeldung, Bugs oder Fehlern.
Vertrieb: Fragen zu Preisen, neuen Funktionen oder Demos.
BEISPIELE:
Eingabe: „Meine Kreditkarte ist abgelaufen. Wie kann ich sie aktualisieren?“
Ausgabe: {"category": "Abrechnung", "confidence": 0.9}
Eingabe: „Ich habe einen Bug im Dashboard gefunden.“
Ausgabe: {"category": "Technisch", "confidence": 0.95}
ANWEISUNGEN:
Analysieren Sie die Nutzereingabe und geben Sie ausschließlich JSON zurück.
Die Antwort parsen
Sobald der KI-Node ausgeführt wird, gibt er ein JSON-Objekt aus. In Latenode benötigen Sie keinen komplexen Code, um dieses zu lesen. Fügen Sie einfach einen Switch- oder Filter-Node hinzu, der mit dem KI-Node verbunden ist.
Sie können die Logik des Switch-Nodes wie folgt festlegen: „Wenn category gleich Billing ist, verwende Pfad A.“ Da wir das JSON-Schema im Prompt erzwungen haben, funktioniert diese Logik in 99,9 % der Fälle zuverlässig.
Erweiterte Optimierungstipps
Sobald Ihr Workflow funktioniert, ist es Zeit, Stabilität und Kosten zu optimieren.
Temperatureinstellungen für Automatisierung
Jedes KI-Modell verfügt über eine Einstellung für „Temperature“, üblicherweise von 0,0 bis 1,0.
- Hohe Temperature (0,7–1,0): Erhöht Zufälligkeit und Kreativität. Gut für das Schreiben von E-Mails.
- Niedrige Temperature (0,0–0,2): Erhöht die Deterministik. Unverzichtbar für Extraktion, Klassifizierung und Programmierung.
Wenn Sie die Temperature nahe null halten, sinkt die Wahrscheinlichkeit, dass das Modell plötzlich beschließt, das Ausgabeformat zu ändern.
Fehlerzustände behandeln
Selbst bei perfektem Prompt Engineering für Automatisierung berücksichtigen robuste Systeme mögliche Fehler. Was passiert, wenn die API ein Timeout hat? Was, wenn die Nutzereingabe unverständlich ist?
Latenode-Nodes enthalten Pfade für „Error Handler“. Sie sollten diese so konfigurieren, dass bei einem Fehler beim JSON-Parsing eine Warnung gesendet wird, beispielsweise über Slack. Das ist entscheidend, um die Leistung Ihrer Automatisierung zu bewerten und Probleme zu erkennen, bevor Ihre Kunden es tun.
Vollständigen Leitfaden für effektive Anweisungen erhalten
Fazit
Prompt Engineering für Automatisierung bedeutet weniger, einer KI etwas „zuzuflüstern“, sondern vielmehr Zuverlässigkeit zu entwickeln. Indem Sie Ihre Prompts wie Code behandeln – strikte Schemas durchsetzen, die Temperature verwalten und Einschränkungen nach dem Prinzip „nur Quelle“ einsetzen –, verwandeln Sie unvorhersehbare LLMs in stabile Logik-Engines.
Latenodes einheitliche Plattform vereinfacht dies zusätzlich, indem sie Ihnen ermöglicht, Modelle flexibel zu wechseln und Ausgaben ohne Reibungsverluste zu testen. Als nächsten Schritt können Sie unsere Prompt-Engineering-Sammlung mit konkreten Vorlagen erkunden, die Sie direkt kopieren und in Ihre Workflows einfügen können, um noch heute mit der Automatisierung zu beginnen.
