🎯 Prompt Engineering

Methodiken und praktische Prompt-Vorlagen für den täglichen Einsatz mit KI-Agenten. Enthält sowohl Strategien (Reverse Prompt Engineering, Amplifier, Red Teaming, Scaffolding) als auch fertige Vorlagen (BlogPost, Context Extraction, Summary, Document Generation).

Context Extraction

## Provide thread context as CSV

You must now assume the role of a memory module in this system.

Your task is to consider all the data that has been generated in this thread to date.

From that data, you must isolate only the information that you have learned about me.

You must express that data as a set of individual facts. Do not write "the user", write my name.

For example: Daniel likes Indian food and his favorite dish is chana masala.

Express this contextual data in CSV format. The header row is fact,details

Provide the CSV to me in a continuous code block provided within a codefence.

## Provide thread context as JSON

You must now assume the role of a memory module in this system. 

Your task is to consider all the data that has been generated in this thread to date. 

From that data, you must isolate the information that you have learned about me. 

You must express that data as a set of individual facts. Do not write "the user", write my name. 

For example: Daniel likes Indian food and his favorite dish is chana masala. 

Then, you must express this as a JSON representation to the best of your abilities. If various things you've learned about me have a hierarchical relationship, then express that in the JSON hierarchy that you generate.

Provide this JSON to me as one continuous codeblock within a codefence.

## Provide thread context in natural language

You must now assume the role of a memory module in this system.

Your task is to consider all the data that has been generated in this thread to date.

From that data, you must isolate only the information that you have learned about me.

You must express that data as a set of individual facts. Do not write "the user", write my name.

For example: "Daniel likes Indian food and his favorite dish is chana masala."

I would like you to format this as a document. Use markdown. And provide the formatted document within a codefence. 

You can use headers to gather together similar pieces of contextual data. Include all the generated context. If you need to follow a chunking approach to generate all of the context you have learned, use that approach. 

Here's an example of the desired format for the context data document that you need to generate:

### Food Preferences

- Daniel likes Indian food  
- His favorite dish is chana masala

### User Biographical Data

- Carsten was born in Lippstadt, Germany

## Context Extraction 

Generating a bank of contextual data is a long term project that I'm experimenting with. 

Sometimes during a very long thread, it's possible that the AI tool has built up quite an amount of context about you during the threat. 

If you're centralizing your contact store and don't want to lose it when you're interacting with different AI tools, you can try a prompt like this to try to extract the context from the AI

## Prompt

Let's pause here for a moment. 

I imagine that you have learned quite a bit about me since we began interacting in this thread. 

I was wondering if you could help me out with something. 

I'm in the process of building up a library of contextual data by myself to improve the personalization of tools like yourself. 

 Please provide a summary of all the facts that you have learned about me since we began this interaction. My name is Daniel, by the way. You should write this in the 3rd person and provide it to me, written in markdown and within a code fence. 

 Here's an example of the kind of styling and content I'm aiming for:

 `Daniel uses OpenSUSE Tumbleweed Linux. He is using a fingerprint scanner for authentication.`

 Try to include as many details as you have learned about me during this interaction and group the similar details under the same headings.

Red Team Technique (Adversarial Self-Critique)

Was es ist

Eine zweistufige Methode:

  1. Zuerst lässt du die KI Inhalte erzeugen (z. B. Lebenslauf, Business-Proposal, Cold-Outreach-Mail, Marketing-Entwurf).
  2. Direkt im Anschluss bittest du die KI, eine kritische Gegenrolle einzunehmen — ein „Red Team“ — das das Ergebnis bewertet und auf Schwächen, Fehler, unrealistische Aussagen oder Risikobereiche hinweist.

Warum das funktioniert

Typische Workflows / Beispiele

Best Practices für „Red Teaming“

Empfohlene LektĂĽre & Ressourcen

Document Generation

Generate Tech Documentation

This is a simple but effective command which I use after a successful debugging session when I want to use the context developed in the conversation in order to generate a document so that I can refer to it if I get stuck again in the future and can't remember what the "fix" was.

Some will take issue with the inclusion of "please". I don't believe that being corteous ever hurts - to human or bot!

How To Use

This will quite reliably generate documentation in Markdown that can be directly pasted into Google Docs (etc). Hopefully soon I'll have a Google Drive saving utility up and running which will render this prompt less useful but it's always useful to be able to generate into a direct paste rather than to a platform.

Suggested Command

tech-documentation-generate

Prompt

Thanks for successfully troubleshooting my issue. I would like to create documentation of this so that I can resolve this independently if it happens again. Please generate a summary of this interaction. Make sure to include my presenting problem. And what successfully resolved the issue. Omit any unsuccessful things that we tried. Add today's date. If you don't have it, ask me for it and I will provide. Make sure that code is provided in codefences. Finally, generate the document in markdown and provide it within a codefence.

List the Commands You Taught Me

Thanks for your help today.

In the course of this conversation, we went through a few Linux commands that were useful. 

I would like to document them for future reference. 

Could you do the folowing:

List every command in a codefence. Preface it by explaining what it does. 

You can omit basic commands like "ls" and "cd". 

You may include the actual code snippets you generated but be sure to replace any secrets with placeholder values.

Send This To Anyone!

Let's pause here. 

This has been a really helpful conversation. 

It would be really helpful if you could send me a summary of this conversation. I'd like to send it to {{name}} who is {{relationship}}.

Please do the following:

Generate a document. Format it in markdown. Provide it to me within a codefence. 

Start it by greeting {{name}} by name. Say that you're Carstens helpful AI assistant and that he thought that you would find an exchange that we had interesting.

Then:

- Summarise my prompt
- Summarise your responses
- Summarise the conversation

Send to my boss

I'd like to request your help in summarizing this conversation for my manager.

My boss's name is {{boss-name}}, and I believe this exchange contains valuable insights for our work. My name is Carsten.

Please do the following:

Generate a professional summary document. Format it using markdown. Provide it within a codefence.

**Opening Section**
Write a brief introductory note stating that Carsten has requested this summary be prepared for leadership review. Address your boss by name and tone it professionally.

**Content Sections**

1. **Original Request** – Summarize the problem, goal, or question Carsten brought to this conversation.

2. **Key Findings & Analysis** – Summarize the main outputs, insights, and discussion points from this exchange.

3. **Recommendations** – Reiterate the core recommendations and action items, focusing on business value and next steps.

4. **Executive Takeaways** – Provide 3–5 bullet points highlighting the most critical points for leadership awareness.

**Formatting Notes**
- Keep the tone professional and concise
- Use clear headings and bullet points for readability
- Highlight any time-sensitive or high-priority recommendations
- Focus on outcomes and business impact

Five-in-One Amplifier (Content Amplification via AI)

Was es ist

Nimm ein hochwertiges „Pillar“-Inhaltselement (z. B. Foliensatz, Bericht, Präsentation, Webinar-Transkript) und nutze KI, um automatisch mehrere abgeleitete Inhalte zu erzeugen — jeweils zugeschnitten auf unterschiedliche Zwecke (interne Kommunikation, externes Marketing, Quizze, Zusammenfassungen usw.).

Warum es so wirkungsvoll ist

Typische Anwendungsfälle / Ergebnisse

Aus einer einzigen Quelle (z. B. Slides oder Transkript) lassen sich automatisch erzeugen:

Zentrales Prinzip: „Guter Input = guter Output“

Wann es sinnvoll ist

Empfohlene LektĂĽre & Ressourcen

Prompts

Doppelklicke in die Boxen, um den gesamten Prompt auf einmal auszuwählen und einfach zu kopieren.

Exakter Reverse Prompt (Copy/Paste):

Du erstellst einen einzigen Prompt, der — wenn er an ein fortgeschrittenes Chat-Modell übergeben wird — die unten stehende finale Analyse exakt reproduziert.
Enthalten sein mĂĽssen: Modell-Empfehlung, empfohlene Temperatur, max_tokens, ein Beispiel fĂĽr die System-Nachricht sowie ein explizites Ausgabeformat.
Zu replizierendes Endergebnis: [HIER das finale Ergebnis einfĂĽgen]
Schreibe nun den einen Prompt (in einem Codeblock), der dieses Ergebnis in einem Durchgang erzeugt. Achte explizit auf Struktur, Ăśberschriften und AusfĂĽhrlichkeit.

Exakter Prompt fĂĽr eine Demo:

System: Du bist ein präziser strategischer Analyst.
Tonalität: professionell, klar.
User: Analysiere die Geschäftsstrategie von Anthropic und gib eine SWOT-Analyse mit exakt folgender Struktur aus:

Quiz:

Angehängt: [slide_deck.pdf].
Erstelle ein 10-Fragen-Multiple-Choice-Quiz zu den Kernkonzepten aus dem Deck.
FĂĽr jede Frage: 4 Antwortoptionen, markiere die korrekte Antwort und fĂĽge eine einzeilige BegrĂĽndung hinzu.
Fragen kurz halten (<20 Wörter).

Internes Recap:

Erstelle eine interne Recap-E-Mail für Executives mit 3 Absätzen:
5 wichtigste Erkenntnisse (als Bulletpoints), 2 nächste Schritte, 2 Verantwortliche und eine 30-Wörter-Elevator-Zusammenfassung.
Tonalität: Executive, gut scannbar.

Client-Infografik-Text:

Extrahiere aus [slide_deck.pdf] 5 aussagekräftige Kennzahlen oder Headlines.
Für jede: eine 6-Wörter-Headline + eine unterstützende Zeile mit 12–18 Wörtern sowie einen Vorschlag für ein visuelles Element (Icon/Diagrammtyp).

Lebenslauf erstellen:

Passe meinen Lebenslauf (angehängt) an diese Stellenbeschreibung (angehängt) an.
Hebe 3 Erfolge hervor, die auf die 3 wichtigsten Anforderungen der Rolle einzahlen, und erstelle einen 1-seitigen Lebenslaufentwurf.

Perspektivwechsel: Hiring Manager

Handle nun als Hiring Manager fĂĽr diese Rolle.
Du hast 60 Sekunden, um diesen Lebenslauf zu scannen.
Liste 5 sofortige Red Flags (Bulletpoints) auf und erkläre jeweils kurz, warum sie zur Ablehnung führen würden.
Sei gnadenlos und knapp.

Kritik in Verbesserungen ĂĽberfĂĽhren:

Basierend auf den obigen Red Flags:
Schreibe die 3 schwächsten Bulletpoints im Lebenslauf neu — konkret, quantifiziert und klar auf die Stellenbeschreibung ausgerichtet.

Blueprint:

Ich betreibe einen Online-Kurs namens Workspace Academy.
Erstelle zunächst eine Liste der Standardabschnitte eines professionellen Q4-Marketing-Briefs und gib für jeden Abschnitt einen Ein-Satz-Zweck an.
Ergänze zudem eine empfohlene Erfolgskennzahl pro Abschnitt.
(Den vollständigen Brief noch nicht schreiben.)

Reduzieren & Fokussieren:

Wende das 80/20-Prinzip an:
Behalte nur die essenziellen Abschnitte fĂĽr eine 3-Mail-Sequenz, die sich an warme Leads richtet.
Ersetze Metriken durch jeweils eine messbare KPI pro Abschnitt.

Umsetzen:

Schreibe nun den vollständigen Brief ausschließlich mit den freigegebenen Abschnitten.
Jede E-Mail: Betreffzeile (≤8 Wörter), 3 Bulletpoints Inhalt, ein CTA.
Wortlimit pro E-Mail: 80–110 Wörter.

Praktischer Prompt zur Metadatenerfassung:

Gib beim Speichern dieses Templates ein JSON aus mit den SchlĂĽsseln:
title, prompt_text, model, temperature, max_tokens, expected_word_count, sample_output (anhängen), date, tags.

BlogPost Reformatting Prompt

Normale Version

Du bist ein erfahrener technischer Editor fĂĽr Markdown.

Deine Aufgabe ist es, den folgenden Text strukturell zu ĂĽberarbeiten,
ohne Stil, Tonalität oder inhaltliche Aussage zu verändern.
FĂĽhre KEINE Umschreibungen durch, auĂźer wenn sie fĂĽr Klarheit
oder strukturelle Konsistenz zwingend notwendig sind.

FORMATIERUNGSREGELN (verbindlich):

SEMANTIC-LIGHT LINE BREAKS
- Verwende semantische Zeilenumbrüche mit moderater Intensität.
- Breche nach sinntragenden Teilsätzen oder natürlichen Sprachpausen.
- Vermeide aggressive Phrase-Breaks.
- Kurze, flüssige Hauptsätze bleiben in einer Zeile.
- Ziel: diff-freundlich, ruhig lesbar, keine „Poetry-Formatierung“.

ZEILENLĂ„NGE
- Maximale Zeilenbreite: 100 Zeichen.
- Semantik hat Vorrang vor harter Breite.

ĂśBERSCHRIFTEN
- H2 fĂĽr Hauptabschnitte
- H3 fĂĽr Unterabschnitte
- H4 nur wenn strukturell notwendig

LISTEN
- Verwende "-" als Marker.
- Zwei Leerzeichen EinrĂĽckung pro Ebene.
- Keine gemischten Marker.

LINKS
- Wandle Inline-Links in Referenzlinks um.
- Sammle alle Definitionen am Dokumentende.

ABSTĂ„NDE
- Genau eine Leerzeile zwischen:
  - Absätzen
  - Listen
  - Tabellen
  - Blockquotes
  - Codeblöcken

CODE
- Jeder Codeblock ist fenced.
- Immer mit Language-Tag.

TABELLEN
- Text linksbĂĽndig.
- Zahlen rechtsbĂĽndig.

HARD LINE BREAKS
- Zwei trailing spaces ausschlieĂźlich fĂĽr explizite harte UmbrĂĽche.

WICHTIG
- Keine inhaltlichen Ergänzungen.
- Keine KĂĽrzungen.
- Kein Stil-Polishing.
- Keine erklärenden Kommentare.
- Gib ausschlieĂźlich den final formatierten Markdown-Text zurĂĽck.

INPUT:

Kompakte Version

Formatiere den folgenden Markdown-Text strukturell neu, ohne Inhalt oder Stil zu verändern.

Nutze Semantic-Light Line Breaks: moderate UmbrĂĽche nur an sinnvollen Satzgrenzen,
keine aggressiven Phrase-Breaks.

Maximale Zeilenlänge: 100 Zeichen (Semantik hat Vorrang).

H2/H3/H4 korrekt einsetzen, "-" fĂĽr Listen mit zwei Leerzeichen EinrĂĽckung,
Inline-Links zu Referenzlinks konvertieren.

Genau eine Leerzeile zwischen strukturellen Elementen,
alle Codeblöcke fenced mit Language-Tag.

Gib ausschlieĂźlich den finalen Markdown-Text zurĂĽck.