Bessere KI-Antworten: Auftrag, Quellen und Werkzeuge
Für eine brauchbare KI-Antwort braucht das Modell einen klaren Auftrag und die nötigen Informationen. Beschreibe das gewünschte Ergebnis, gib relevante Quellen mit und lege fest, wie du die Antwort prüfen kannst. Wenn das nicht reicht, helfen Suche oder Werkzeuge. Zusätzliche Technik lohnt sich dort, wo sie einen konkreten Fehler behebt.
3 Min. Lesezeit
9 Abschnitte
11 Quellen
Stand: 16. Juni 2026
Einen Auftrag schreiben, den man prüfen kann
Ein guter Prompt nennt Aufgabe, Zielgruppe, Material und gewünschtes Ergebnis. Zum Beispiel: „Fasse diesen Bericht für unser Vertriebsteam in drei Absätzen zusammen. Nenne die veränderten Lieferfristen mit Seitenangabe. Falls eine Frist fehlt, kennzeichne das.“ Das ist überprüfbarer als „Analysiere den Bericht ausführlich“.
Ein Beispiel hilft, wenn ein bestimmtes Format wichtig ist. Rollen wie „Du bist ein Experte“ ersetzen keine Daten. Auch die Formel „Denke Schritt für Schritt“ ist kein allgemeines Qualitätsrezept; bei Reasoning-Modellen ist sie häufig unnötig. Schlechte Antworten können ebenso am Modell oder an fehlenden Quellen liegen wie am Auftrag.
RAG: erst suchen, dann antworten
Retrieval-Augmented Generation (RAGRetrieval-Augmented Generation: dem Modell werden zur Anfrage passende Textstellen aus einer eigenen Wissensquelle beigelegt, damit es daraus antwortet statt nur aus dem Training. Reduziert Halluzinationen und hält Wissen aktuell.Mehr im Wissen →) ergänzt eine Anfrage um gefundene Quellen. Ein System sucht zum Beispiel die passende Stelle im Handbuch und gibt sie dem Modell mit. Das kann aktuelle oder interne Informationen erschließen, die im Training fehlen.
Die Antwort ist nur so gut wie die Suche und die Auswertung ihrer Treffer. Fehlt die richtige Passage, kann das Modell weiterhin raten. Lass deshalb Fundstelle und Dokumentversion mitliefern. Bei agentischer Suche kann das Modell Folgefragen stellen und weitere Quellen abrufen.
Ein typischer Fehler: Die Suche findet eine alte Lieferbedingung, obwohl eine neue Fassung vorliegt. Das Modell kann den alten Text korrekt zitieren und trotzdem falsch antworten. Deshalb gehören Gültigkeitsdatum und Version zur Auswahl der Quellen.
Ein Embedding bildet einen Text auf eine Liste von Zahlen ab. Das Suchsystem vergleicht diese Vektoren, um inhaltlich ähnliche Passagen zu finden. So kann eine Suche nach „Lieferverzögerung“ auch einen Abschnitt über verspätete Sendungen treffen.
Die Nähe hängt vom verwendeten Modell ab. Sie beweist weder Relevanz noch Wahrheit. Für Produktnummern oder Fehlercodes kann eine exakte Stichwortsuche besser passen als eine Suche nach Bedeutung.
Treffer verbessern: Stichwörter und Reranking
Hybrid Search kombiniert semantische Suche mit Stichwortsuche. Ein Reranker bewertet anschließend die gefundenen Kandidaten nochmals im Zusammenhang mit der Frage. Beide Schritte können helfen, passende Fundstellen weiter nach oben zu bringen.
Ob sich der Mehraufwand lohnt, prüfst du mit Fragen samt bekannten Zielpassagen. Miss zunächst, ob die richtige Stelle unter den Treffern ist. Ein Reranker kann keinen Beleg retten, der nie gefunden wurde, und er prüft nicht automatisch dessen Wahrheitsgehalt.
Context Engineering heißt, die Informationen für einen Modellaufruf zusammenzustellen: Auftrag, Quellen, bisherige Entscheidungen und Werkzeugergebnisse. Ein langer Verlauf enthält oft auch überholte Annahmen oder erledigte Nebenfragen.
Halte den aktuellen Auftrag sichtbar und entferne widersprüchliche Altstände. Für ein Handbuch mit vielen Kapiteln kann eine gezielte Auswahl nützlicher sein als der gesamte Text. Welche Menge und Anordnung funktionieren, solltest du mit dem konkreten Modell testen.
Beim Function-Calling liefert das Modell einen strukturierten Werkzeugaufruf. Die Anwendung prüft und führt ihn aus und gibt das Ergebnis zurück. So kann etwa eine Rechenfunktion Beträge addieren oder eine Datenbank den aktuellen Lagerbestand liefern.
Das Werkzeug ist nur für seinen definierten Zweck verlässlich. Die Anwendung muss Argumente, Zugriffsrechte und Fehler behandeln. Ein Modell kann auch die falsche Abfrage formulieren oder ein richtiges Ergebnis falsch deuten.
Wann ein Agent sinnvoll wird
Ein Agent entscheidet während der Bearbeitung, welche Schritte als Nächstes nötig sind. Bei einer Recherche kann er weitere Quellen suchen; bei einer Codeänderung nach einem fehlgeschlagenen Test nachbessern.
Für einen festen Ablauf genügt häufig ein Workflow mit vorgegebenen Schritten. Ein Agent lohnt sich, wenn der Weg von Zwischenergebnissen abhängt. Gib ihm dafür ein erkennbares Abschlusskriterium und Grenzen für Zeit, Kosten und Befugnisse.
Das Model Context Protocol (MCP (Model Context Protocol)Offener Standard, über den ein Modell einheitlich externe Werkzeuge und Datenquellen anbindet. Macht Tool-Anbindungen austauschbar statt anbieterspezifisch.Mehr im Wissen →) beschreibt eine gemeinsame Schnittstelle für KI-Anwendungen, Werkzeuge und Datenquellen. Ein MCP-Client kann die vom Server bereitgestellten Funktionen nutzen, ohne für jede Kombination eine eigene Integration zu benötigen.
Der Standard ersetzt keine Rechteprüfung. Welche Werkzeuge verfügbar sind und welche Aktionen erlaubt werden, entscheiden Client, Server und ihre Konfiguration. Auch ein standardisiert angebundenes Werkzeug kann fehlerhafte oder schädliche Inhalte liefern.
Fine-tuning passt Modellgewichte anhand zusätzlicher Beispiele an. Es kann helfen, ein wiederkehrendes Format oder ein bestimmtes Verhalten zu lernen. Dafür braucht es geeignete Trainingsbeispiele und getrennte Prüffälle.
Wenn sich nur der Wissensbestand ändert, ist das Bereitstellen aktueller Dokumente häufig leichter zu pflegen. Verbessere zuerst Auftrag und Quellenzugriff. Nachtraining wird interessant, wenn ein klar benanntes Verhalten trotz dieser Schritte unzuverlässig bleibt.
MerksatzWähle die Ergänzung passend zum Fehler: bessere Quellen bei Wissenslücken, bessere Beispiele bei Formatproblemen.
