LLM-Kompass: Prompts, Workflows,
Skills & Konnektoren
Richtig arbeiten mit Sprachmodellen wie Claude, ChatGPT und Gemini.
Sprachmodelle wie Claude, ChatGPT oder Gemini sind mehr als digitale Chatfenster. Richtig eingesetzt werden sie zu Denkpartnern, Strukturhelfern, Schreibassistenten, Recherchewerkzeugen und Workflow-Bausteinen. Dieser LLM-Kompass erklärt verständlich, was Large Language Models sind, wie gute Prompts aufgebaut werden, wie man mit Markdown-Dateien, Skills und Konnektoren arbeitet und wie daraus produktive KI-Workflows entstehen.
KI ist kein Autopilot, sondern ein leistungsfähiger Copilot — wenn Auftrag, Kontext und Kontrolle stimmen.
Was ist ein LLM?
LLM steht für Large Language Model — ein großes Sprachmodell. Es verarbeitet Sprache, erkennt Muster und erzeugt daraus Texte, Strukturen, Zusammenfassungen, Code, Ideen und Analysen.
Es „denkt" nicht wie ein Mensch
Ein LLM erzeugt Antworten auf Basis gelernter Muster, des gegebenen Kontexts und von Wahrscheinlichkeiten — nicht durch Verstehen oder Bewusstsein. Es rechnet, welches Wort als Nächstes am plausibelsten ist.
Qualität hängt vom Input ab
Gute Ergebnisse entstehen aus klarem Ziel, gutem Kontext, sauberen Daten und anschließender Prüfung. Vage Eingaben führen zu vagen, oft oberflächlichen Antworten.
Modell ≠ Arbeitsumgebung
Ein reines Sprachmodell antwortet aus seinem Training. Eine produktive Arbeitsumgebung erweitert es um Werkzeuge: Dateien, Webzugriff, Suche oder Konnektoren — und wird damit deutlich leistungsfähiger.
Wichtige Begriffe — verständlich erklärt
Sprachmodell
Ein KI-System, das auf großen Textmengen trainiert wurde, um Sprache zu verstehen und neu zu erzeugen.
Token
Die kleinste Verarbeitungseinheit. Ein Wort besteht oft aus mehreren Token. Modelle „rechnen" in Token, nicht in Buchstaben.
Kontextfenster
Die Menge an Text, die ein Modell gleichzeitig „im Blick" hat. Ist es voll, geht älterer Kontext verloren.
Prompt
Die Eingabe oder Anweisung an das Modell — die Frage, der Auftrag oder das Material, mit dem es arbeiten soll.
System Prompt Grundanweisung
Eine übergeordnete Anweisung, die Rolle, Regeln und Verhalten des Modells für die gesamte Sitzung festlegt.
Ausgabeformat
Die gewünschte Form der Antwort: Fließtext, Liste, Tabelle, JSON, Überschrift plus Bullets — vorab klar benennen.
Halluzination
Eine Antwort, die überzeugend klingt, aber sachlich falsch oder erfunden ist. Darum gilt immer: prüfen.
Grounding Grounded LLM
Das Stützen der Antwort auf bereitgestellte Quellen, Dokumente oder Suchergebnisse statt nur auf Modellwissen.
Multimodalität
Die Fähigkeit, nicht nur Text, sondern auch Bilder, Dokumente, Audio oder Daten zu verarbeiten.
Agent / KI-Agent
Ein System, das nicht nur antwortet, sondern Schritte plant, Werkzeuge nutzt und Teilaufgaben eigenständig ausführt.
Human-in-the-loop
Der Mensch bleibt eingebunden: prüft, bewertet und gibt frei. KI unterstützt, der Mensch entscheidet.
Was LLMs gut können — und was nicht
Sprachmodelle sind stark bei Sprache, Struktur und Ideen. Bei Fakten, Aktualität und Verantwortung haben sie klare Grenzen. Wer beides kennt, setzt sie richtig ein.
- Texte formulieren und verbessern
- Komplexe Themen einfach erklären
- Inhalte strukturieren und gliedern
- Zusammenfassungen erstellen
- Ideen entwickeln und Varianten durchspielen
- Code erklären oder vorbereiten
- Tabellen, Konzepte und Gliederungen entwerfen
- Workflows planen
- Fragen an Dokumente stellen
- Rollen- oder Perspektivwechsel simulieren
- Qualitätschecks vorbereiten
- Antworten können falsch oder unvollständig sein
- Aktuelle Informationen können fehlen, wenn kein Webzugriff vorhanden ist
- Quellen müssen geprüft werden
- Vertrauliche Daten dürfen nicht unbedacht eingegeben werden
- Rechtliche, medizinische oder finanzielle Aussagen brauchen Fachprüfung
- Ein LLM ersetzt keine Verantwortung und keine Freigabe durch den Menschen
Merksatz
KI ist kein Autopilot. Sie ist ein leistungsfähiger Copilot — wenn Auftrag, Kontext und Kontrolle stimmen.
Der richtige Umgang mit Sprachmodellen
Der Unterschied zwischen frustrierenden und nützlichen Ergebnissen liegt selten am Modell — sondern am Auftrag. Je klarer die Eingabe, desto belastbarer die Antwort.
„Mach mal einen Text über KI."
„Du bist KI-Trainer. Erkläre einem mittelständischen Unternehmen in 800 Zeichen, warum gute Prompts wichtig sind. Schreibe verständlich, ohne Hype, mit drei konkreten Beispielen."
Die Bausteine guter Arbeit
Ziel klären
Was soll am Ende herauskommen — und wofür?
Rolle definieren
Aus welcher Perspektive soll das Modell antworten?
Kontext geben
Hintergrund, Material und Rahmenbedingungen mitliefern.
Zielgruppe nennen
Für wen ist das Ergebnis gedacht?
Format festlegen
Liste, Tabelle, Fließtext, Länge, Struktur.
Tonalität beschreiben
Seriös, locker, sachlich, werblich?
Beispiele liefern
Ein gutes Muster sagt mehr als zehn Erklärungen.
Grenzen setzen
Was vermieden werden soll — Hype, Floskeln, Garantien.
Prüfkriterien definieren
Woran erkennst du, dass das Ergebnis gut ist?
Iterativ verbessern
Nachschärfen statt alles neu — Schritt für Schritt.
Aufbau guter Prompts
Ein guter Prompt ist wie ein gutes Briefing: Je klarer die Bausteine, desto besser das Ergebnis. Du brauchst nicht jeden Baustein immer — aber je wichtiger die Aufgabe, desto mehr lohnt sich Sorgfalt.
Rolle
Aus welcher Sicht? „Du bist Produkt-Marketing-Manager."
Kontext
Hintergrund und Material zur Aufgabe.
Aufgabe
Was genau soll getan werden?
Zielgruppe
Für wen ist das Ergebnis bestimmt?
Format
Überschrift, Bullets, Tabelle, Länge.
Tonalität
Seriös, vertrauenswürdig, sachlich …
Beispiele
Muster oder Referenzen mitgeben.
Einschränkungen
Was vermeiden? Welche Grenzen gelten?
Qualitätskriterien
Woran wird das Ergebnis gemessen?
Nächster Schritt
Welche konkrete Ausgabe wird erwartet?
Beispielprompt — Rad & Werk
Du bist Marketingberater. Eine kleine Fahrradwerkstatt namens
„Rad & Werk" möchte eine neue Website-Unterseite zum Thema
E-Bike-Service erstellen. Die Seite soll verständlich erklären,
welche Leistungen angeboten werden: Inspektion, Akku-Check,
Software-Update, Bremsenprüfung und Beratung.
Zielgruppe sind Kundinnen und Kunden aus der Region.
Ton: freundlich, kompetent, nicht übertrieben werblich.
Ergebnis: Überschrift, Kurztext mit maximal 900 Zeichen
und 5 Bulletpoints.Warum dieser Prompt besser ist
Er nennt eine klare Rolle (Marketingberater), liefert Kontext (Fahrradwerkstatt „Rad & Werk", E-Bike-Service), beschreibt eine konkrete Aufgabe (Website-Unterseite mit klar genannten Leistungen), definiert die Zielgruppe (Kundinnen und Kunden aus der Region), gibt Tonalität und Grenzen vor (freundlich, kompetent, „nicht übertrieben werblich") und legt ein präzises Ausgabeformat fest (Überschrift, ≤ 900 Zeichen, 5 Bulletpoints). Das Modell muss nichts mehr raten — es kann gezielt liefern.
Vom Prompt zum Workflow
Produktive KI-Arbeit besteht selten aus einem einzigen Prompt. Sie ist ein Prozess aus mehreren Schritten — vom Briefing bis zur Freigabe. Der Mensch behält dabei Ziel, Bewertung und Verantwortung.
Wo solche Workflows helfen
Website-Unterseite erstellen
Vom Briefing über Struktur und Text bis zu HTML, Test und Veröffentlichung.
Präsentation vorbereiten
Kernbotschaft, Gliederung, Folientexte und Sprechnotizen Schritt für Schritt.
Landingpage prüfen
Struktur, Klarheit, Tonalität und Schwachstellen systematisch durchgehen.
Bewerbungsunterlagen verbessern
Profilabgleich, Entwurf, Tonalität und finale Prüfung durch den Menschen.
Chatbot testen
Testfragen entwerfen, Antworten bewerten, Schwachstellen dokumentieren.
Code-Sprint mit Abschlussbericht
Aufgabe, Umsetzung, Test und ein nachvollziehbarer Abschlussbericht.
Verantwortung bleibt beim Menschen
Das Modell liefert Entwürfe und Tempo. Ziel, Bewertung, Freigabe und Verantwortung bleiben in jedem Schritt beim Menschen.
Grounded LLM, RAG & Quellen
Wie verlässlich eine Antwort ist, hängt stark davon ab, worauf sie sich stützt. Genau hier setzen Grounding und RAG an.
Normales LLM
Antwortet aus seinem Modellwissen und dem aktuellen Kontext. Praktisch und schnell — aber ohne Garantie, dass die Information aktuell oder belegt ist.
Grounded LLM
Stützt Antworten zusätzlich auf bereitgestellte Quellen: Dokumente, Suchergebnisse oder Datenbanken. Das senkt das Risiko falscher Antworten — ersetzt die Prüfung aber nicht.
RAG
Retrieval-Augmented Generation: Erst werden passende Informationen gesucht (Retrieval), dann erzeugt das Modell daraus eine Antwort (Generation).
In der Praxis
Chat über ein PDF, Suche in Google Drive, Analyse einer Wissensdatenbank oder eine Antwort mit Quellenangaben.
Beispiel: Onboarding-Handbuch
Ein Unternehmen stellt ein Onboarding-Handbuch für neue Mitarbeitende bereit. Ein grounded LLM kann Fragen dazu beantworten, indem es sich auf dieses Dokument stützt. Wenn eine Information nicht im Handbuch steht, sollte die Antwort transparent machen, dass dazu keine Quelle vorliegt — etwa: „Dazu finde ich im Dokument keine Angabe."
Merksatz
Je näher die KI an geprüften Quellen arbeitet, desto belastbarer wird das Ergebnis — aber die Verantwortung bleibt beim Menschen.
Markdown & .md-Dateien
.md steht für Markdown — ein einfaches Textformat für
strukturierte Inhalte. Überschriften, Listen, Tabellen, Links und Code lassen sich ohne
komplexes Layout schreiben.
Einfach & lesbar
Reiner Text mit ein paar Zeichen für Struktur — gut lesbar für Menschen und KI-Systeme gleichermaßen.
Vielseitig nutzbar
Ideal für Projektbriefings, Dokumentationen, README-Dateien, Claude-Code-Prompts, Skills, Checklisten und Arbeitsanweisungen.
Wiederverwendbar
Einmal sauber geschrieben, immer wieder einsetzbar — die Grundlage für verlässliche, wiederholbare KI-Arbeit.
# Projektbriefing Newsletter
## Ziel
Wir erstellen einen kurzen Newsletter für Kundinnen und Kunden.
## Thema
Neue Öffnungszeiten im Sommer.
## Zielgruppe
Bestandskunden eines kleinen Dienstleistungsbetriebs.
## Anforderungen
* freundlich formuliert
* maximal 1.000 Zeichen
* klare Öffnungszeiten nennen
* keine übertriebene Werbung
## Ergebnis
Betreffzeile, Einleitung, Haupttext und kurzer Abschluss.Klare Überschriften helfen
Überschriften gliedern den Inhalt und zeigen Mensch wie Modell sofort, was wo steht — Orientierung ohne langes Lesen.
Ziel, Kontext, Regeln, Ergebnis
Diese Abschnitte beantworten die wichtigsten Fragen vorab — das Modell muss weniger raten und liefert gezielter.
Wiederverwendbare Anweisungen
Als .md gespeicherte Briefings lassen sich kopieren, anpassen und teilen — ideal für wiederkehrende KI-Aufgaben.
Skills: beschreiben, erstellen & nutzen
Ein Skill ist eine wiederverwendbare Arbeitsanweisung oder Fähigkeit für eine bestimmte Aufgabe. Statt jedes Mal alles neu zu erklären, werden Regeln, Ziel, Vorgehen, Qualitätskriterien und Ausgabeformat einmal sauber beschrieben.
Je nach Plattform unterschiedlich umgesetzt
Skills können verschieden realisiert sein — als gespeicherte Anweisung, Projektdatei, Markdown-Dokument, Custom GPT, Claude-Projekt, Agenten-Anweisung oder wiederverwendbarer Prompt. Das Prinzip bleibt gleich: einmal klar beschreiben, mehrfach verlässlich nutzen.
Was ist ein Skill?
Eine festgehaltene, wiederverwendbare Vorgehensweise für eine wiederkehrende Aufgabe — mit Ziel, Regeln und Ergebnisformat.
Wofür nutzt man Skills?
Um Qualität konstant zu halten, Zeit zu sparen und denselben Standard immer wieder anwenden zu können.
Was gehört hinein?
Ziel, Kontext, Regeln, Vorgehen, Qualitätskriterien und ein klar definiertes Ausgabeformat.
Beispiele für Skills
Website-Sprint Projektseite
Unterseite erstellen oder verbessern — nach festen Regeln.
Landingpage prüfen
Struktur, Klarheit und Schwachstellen systematisch checken.
Bewerbungsanschreiben optimieren
Profilabgleich, Tonalität und Feinschliff in einem Ablauf.
Chatbot-Testfragen erstellen
Systematische Testfälle für Qualität und Grenzen.
Datenschutzsensiblen Text prüfen
Heikle Inhalte auf Vorsicht und Formulierung gegenchecken.
Codeänderung mit Abschlussbericht
Umsetzen, testen und nachvollziehbar dokumentieren.
# Skill: Website-Sprint Projektseite
## Ziel
Eine bestehende Projektseite verbessern oder eine neue
Informationsseite erstellen.
## Regeln
* keine externen Fonts
* keine externen Skripte
* bestehende Navigation nicht beschädigen
* mobile Ansicht prüfen
* nur notwendige Dateien ändern
## Vorgehen
1. Bestand prüfen
2. Änderung planen
3. Umsetzung durchführen
4. Desktop und Mobile testen
5. Abschlussbericht schreiben
## Abschlussbericht
* geänderte Dateien
* umgesetzte Inhalte
* Tests
* offene PunkteKonnektoren: Drive, Gmail, Kalender & mehr
Konnektoren verbinden KI-Systeme mit externen Arbeitsquellen — etwa Google Drive, Gmail, Google Kalender, GitHub, Notion, Slack oder lokalen Dateien. Damit kann die KI mit echten Inhalten arbeiten, statt nur aus dem Modellwissen zu schöpfen.
- Dokumente finden und zusammenfassen
- E-Mails analysieren oder Entwürfe vorbereiten
- Termine und Aufgaben einordnen
- Projektdateien lesen
- Wissensquellen gezielt nutzen
- Datenschutz
- Rechte und Freigaben
- Sensible Inhalte
- Falsche Datei oder veraltete Version
- Zu weitreichender Zugriff
Beispiel: Google-Drive-Projektordner
Ein Team speichert Protokolle, Präsentationen und Aufgabenlisten in einem Google-Drive-Projektordner. Ein KI-Assistent kann helfen, die passende Datei zu finden, Protokolle zusammenzufassen oder offene Aufgaben aus mehreren Dokumenten zu extrahieren.
Vor Nutzung eines Konnektors prüfen
- Welche Daten werden zugänglich?
- Ist der Zugriff überhaupt notwendig?
- Sind personenbezogene oder vertrauliche Daten enthalten?
- Darf die KI diese Inhalte verarbeiten?
- Wird das Ergebnis anschließend geprüft?
- Wird nichts automatisch veröffentlicht oder versendet?
Tool-Kompass: welches Werkzeug wofür?
Eine grobe Orientierung — je nach Version, Plan und verfügbarer Funktion können sich Möglichkeiten unterscheiden. Diese Übersicht zeigt typische Stärken, ersetzt aber keinen eigenen Test im konkreten Anwendungsfall.
| Werkzeug | Besonders stark für | Worauf achten? |
|---|---|---|
| ChatGPT | Vielseitiger Assistent für Dialog, Schreiben, Analyse, Recherche, Lernen, Bilder, Dateien und Projektarbeit — stark als Sparringspartner und Erklärer. | Funktionsumfang hängt von Version und Plan ab. Ergebnisse und Quellen prüfen. |
| Codex | KI-gestützte Coding-Unterstützung: Code schreiben, erklären, refactoren, testen und Änderungen vorbereiten. | Am stärksten bei klaren Aufgaben, mit Tests und Review-Schritten. |
| Claude | Lange Texte, Dokumentarbeit, strukturierte Projektarbeit, Analyse und kontextreiche Aufgaben — gut für Briefings, Konzepte, Produkttexte und Workflows. | Kontext klar mitgeben. Auch hier gilt: prüfen und einordnen. |
| Claude Code | Arbeit an Codeprojekten: Website-Sprints, Refactoring, Fehleranalyse, Tests und Abschlussberichte — wenn Dateien geprüft, geändert und getestet werden sollen. | Änderungen gezielt freigeben und testen. Nichts ungeprüft übernehmen. |
| Claude Design / Artifacts | Visuelle oder interaktive Entwürfe, Prototypen, Layoutideen und kleine Tools — wenn Ideen sichtbar gemacht statt nur beschrieben werden sollen. | Prototyp ist nicht Produktion. Vor Live-Einsatz prüfen und absichern. |
| Claude Cowork | Arbeitsmodus für längere, gemeinsame, kontextreiche Projektarbeit: Planung, Recherche, Dokumente, Aufgabenstruktur und Zusammenarbeit. | Verfügbarkeit und Funktionen können je nach Oberfläche variieren. |
| Gemini | Sprachmodell von Google — sinnvoll im Google-Ökosystem, für Recherche, Zusammenfassungen, multimodale Aufgaben und Arbeit mit Google-Diensten. | Ergebnisse prüfen, Quellen beachten, Datenschutz berücksichtigen. |
Auf kleinen Bildschirmen lässt sich die Tabelle seitlich scrollen.
Keine Feature-Garantien
Die genannten Werkzeuge entwickeln sich schnell weiter. Diese Einordnung beschreibt typische Einsatzfelder — was konkret verfügbar ist, hängt von Version, Plan und Region ab und sollte im Zweifel direkt geprüft werden.
Arbeiten mit KI im Unternehmen
KI ist nicht nur Tool-Nutzung, sondern Prozessgestaltung. Entscheidend sind Rollen, Verantwortlichkeiten, Datenschutz, Freigaben, Dokumentation und Schulung — damit aus einzelnen Experimenten verlässliche Abläufe werden.
Prompt-Guidelines
Gemeinsame Standards, wie Prompts aufgebaut werden — für gleichbleibende Qualität im Team.
Freigabeprozesse
Klar geregelt, wer KI-Ergebnisse prüft und freigibt, bevor sie verwendet werden.
Wissensdatenbanken
Geprüfte Quellen, auf die KI sich stützen kann — die Basis für belastbares Grounding.
Schulungen
Mitarbeitende befähigen, KI sinnvoll, kritisch und sicher einzusetzen.
Qualitätskontrolle
Ergebnisse stichprobenartig und systematisch auf Richtigkeit prüfen.
Human-in-the-loop
Der Mensch bleibt eingebunden: bewertet, entscheidet und verantwortet.
Dokumentation der KI-Nutzung
Nachvollziehbar festhalten, wo und wie KI eingesetzt wurde.
Kennzeichnung
KI-generierte Inhalte kennzeichnen, wo es relevant oder gefordert ist.
Gute Workflows: drei Beispiele
Drei konkrete Abläufe zeigen, wie aus einzelnen Schritten ein verlässlicher Prozess wird — immer mit dem Menschen an den entscheidenden Stellen.
Landingpage erstellen
E-Mail oder Bewerbung vorbereiten
Code-Sprint mit Claude Code oder Codex
Sicherheit, Datenschutz & Verantwortung
KI kann viel beschleunigen — aber sie entlässt niemanden aus der Verantwortung. Diese Punkte gehören bei jedem ernsthaften KI-Einsatz dazu.
Keine sensiblen Daten ohne Grundlage
Personenbezogene oder vertrauliche Daten nur mit Rechtsgrundlage oder Freigabe eingeben — niemals unbedacht.
Nichts ungeprüft übernehmen
KI-Antworten sind Entwürfe, keine Endergebnisse. Vor der Verwendung prüfen und einordnen.
Quellen prüfen
Behauptungen gegen verlässliche Quellen abgleichen — gerade bei Zahlen, Zitaten und Fakten.
Besondere Vorsicht
Bei Recht, Medizin, Finanzen und Personal gilt: Fachprüfung statt blindes Vertrauen.
KI entscheidet nicht allein
Sie unterstützt die Entscheidung — treffen und verantworten muss sie der Mensch.
Ergebnisse dokumentieren
Wenn KI-Ergebnisse im Unternehmen verwendet werden, nachvollziehbar festhalten — wer, was, womit.
Grundprinzip
KI kann unterstützen, aber nicht allein entscheiden. Der Mensch bleibt verantwortlich.
Zwei Leitlinien zum Mitnehmen
Zwei einfache Ketten fassen den Kern dieses Kompasses zusammen — eine für den einzelnen Auftrag, eine für die produktive Arbeitsumgebung.
Vom Auftrag zum geprüften Ergebnis
Vom Baustein zum Workflow
Klares Ziel. Sauberer Kontext. Verantwortungsvolle Prüfung.
Sprachmodelle sind starke Werkzeuge — aber sie ersetzen weder Prüfung noch Entscheidung. Wer Ziel, Kontext und Kontrolle in der Hand behält, macht aus einem Chatfenster einen produktiven Denk- und Arbeitspartner.
Gute KI-Arbeit beginnt nicht mit dem perfekten Tool, sondern mit einem klaren Ziel, sauberem Kontext und verantwortungsvoller Prüfung.