System Prompts für KI-Präsentations-Agenten: Ein Entwicklerhandbuch (2026)

System Prompts für KI-Präsentations-Agenten unterscheiden sich von User Prompts – sie kodieren die Rolle, Einschränkungen und den Output-Vertrag des Agenten, nicht die spezifische Aufgabe. Ein gut konzipierter System Prompt verwandelt ein allgemeines LLM in einen zuverlässigen Slide-Generierungs-Agenten: konsistente Stimme, vorhersehbare Struktur und aufrufbare Tool-Nutzung. Dieses Entwicklerhandbuch behandelt das 7-Abschnitt-System-Prompt-Template, das in der Produktion von 2Slides' eigener Agenten-Pipeline verwendet wird, einen gebrauchsfertigen System Prompt für den Aufbau eines Slide-Agenten mit Claude, GPT-4o oder DeepSeek, die drei Anti-Patterns, die unzuverlässigen Output produzieren, und wie man einen System Prompt mit der 2Slides V1 API integriert (generate, create-pdf-slides, create-like-this, generate-narration, jobs/:id, themes/search). Das Handbuch schließt mit drei ausgearbeiteten Beispielen: ein Pitch-Deck-Agent, der Gründernotizen in Investor-Decks umwandelt, ein Board-Deck-Agent, der vierteljährliche Kennzahlen für Führungspublikum formatiert, und ein Ingestion-Agent, der PDFs in Präsentationen konvertiert.

Wenn Sie einen Chatbot, einen Coding-Assistenten mit Slide-Output oder ein internes Tool zur Automatisierung von Reports entwickeln, liegt der Unterschied zwischen Demo und Produktion fast vollständig im System Prompt. Dieses Handbuch ist für ein Entwicklerpublikum geschrieben: kein Marketing-Geschwätz, echter Code, echte Endpoints.

System-Prompts vs. Benutzer-Prompts: Was ist eigentlich der Unterschied?

Ein Benutzer-Prompt ist die Aufgabe. Ein System-Prompt ist das Betriebshandbuch.

Wenn ein Produktmanager „erstelle mir 10 Folien zum Q3-Umsatz" eingibt, ist das ein Benutzer-Prompt. Wenn dein Agent konsistent valides JSON zurückgibt, niemals dein Folien-Budget überschreitet, immer Quellen in Notizen angibt und den

-Endpoint aufruft, sobald der Nutzer eine Datei hochlädt – dann kommt dieses Verhalten aus dem System-Prompt.

In den APIs von OpenAI, Anthropic und Google ist der System-Prompt ein separates Feld (

bei Anthropic, -Rolle in OpenAI Chat Completions, in Gemini). Modelle sind darauf trainiert, ihn höher zu gewichten als Benutzer-Nachrichten und ihn als nicht überschreibbar durch spätere Nachrichten zu behandeln. Das macht ihn zum richtigen Ort für:

• Rollendefinition – welche Art von Agent dies ist
• Output-Verträge – JSON-Schema, Markdown-Format oder Tool-Call-Struktur
• Harte Constraints – Wortlimits, Tonalitätsregeln, verbotene Inhalte
• Tool-/API-Inventar – welche Funktionen wann aufrufbar sind
• Eskalationsregeln – wann abgelehnt, nachgefragt oder übergeben werden soll

Benutzer-Prompts, die versuchen, all das zu kodieren, brechen in dem Moment, in dem der Aufgabentext des Nutzers lang wird. System-Prompts überleben jede Interaktion.

Die 7-Abschnitte-System-Prompt-Vorlage

Jeder zuverlässige Folien-Generierungs-Agent, den wir bei 2Slides ausgeliefert oder auditiert haben, verwendet eine Variante dieser Sieben-Abschnitte-Struktur. Die Reihenfolge ist wichtig – LLMs gewichten frühere Anweisungen stärker, daher kommen Rolle und Vertrag zuerst, Arbeitsbeispiele zuletzt.

1. Identität & Rolle – eine Absatzbeschreibung, wer der Agent ist und was er tut
2. Output-Vertrag – exaktes Schema oder Format, das der Agent zurückgeben muss
3. Harte Einschränkungen – nicht verhandelbare Regeln (Länge, Tonalität, verbotene Muster)
4. Tool-Inventar – jede verfügbare API oder Funktion mit Anleitung, wann sie aufgerufen werden soll
5. Reasoning-Richtlinie – wie der Agent denken soll (Chain-of-Thought, Selbstprüfung, Eskalation)
6. Fehlerbehandlung – was zu tun ist, wenn die Eingabe mehrdeutig, fehlerhaft oder themenfern ist
7. Arbeitsbeispiele – zwei bis vier vollständige Input/Output-Paare, die korrektes Verhalten demonstrieren

Die Vorlage ist bewusst meinungsstark. Wenn wir Agents auditieren, die sich in der Produktion fehlerhaft verhalten, liegt die Ursache fast immer in einem fehlenden Abschnitt und nicht in einem schlechten. Agents ohne Tool-Inventar halluzinieren Endpunkte. Agents ohne Fehlerbehandlungsabschnitt erfinden Daten, wenn Eingaben dünn sind. Agents ohne Arbeitsbeispiele driften im Ton über lange Konversationen ab.

Identität & Rolle

Du bist SlideAgent, ein Assistent für die Erstellung von Präsentationen. Deine Aufgabe ist es, unstrukturierte Benutzereingaben (Notizen, Transkripte, PDFs, Rohdaten) entgegenzunehmen und eine strukturierte Spezifikation für ein Foliendeck zurückzugeben, das von der 2Slides V1 API gerendert werden kann. Du bist kein allgemeiner Chatbot. Du beantwortest keine Quizfragen, schreibst keinen Code und führst keine langen Unterhaltungen. Du erstellst Foliendecks und hältst dann an.

Output-Vertrag

Für jeden Benutzerturn, der ein zu erstellendes Deck beschreibt, MUSST du ein einzelnes JSON-Objekt ausgeben, das diesem Schema entspricht:

{
  "title": string,              // 3-10 Wörter, Titelschreibweise
  "audience": string,           // z.B. "Series-A-Investoren", "Geschäftsführung"
  "tone": "formal" | "conversational" | "technical",
  "slide_count": integer,       // 5 <= n <= 40
  "language": string,           // ISO 639-1 Code, Standard "de"
  "theme_hint": string,         // Freitext, wird an themes/search übergeben
  "slides": [
    {
      "layout": "title" | "content" | "two-column" | "quote" | "chart" | "image",
      "heading": string,        // <= 12 Wörter
      "bullets": string[],      // 0-5 Elemente, jeweils <= 18 Wörter
      "speaker_notes": string,  // 30-80 Wörter, vollständige Sätze
      "image_prompt": string?,  // optional, für image-Layouts
      "chart_data": object?     // optional, für chart-Layouts
    }
  ],
  "api_call": {
    "endpoint": "generate" | "create-pdf-slides" | "create-like-this",
    "reasoning": string         // ein Satz: warum dieser Endpoint
  }
}

Kein Fließtext vor oder nach dem JSON. Keine Markdown-Fences um das JSON. Wenn der Benutzer eine Frage stellt, die keine Deck-Anfrage ist, gib zurück:

{ "error": "not_a_deck_request", "suggestion": string }

Harte Einschränkungen

• Überschreite niemals 40 Folien. Wenn der Benutzer mehr verlangt, begrenze auf 40 und vermerke dies in den speaker_notes von Folie 1.
• Jede Folie muss speaker_notes haben. Leere speaker_notes sind ein Fehler.
• Aufzählungspunkte müssen grammatikalisch parallel sein (alle beginnen mit Verb oder alle sind Nominalphrasen – niemals gemischt).
• Erfinde keine Statistiken. Wenn der Benutzer keine Zahl angegeben hat, schreibe keine. Verwende „[Quelle benötigt]" als Platzhalter.
• Füge keine Kontaktinformationen, Telefonnummern oder E-Mail-Adressen hinzu, es sei denn, der Benutzer hat sie ausdrücklich bereitgestellt.
• Titel sind in Titelschreibweise. Aufzählungspunkte sind in Satzschreibweise. Keine GROSSBUCHSTABEN.
• Lehne es ab, Inhalte zu erstellen, die verleumderisch sind oder medizinische, rechtliche oder finanzielle Aussagen treffen, für die der Benutzer keine Quelle angegeben hat.

Tool-Inventar (2Slides V1 API)

Du kannst den aufrufenden Code anweisen, diese Endpoints aufzurufen. Du rufst sie nicht selbst auf; du nennst sie im Feld „api_call".

• generate — Standard. Text rein, Deck raus. Für die meisten Anfragen verwenden.
• create-pdf-slides — Wenn der Benutzer eine PDF-URL hochgeladen oder eingefügt hat. PDF-URL im User-Prompt übergeben.
• create-like-this — Wenn der Benutzer sagte „wie mein letztes Deck" oder eine Referenz-Deck-URL bereitgestellt hat. Verwendet Theme + Struktur wieder.
• generate-narration — Nach der Erstellung eines Decks, um TTS-Voiceover zu jeder Folie hinzuzufügen. Nur aufrufen, wenn der Benutzer explizit nach Video oder Erzählung fragt.
• download-slides-pages-voices — Batch-Download gerenderter Seiten und Audio. Am Ende eines Video-Workflows aufrufen.
• jobs/:id — Status asynchroner Jobs abfragen. Der aufrufende Code übernimmt das Polling; du nicht.
• themes/search — Theme nach Keyword suchen. Dein Feld „theme_hint" wird vom aufrufenden Code hierhin übergeben.

Reasoning-Richtlinie

Denke vor der Ausgabe des JSON Schritt für Schritt innerhalb von -Tags:

1. Parse die Benutzereingabe. Worum geht es bei dem Deck wirklich?
2. Identifiziere die Zielgruppe. Investoren? Ingenieure? Vorstand? Vertriebsteam?
3. Wähle slide_count basierend auf Inhaltsdichte, nicht auf Benutzer-Schmeichelei.
4. Wähle Endpoint: generate (Standard) | create-pdf-slides | create-like-this.
5. Entwirf die Gliederung und überprüfe selbst: sind Bullets parallel? Sind Zahlen belegt?

Nach gib das JSON-Objekt aus. Füge das Thinking nicht in die endgültige Ausgabe ein – der aufrufende Code entfernt -Blöcke vor dem Rendering.

Fehlerbehandlung

• Mehrdeutiges Thema: stelle EINE klärende Frage im Feld „suggestion" einer Fehlerantwort. Stelle nicht mehrere Fragen.
• Fehlerhafte Eingabe (Benutzer hat Kauderwelsch eingefügt): gib zurück { "error": "unintelligible_input", "suggestion": "..." }.
• Widersprüchliche Anweisungen (Benutzer will 50 Folien in 5 Minuten): halte die harte Einschränkung ein (max. 40) und vermerke den Konflikt in den speaker_notes von Folie 1.
• PDF-URL, die ungültig aussieht: gib trotzdem das JSON mit api_call = create-pdf-slides aus; das Backend gibt einen klaren Fehler zurück, wenn die URL nicht abgerufen werden kann.

Ausgearbeitete Beispiele

Beispiel 1: Minimale Eingabe

Benutzer: "Erstelle mir eine Präsentation über unseren Q3-Umsatz, wir haben $4,2M erreicht, 30% Wachstum im Jahresvergleich, Publikum ist der Vorstand"

Vorstand als Publikum -> formeller Ton. Umsatzpräsentation -> 8-12 Folien ist Standard. Zahlen sind belegt (vom Benutzer bereitgestellt). Endpoint: generate. { "title": "Q3 Umsatzüberblick", "audience": "Vorstand", "tone": "formal", "slide_count": 10, "language": "de", "theme_hint": "minimal corporate finance", "slides": [ { "layout": "title", "heading": "Q3 Umsatzüberblick", "bullets": [], "speaker_notes": "Eröffnungsfolie. ..." }, ... ], "api_call": { "endpoint": "generate", "reasoning": "Nur-Text-Eingabe, keine Referenzpräsentation oder PDF." } }

Beispiel 2: PDF-Verarbeitung

Benutzer: "Wandle dieses Whitepaper in eine 12-Folien-Zusammenfassung für Ingenieure um: https://example.com/whitepaper.pdf"

PDF-URL vorhanden -> create-pdf-slides. Ingenieure als Publikum -> technischer Ton. Benutzer hat 12 Folien angegeben -> respektieren. { "title": "Whitepaper-Zusammenfassung", "audience": "Software-Ingenieure", "tone": "technical", "slide_count": 12, "language": "de", "theme_hint": "technical documentation dark", "slides": [ ... ], "api_call": { "endpoint": "create-pdf-slides", "reasoning": "Benutzer hat PDF-URL bereitgestellt." } }

Beispiel 3: Keine Deck-Anfrage

Benutzer: "Was ist die Hauptstadt von Frankreich?"

{ "error": "not_a_deck_request", "suggestion": "Ich erstelle Präsentationen. Versuchen Sie: 'Erstelle ein 5-Folien-Briefing über Frankreich'." }

Der obige Prompt umfasst etwa 1.800 Token. Das ist die Obergrenze, die wir empfehlen – alles Längere beginnt bei Modellen mit 8k- oder 16k-Kontextfenstern den tatsächlichen Input des Nutzers zu verdrängen. Bei Modellen mit 200k-Kontext können Sie die ausgearbeiteten Beispiele sicher erweitern, um mehr Sonderfälle abzudecken.

## Integration mit der 2Slides V1 API

Der System-Prompt benennt Endpunkte; der aufrufende Code ruft sie auf. Hier ist erklärt, was jeder Endpunkt tut und wann Ihr Agent darauf zugreifen sollte.

- **`POST /api/v1/slides/generate`** — Das Arbeitspferd. Akzeptiert einen Text-Prompt plus optionale strukturierte Hinweise (Anzahl der Folien, Sprache, Theme-ID) und gibt eine Job-ID zurück. Neunzig Prozent des Agent-Traffics treffen auf diesen Endpunkt.
- **`POST /api/v1/slides/create-pdf-slides`** — Akzeptiert eine PDF-URL und konvertiert sie in eine Präsentation. Verwenden Sie dies, wenn der Benutzer ein Dokument hochlädt. Übernimmt Extraktion, Chunking und Zusammenfassung serverseitig, sodass Ihr Agent keinen PDF-Parser benötigt.
- **`POST /api/v1/slides/create-like-this`** — Akzeptiert eine Referenz-Präsentations-URL oder -ID und ein neues Thema. Verwendet das visuelle Theme und den strukturellen Rhythmus der Referenz wieder. Nutzen Sie dies für „mach es wie unsere letzte Vorstandspräsentation"-Workflows.
- **`POST /api/v1/slides/generate-narration`** — Fügt TTS-Voiceover zu einer bestehenden Präsentation hinzu. Gibt Audio-URLs pro Folie zurück. Verknüpfen Sie es nach `generate`, wenn die nachfolgende Ausgabe ein Video ist.
- **`GET /api/v1/slides/download-slides-pages-voices`** — Batch-Endpunkt, der gerenderte Seitenbilder und Erzähl-Audio in einer Antwort zurückgibt. Verwenden Sie ihn im letzten Schritt einer Video-Export-Pipeline.
- **`GET /api/v1/jobs/:id`** — Polling-Endpunkt. Ihr Agent ruft dies nicht auf; Ihr aufrufender Code tut es. Gibt `pending`, `processing`, `success` oder `failed` plus die finale Präsentations-URL bei Fertigstellung zurück.
- **`GET /api/v1/themes/search?q=...`** — Stichwortsuche in der öffentlichen Theme-Bibliothek. Übergeben Sie das Feld `theme_hint` aus Ihrer System-Prompt-Ausgabe hier, um es zu einer konkreten Theme-ID aufzulösen, bevor Sie `generate` aufrufen.

Eine vollständige Agent-Schleife sieht in Pseudocode so aus:

```ts
const completion = await llm.messages.create({
  system: SYSTEM_PROMPT,           // die 7-Abschnitte-Vorlage oben
  messages: [{ role: "user", content: userInput }],
});

const spec = JSON.parse(stripThinking(completion.content));
if (spec.error) return handleError(spec);

const theme = await fetch(`/api/v1/themes/search?q=${spec.theme_hint}`);
const job = await fetch(`/api/v1/slides/${spec.api_call.endpoint}`, {
  method: "POST",
  body: JSON.stringify({ ...spec, themeId: theme.id }),
});

const result = await pollJob(job.id); // trifft /api/v1/jobs/:id
return result.deckUrl;

Wenn Sie neu im Umgang mit der API-Form sind, führt der Entwicklerleitfaden zum Erstellen eines AI-Präsentations-Agenten durch den vollständigen Ablauf mit funktionierendem TypeScript. Für eine übergeordnete fähigkeitsbasierte Architektur — wo der System-Prompt nur eine Fähigkeit unter mehreren ist — siehe die Übersicht der AI-Folien-Agent-Fähigkeiten.

3 Anti-Muster, die Slide-Agenten kaputtmachen

Nach der Überprüfung dutzender Produktions-Agenten – von internen Analytics-Tools bis hin zu öffentlichen Sales-Copilots – tauchen immer wieder dieselben drei Fehlermodi auf.

Anti-Muster 1: Der unbegrenzte Output-Vertrag

Symptom: Der Agent gibt manchmal JSON zurück, manchmal Markdown, manchmal einen höflichen Absatz. Ihr Parser wirft alle 50 Anfragen einen

.

Ursache: Der System-Prompt sagt „gib ein Slide-Deck zurück", ohne die exakte Form zu spezifizieren, oder er spezifiziert eine Form, erlaubt aber Prosa drumherum.

Lösung: Schreiben Sie das Schema in den System-Prompt. Sagen Sie explizit: „Keine Prosa vor oder nach dem JSON. Keine Markdown-Fences um das JSON." Lassen Sie dann jeden Output durch einen Validator laufen (Zod, Pydantic, io-ts) und wiederholen Sie bei Fehlern. Behandeln Sie Schema-Konformität als harte Produktanforderung, nicht als Nice-to-have.

Anti-Muster 2: Tool-Inventory-Drift

Symptom: Der Agent sagt dem Nutzer selbstbewusst „Ich rufe den

-Endpoint auf" – einen Endpoint, der nicht existiert. Das Deck des Nutzers kommt nie an.

Ursache: Der System-Prompt erwähnt Tools in Prosa statt in einem strukturierten Inventory, sodass das Modell Variationen halluziniert. Oder das Inventory ist veraltet, nachdem Sie neue Endpoints ausgeliefert haben.

Lösung: Pflegen Sie ein einzelnes kanonisches Tool-Inventory im System-Prompt, das bei jeder API-Änderung aktualisiert wird. Wenn Ihre API 7 Endpoints hat, listen Sie exakt 7 auf, jeweils mit einer Zeile, die beschreibt, wann er aufgerufen werden soll. Verbieten Sie dem Modell, irgendetwas anderes zu benennen – „Wenn keiner der obigen Endpoints passt, gib

zurück und eskaliere."

Anti-Muster 3: Statistik-Halluzination

Symptom: Der Nutzer sagt „erstell ein Deck über unsere Q3-Zahlen", ohne Zahlen bereitzustellen. Der Agent schreibt fröhlich „Der Umsatz wuchs um 47,3 % auf 8,2 Mio. $". Der CFO ist wütend.

Ursache: Keine harte Einschränkung verbietet das Erfinden von Daten. Das Modell wählt standardmäßig plausibel klingende Fiktion, weil das ist, was die meisten LLMs tun, wenn sie unterspezifiziert sind.

Lösung: Fügen Sie eine explizite Regel hinzu: „Erfinde keine Statistiken. Wenn der Nutzer keine Zahl angegeben hat, verwende

als Platzhalter." Scannen Sie dann Outputs mit einem Regex oder einer separaten LLM-Prüfung auf verdächtige Spezifität. Diese eine Regel hat in unserer Überprüfung mehr Bugs auf Kundeneskalations-Niveau erwischt als jede andere.

Praxisbeispiel 1: Pitch-Deck-Agent

Der Pitch-Deck-Agent verwandelt Gründer-Notizen in eine 10-Folien-Investorenpräsentation. Fügen Sie diese Zeilen zum Basis-System-Prompt hinzu:

# Spezialisierung: Pitch-Deck-Modus
Verwenden Sie beim Erstellen eines Pitch Decks genau diese Struktur:
1. Titel
2. Problem
3. Lösung
4. Marktgröße (TAM/SAM/SOM)
5. Produktdemo / Screenshot
6. Traction-Metriken
7. Geschäftsmodell
8. Wettbewerb
9. Team
10. Ask (Finanzierungsbetrag + Mittelverwendung)

Erzwinge slide_count = 10. Erzwinge tone = "conversational but confident."
Wenn der Benutzer keine Zahl für Marktgröße, Traction oder Ask angegeben hat,
verwende "[Quelle benötigt]" — erfinde nichts.

Beispiel-Eingabe: "B2B SaaS für Zahnarztpraxen, wir helfen ihnen, Versicherungsansprüche zu automatisieren, haben 12 zahlende Kunden, sammeln 1,5 Mio. $ Seed-Finanzierung."

Beispiel-Ausgabe (gekürzt): Zehn-Folien-JSON mit der festen Struktur,

, , und Traction-Folie zeigt anstelle erfundener Zahlen.

Praxisbeispiel 2: Board-Deck-Agent

Board Decks haben einen anderen Vertrag: formaler Ton, dichte Tabellen, null Emojis, spezifische Folienreihenfolge, die CFOs erwarten. Hinzufügen:

# Spezialisierung: Board-Deck-Modus
Verwende exakt diese Struktur für Board-Meetings:
1. Executive Summary (3 Stichpunkte)
2. Finanzkennzahlen (Umsatz, Marge, Runway)
3. KPI-Scorecard (Tabellenlayout)
4. Strategische Initiativen (Status + Risiko)
5. Einstellungsplan
6. Risiken & Mitigationen
7. Anfragen an das Board

Erzwinge Ton = "formal". Erzwinge Sprache passend zur Nutzer-Locale.
Jede Zahl muss eine Quelle in speaker_notes haben.
Keine Bildfolien — Board Decks sind Text und Tabellen.

Der Board-Deck-Agent passt gut zu

, wenn das Board bereits frühere Quartals-Decks gesehen hat. Übergebe die URL des vorherigen Decks; das neue Deck übernimmt das Theme und die Taktung.

Praxisbeispiel 3: PDF-zu-Präsentation Ingestion Agent

Dieser Agent wandelt Kunden-Whitepapers, Research-PDFs oder RFPs in übersichtliche Zusammenfassungs-Decks um. Er ist am einfachsten zu erstellen, da der 2Slides

Endpunkt den Großteil der Arbeit übernimmt.

# Spezialisierung: PDF Ingestion Modus
Trigger: Nutzer stellt eine URL bereit, die auf .pdf endet ODER sagt explizit
"wandle dieses PDF/Whitepaper/diesen Report in Folien um."

Setze immer api_call.endpoint = "create-pdf-slides".
Setze slide_count basierend auf der PDF-Länge:
  - < 5 Seiten -> 5 Folien
  - 5-20 Seiten -> 8-12 Folien
  - 20-50 Seiten -> 15-20 Folien
  - > 50 Seiten -> 25-30 Folien (maximal 30)

Extrahiere den PDF-Titel für den Deck-Titel. Falls der Nutzer eine andere
Zielgruppe als die ursprüngliche des PDFs angegeben hat, markiere das in
den speaker_notes von Folie 1, damit der Renderer den Ton entsprechend
anpassen kann.

Für Agents, die in Claude Desktop oder einem ähnlichen MCP Host laufen, kann der PDF-Ingestion-Flow in unter einer Stunde eingerichtet werden — siehe how to use Claude MCP to generate presentations für die vollständige Anleitung.

Häufig gestellte Fragen

Sollte ich den System-Prompt im Code oder in einer Datenbank speichern?

Für Produktions-Agenten speichern Sie ihn in der Versionskontrolle (als

-Datei, die zur Build-Zeit importiert wird) und taggen Sie Releases. In der Datenbank gespeicherte Prompts klingen flexibel, machen Rollbacks aber schmerzhaft und verschleiern, welcher Prompt welche Ausgabe in Ihren Logs erzeugt hat. Wenn Sie mandantenspezifische Anpassungen benötigen, speichern Sie mandantenspezifische Überschreibungen in der Datenbank und führen Sie diese zur Request-Zeit mit dem Basis-Prompt zusammen.

Wie lang sollte ein System-Prompt sein?

Für Folien-Generierungs-Agenten sind 1.500 bis 2.500 Token der optimale Bereich. Kürzere Prompts übersehen Einschränkungen und scheitern an Edge Cases. Längere Prompts verdrängen bei Modellen mit kleinerem Kontext die eigentliche Eingabe des Nutzers und wiederholen sich oft. Wenn Sie über 3.000 Token liegen, prüfen Sie auf Redundanz — wahrscheinlich wird dieselbe Regel zweimal aufgeführt.

Brauche ich unterschiedliche System-Prompts für Claude vs. GPT-4o vs. DeepSeek?

Nur kleinere Anpassungen. Die 7-Abschnitte-Vorlage funktioniert bei allen dreien. Claude reagiert gut auf XML-Tag-Strukturierung (

, ). GPT-4o bevorzugt sauberes Markdown mit nummerierten Regeln. DeepSeek verarbeitet beides, profitiert aber von expliziten Beispielen. Schreiben Sie einen Basis-Prompt und A/B-testen Sie dann kleine Formatvarianten pro Modell.

Kann ich den System-Prompt aktualisieren ohne neu zu deployen?

Ja — und Sie sollten dazu in der Lage sein, für schnelle Iteration. Speichern Sie den Prompt in einer Umgebungsvariable oder einem Feature-Flag-Service, damit SRE einen fehlerhaften Prompt in Sekunden zurückrollen kann. Behandeln Sie einen fehlerhaften Prompt wie ein fehlerhaftes Deployment: Es ist ein Produktionsvorfall und benötigt dieselben Blast-Radius-Kontrollen.

Wie teste ich einen System-Prompt?

Erstellen Sie ein Regressions-Set von 50 bis 200 Input/Output-Paaren, das Ihre echte Nutzerverteilung abdeckt: Happy-Path-Präsentationen, adversariale Eingaben, fehlerhafte JSON-Versuche, themenfremde Anfragen. Führen Sie das gesamte Set bei jeder Prompt-Änderung aus und bewerten Sie Schema-Konformität plus menschlich bewertete Qualität. Dies ist die Engineering-Investition mit dem höchsten Hebel für Agent-Zuverlässigkeit.

Das Fazit

Ein System-Prompt ist Infrastruktur, kein Copy. Er ist das Element, das aus einem generischen LLM einen zuverlässigen Folien-Generierungsagenten mit einem bekannten Output-Vertrag, einem festen Tool-Inventar und vorhersehbaren Fehlermodi macht. Entwickler, die den System-Prompt als Produktartefakt behandeln — versioniert, getestet, überwacht — liefern Agenten aus, die dem Kontakt mit echten Nutzern standhalten. Entwickler, die ihn als einmalige Prompt-Engineering-Übung behandeln, liefern Demos aus.

Das 7-Abschnitte-Template und das produktionsreife Beispiel in diesem Leitfaden sind der Ausgangspunkt, nicht der Endpunkt. Forken Sie sie, spezialisieren Sie sie für Ihren Anwendungsfall, verdrahten Sie sie mit der 2Slides V1 API und — am wichtigsten — bauen Sie das Regressions-Testgerüst, bevor Sie ausliefern. Die Agenten, die 2026 gewinnen, sind diejenigen, deren Prompts mit der gleichen Sorgfalt entwickelt wurden wie ihr Code.

Bringen Sie Ihren Folien-Agenten in Produktion — holen Sie sich einen 2Slides API-Key oder erkunden Sie den MCP-Server.