JSON-Prompting für LLMs: Wie strukturierte Prompts zu besseren Ergebnissen führen

Die meisten Anwender kommunizieren mit KI-Modellen wie ChatGPT oder GPT-4 über Freitext. Doch sobald Ausgaben weiterverarbeitet, analysiert oder automatisiert werden sollen, geraten unstrukturierte Antworten schnell an ihre Grenzen.

JSON-Prompting löst dieses Problem: Man gibt dem Modell eine klare, maschinenlesbare Struktur vor – und zwingt es damit, exakt diese auszufüllen. Das reduziert Fehlinterpretationen und macht die Ergebnisse reproduzierbar und API-tauglich.

Was ist ein JSON-Prompt?

Ein JSON-Prompt ist ein Eingabetext, der die KI anweist, ihre Ausgabe in einer bestimmten JSON-Struktur zu liefern. Hier ein einfaches Beispiel:

{
  "title": "",
  "features": [],
  "target_audience": "",
  "price_estimate_eur": 0
}

Die KI wird dann die Felder ausfüllen – ideal für die Weiterverarbeitung im Backend, in Datenbanken oder automatisierten Workflows.

Vergleich: Freitext vs. JSON-Prompt

Beispielaufgabe:

Erstelle einen Überblick über ein KI-Tool für SEO-Zwecke.

1. Freitext-Prompt:

Prompt: Beschreibe das Tool „NeuronWriter“ für SEO-Zwecke.

Ausgabe (gekürzt):
NeuronWriter ist ein KI-gestütztes Textoptimierungstool, das speziell für SEO-Analysen entwickelt wurde. Es bietet Funktionen wie Konkurrenzanalyse, Keyword-Vorschläge und semantische Optimierung…

Probleme: schwer maschinenlesbar, kein klarer Aufbau, schwierig zu parsen

2. JSON-Prompt:

Prompt: Beschreibe das Tool „NeuronWriter“ im folgenden JSON-Format:

{
  "tool_name": "",
  "purpose": "",
  "main_features": [],
  "target_user": "",
  "pricing_info": ""
}

Ausgabe:

{
  "tool_name": "NeuronWriter",
  "purpose": "SEO-Textoptimierung mit Hilfe von KI",
  "main_features": [
    "Semantische Keyword-Analyse",
    "Konkurrenzvergleich",
    "Content-Score-Bewertung",
    "Automatische Gliederungsvorschläge"
  ],
  "target_user": "Content-Marketer, SEO-Agenturen, Texter",
  "pricing_info": "Ab ca. 19 EUR/Monat im Basisplan"
}

Vorteile: strukturiert, direkt weiterverwendbar, konsistent

Best Practices für JSON-Prompting

• Format exakt vorgeben: Nutze klare Platzhalter wie "" für Strings, [] für Listen und 0 für Zahlen.
• Zusatzinstruktionen integrieren: Beispiel: „Achte darauf, dass alle Strings im JSON gültig sind und kein zusätzlicher Text außerhalb des JSON erscheint.“
• Fehler abfangen: Nutze JSON-Validatoren oder Try-Catch-Parsing in Skripten, da Formatfehler möglich sind.

Fortgeschrittenes Beispiel: Textanalyse

Aufgabe: Extrahiere Tonalität, Hauptthemen und Zielgruppe eines beliebigen Textes.

JSON-Prompt:

{
  "text_analysis": {
    "tone": "",
    "main_topics": [],
    "target_audience": "",
    "summary": ""
  }
}

Beispiel-Prompt:
Analysiere den folgenden Text im JSON-Format oben:
„Künstliche Intelligenz revolutioniert die Medizin: Von der Diagnostik bis zur Therapieeinschätzung eröffnet sich ein neues Zeitalter der Präzisionsmedizin.“

Ausgabe:

{
  "text_analysis": {
    "tone": "optimistisch, zukunftsorientiert",
    "main_topics": ["Künstliche Intelligenz", "Medizin", "Diagnostik", "Therapie"],
    "target_audience": "Mediziner, Gesundheitspolitiker, Technologieinteressierte",
    "summary": "Der Text beschreibt, wie KI zunehmend die medizinische Diagnostik und Behandlung prägt."
  }
}

Struktur schlägt Stil

In der Praxis zeigt sich: Wer mit LLMs nicht nur kreativ experimentieren, sondern verlässlich arbeiten möchte, kommt an strukturiertem Prompting nicht vorbei. JSON-Prompts bieten genau den Rahmen, der für Automatisierung, API-Integration oder datengetriebene Anwendungen notwendig ist.

Sie ersetzen nicht den kreativen Freitext – aber sie professionalisieren den Umgang mit KI-Ausgaben entscheidend.

Quellen und Tools

• OpenAI Docs: Function Calling & JSON Modes
• LangChain Docs: https://docs.langchain.com
• JSON Validator: https://jsonlint.com