Einen Denkmodell anleiten

Lektion am 2. November 2026 überarbeitet. Diese Lektion behandelte zuvor das Magistral-Systemprompt, das am 31. Juli 2026 eingestellt wurde. Die aktuelle Dokumentation zur Reasoning (Reasoning) erfordert keinen dedizierten Systemprompt mehr: reasoning_effort reicht aus. Die folgenden Abschnitte unterscheiden, was die Magistral-Dokumentation angab, was sich geändert hat und welche Anweisungsregeln weiterhin nützlich sind.

Was sich seit Magistral geändert hat

Magistral lieferte mit einem Standard-Systemprompt die besten Ergebnisse, den die Dokumentation reproduzierte (jetzt auf der Seite Native reasoning (deprecated) archiviert). Im Wesentlichen instruierte er das Modell, zunächst seine Überlegungen zu entwerfen, ähnlich einem inneren Monolog, gefolgt von einer eigenständigen Antwort; in Markdown zu schreiben, Gleichungen in LaTeX zu verwenden und in der Sprache der Anfrage zu antworten. Er enthielt sogar eine Vorlage für Überlegungen in Form eines thinking-Fragments im Systemnachricht. Ein Parameter, prompt_mode, ermöglichte es Ihnen, diesen Standardprompt zu erzwingen ("reasoning") oder ihn zu deaktivieren (None).

Bei aktuellen Modellen ist dies nicht mehr notwendig: Die Reasoning-Seite erwähnt weder einen dedizierten Systemprompt noch prompt_mode. Sie aktivieren Reasoning mit reasoning_effort, und Ihr Systemprompt kehrt zu einem Standard-Systemprompt zurück, der sich auf Rolle, Methode und erwartetes Format konzentriert. Wenn Sie von Magistral migrieren, entfernen Sie die Vorlage für Überlegungen aus Ihren Systemnachrichten und prompt_mode aus Ihren Aufrufen und vergleichen Sie dann die Ergebnisse (Lektion 8).

Trennung von Überlegungen und Antwort

Das Modell verfügt nun über zwei getrennte Bereiche: die Überlegungen, die der Benutzer oft nicht sieht, und die finale Antwort. Ein guter Prompt berücksichtigt dies. Er beschreibt die erwartete Methode, was ein Fachexperte überprüfen würde, und legt das Antwortformat fest: Die Antwort muss ohne die Überlegungen verständlich sein, da die Überlegungen im Allgemeinen ausgeblendet werden.

import os
from mistralai.client import Mistral

client = Mistral(api_key=os.environ["MISTRAL_API_KEY"])

system_prompt = """Sie sind ein erfahrener Experte für Python-Fehlerbehebung.

METHODE
- Lesen Sie den gesamten Code, bevor Sie eine Diagnose formulieren.
- Formulieren Sie mindestens zwei Hypothesen, bevor Sie zu einem Schluss kommen.
- Stellen Sie sicher, dass Ihre Korrektur kein neues Problem verursacht.

FINALE ANTWORT
1. Die präzise Diagnose
2. Die Ursache
3. Der korrigierte Code
4. Ein Test, der die Korrektur beweist"""

response = client.chat.complete(
    model="mistral-small-2603",
    messages=[
        {"role": "system", "content": system_prompt},
        {"role": "user", "content": "Mein Code stürzt mit einem RecursionError ab: def fibonacci(n): return fibonacci(n-1) + fibonacci(n-2)"},
    ],
    reasoning_effort="high",
)

Bei dieser fibonacci-Funktion, die keinen Basisfall aufweist, schließt die Anforderung nach zwei Hypothesen die reflexartige Diagnose „Recursion-Limit erhöhen” aus und führt zur tatsächlichen Ursache.

Anpassung nach Domäne

Dieses Grundgerüst aus Methode und Antwortformat lässt sich an die spezifische Domäne anpassen. In der Mathematik konzentriert sich die Methode auf Hypothesen und den Beweistyp:

math_prompt = """Sie sind ein strenger Mathematiker.

METHODE
- Formulieren Sie die Hypothesen vor jedem Beweis.
- Wählen Sie explizit zwischen Induktion, Widerspruchsbeweis oder direkter Berechnung.
- Überprüfen Sie das Ergebnis an einem konkreten Fall.

FINALE ANTWORT
Formaler Beweis: Hypothesen, begründete Schritte, Schlussfolgerung."""

In der strategischen Analyse konzentriert sie sich auf Stakeholder und Quantifizierung, und die erwartete Antwort wird zu einer Empfehlung, die von einem Plan begleitet wird:

strategy_prompt = """Sie sind ein Strategieberater.

METHODE
- Bewerten Sie jede Option basierend auf Machbarkeit, Wirkung und Risiko.
- Quantifizieren Sie, wann immer möglich, auch wenn es sich nur um eine Größenordnung handelt.
- Suchen Sie nach der stärksten Einwendung gegen Ihre eigene Empfehlung.

FINALE ANTWORT
Eine klare Empfehlung, die Vor- und Nachteile jeder Option, ein Aktionsplan mit datierten Schritten."""

Drei häufige Fehler

Der Prompt ist zu vage. „Sie sind ein hilfreicher Assistent” sagt nichts über die Methode aus: Das Modell denkt nach seinen Gewohnheiten, nicht nach Ihren. Beschreiben Sie, was ein Experte überprüfen würde.

Der Prompt ist widersprüchlich. „Seien Sie sehr prägnant. Beschreiben Sie jeden Schritt im Detail” stellt das Modell vor eine unmögliche Forderung. Lösen Sie den Widerspruch, indem Sie Rollen verteilen: Das Detail gehört in die Überlegungen, die Prägnanz in die finale Antwort.

good_prompt = """Seien Sie in Ihrer finalen Antwort prägnant: Nur Schlussfolgerungen und wesentliche Zahlen.
Erforschen Sie Details in Ihren Überlegungen, nicht in der Antwort."""

Anforderung an den Prozess in der Antwort. Die Bitte, „schrittweise zu denken”, in der sichtbaren Antwort zu machen, lässt das Modell zweimal schreiben, was es bereits in seinen Überlegungen getan hat: Die Antwort verlängert sich, und Sie zahlen doppelt für dieselben Schritte in Output-Tokens. Fordern Sie Schritte in der Antwort nur an, wenn der Benutzer sie lesen muss, beispielsweise bei einem pädagogischen Tutor.

Kernaussagen

• Der Standard-Systemprompt und prompt_mode waren spezifisch für Magistral: Sie sind nicht mehr notwendig.
• Aktivieren Sie Reasoning mit reasoning_effort und behalten Sie den Systemprompt in seiner klassischen Rolle.
• Beschreiben Sie die erwartete Methode und das Format einer Antwort, die ohne die Überlegungen lesbar ist.
• Verteilen Sie Rollen: Detail in den Überlegungen, Prägnanz in der Antwort.
• Lassen Sie das Modell den Prozess in der Antwort nicht neu schreiben, wenn niemand ihn lesen muss.