Leitfaden für Prompts

Einführung

Effektive Prompts machen aus ElevenLabs Agents lebensechte statt roboterhafte Gesprächspartner.

Ein System-Prompt ist der Bauplan für Persönlichkeit und Richtlinien Ihres KI-Agenten. Im Unternehmenseinsatz ist er meist umfangreich: Er definiert die Rolle und Ziele des Agenten, zulässige Tools, Schritt-für-Schritt-Anweisungen für bestimmte Aufgaben sowie Leitplanken dafür, was der Agent nicht tun darf. Die Struktur dieses Prompts wirkt sich direkt auf die Zuverlässigkeit aus.

Grundlagen des Prompt Engineering

Ein System-Prompt ist der Bauplan für Persönlichkeit und Richtlinien Ihres KI-Agenten. Im Unternehmenseinsatz ist er meist umfangreich: Er definiert die Rolle und Ziele des Agenten, zulässige Tools, Schritt-für-Schritt-Anweisungen für bestimmte Aufgaben sowie Leitplanken dafür, was der Agent nicht tun darf. Die Struktur dieses Prompts wirkt sich direkt auf die Zuverlässigkeit aus.

Die folgenden Grundsätze bilden die Basis für produktionsreifes Prompt Engineering:

Anweisungen klar in Abschnitte gliedern

Teilen Sie Anweisungen mit Markdown-Überschriften in eigene Abschnitte auf. Das hilft dem Modell, sie richtig zu priorisieren und zu interpretieren. Nutzen Sie Leerzeilen und Zeilenumbrüche, um Anweisungen zu trennen.

Warum das für die Zuverlässigkeit wichtig ist: Modelle sind darauf abgestimmt, bestimmten Überschriften besonders viel Aufmerksamkeit zu schenken (insbesondere # Guardrails). Klare Abschnittsgrenzen verhindern, dass Regeln aus einem Kontext einen anderen beeinflussen.

You are a customer service agent. Be polite and helpful. Never share sensitive data. You can look up orders and process refunds. Always verify identity first. Keep responses under 3 sentences unless the user asks for details.

So prägnant wie möglich formulieren

Halten Sie jede Anweisung kurz, klar und handlungsorientiert. Entfernen Sie Füllwörter und wiederholen Sie nur das, was für korrektes Handeln des Modells wesentlich ist.

Warum das für die Zuverlässigkeit wichtig ist: Prägnante Anweisungen verringern Mehrdeutigkeiten und den Tokenverbrauch. Jedes unnötige Wort kann missverstanden werden.

# Tone
When you're talking to customers, you should try to be really friendly and approachable, making sure that you're speaking in a way that feels natural and conversational, kind of like how you'd talk to a friend, but still maintaining a professional demeanor that represents the company well.

Kritische Anweisungen hervorheben

Heben Sie kritische Schritte hervor, indem Sie am Zeilenende „Dieser Schritt ist wichtig“ ergänzen. Es kann helfen, die wichtigsten ein bis zwei Anweisungen zweimal im Prompt zu wiederholen.

Warum das für die Zuverlässigkeit wichtig ist: Bei komplexen Prompts können Modelle aktuellen Kontext gegenüber früheren Anweisungen priorisieren. Hervorhebung und Wiederholung stellen sicher, dass kritische Regeln nicht übersehen werden.

# Goal
Verify customer identity before accessing their account.
Look up order details and provide status updates.
Process refund requests when eligible.

Textnormalisierung

Text-to-Speech-Modelle, insbesondere schnellere Modelle, erzeugen Sprache am besten aus alphabetischem Text. Ziffern und Symbole wie „@“ oder „£“ führen daher eher zu falscher Aussprache oder Halluzinationen der Stimme.

Um dies zu vermeiden, normalisieren wir nicht alphabetischen Text in Wörter, bevor er das TTS-Modell erreicht (z. B. 123 -> one-hundred and twenty three, john@gmail.com -> john at gmail dot com). Sie können zwischen verschiedenen Normalisierungsstrategien mit unterschiedlichen Kompromissen wählen.

Normalisierungsstrategien

Wir unterstützen zwei Normalisierungsstrategien über die Agentenkonfiguration text_normalisation_type:

system_prompt (Standard) — Fügt dem System-Prompt Anweisungen hinzu, die das LLM auffordern, Zahlen und Symbole als Wörter auszuschreiben, bevor der Text das TTS-Modell erreicht.

• Keine zusätzliche Latenz
• LLMs normalisieren gelegentlich möglicherweise nicht korrekt
• Transkripte enthalten alles ausgeschrieben (z. B. „one thousand dollars“ statt „$1,000“)

elevenlabs — Verwendet unseren TTS-Normalisierer, um Text nach der LLM-Generierung und vor dem Erreichen des TTS-Modells zu normalisieren.

• Zuverlässiger als LLM-basierte Normalisierung
• Der System-Prompt wird nicht verändert
• Transkripte behalten die natürliche Formatierung mit Symbolen und Zahlen bei (z. B. „$1,000“)
• Fügt eine geringe Latenz hinzu

Sie finden diese Konfiguration auf unserer Plattform im Tab „Agent“. Klicken Sie im Abschnitt „Voices“ auf das Zahnradsymbol, um die Einstellungen für allgemeine Stimmen zu öffnen, und konfigurieren Sie sie unten.

Strukturierte Daten für Tool-Eingaben

Bei der Normalisierungseinstellung system_prompt schreibt das LLM Symbole und Zahlen in seinen Antworten als Wörter aus (z. B. john at gmail dot com statt john@gmail.com). Nutzertranskriptionen aus Speech to Text können ebenfalls in einem nicht standardisierten Format eintreffen. Wenn Sie diese Angaben als Parameter in Tool-Aufrufen verwenden, kann das LLM daher die unstrukturierte Version aus dem Gesprächskontext nutzen.

Wenn ein Tool-Parameter einen korrekt formatierten Wert erwartet (z. B. john@gmail.com und nicht john at gmail dot com), muss das LLM dies wissen. Geben Sie das erwartete Format mit einem Beispiel direkt in der Beschreibung des Tool-Parameters an.

## `lookupAccount` tool parameters
- `email` (required): "The user's email."
- `phone` (required): "The user's phone number."
- `confirmation_code` (required): "The user's confirmation code."

Eigenen Abschnitt für Leitplanken vorsehen

Führen Sie alle nicht verhandelbaren Regeln, die das Modell stets befolgen muss, in einem eigenen Abschnitt # Guardrails auf. Modelle sind darauf abgestimmt, dieser Überschrift besonders viel Aufmerksamkeit zu schenken.

Warum das für die Zuverlässigkeit wichtig ist: Leitplanken verhindern unangemessene Antworten und stellen die Einhaltung von Richtlinien sicher. Ein zentraler Abschnitt erleichtert die Prüfung und Aktualisierung.

# Guardrails
Never share customer data across conversations or reveal sensitive account information without proper verification.
Never process refunds over $500 without supervisor approval.
Never make promises about delivery dates that aren't confirmed in the order system.
Acknowledge when you don't know an answer instead of guessing.
If a customer becomes abusive, politely end the conversation and offer to escalate to a supervisor.

Weitere Informationen zum Entwickeln wirksamer Leitplanken finden Sie in unserem Leitfaden zu Leitplanken.

Tool-Konfiguration für Zuverlässigkeit

Agenten, die transaktionale Workflows verarbeiten können, sind besonders effektiv. Dafür müssen sie mit Tools ausgestattet sein, die Aktionen in anderen Systemen ausführen oder aktuelle Daten daraus abrufen können.

Neben der Prompt-Struktur ist auch entscheidend, wie Sie die für Ihren Agenten verfügbaren Tools beschreiben. Klare, handlungsorientierte Tool-Definitionen helfen dem Modell, sie korrekt aufzurufen und Fehler souverän zu behandeln.

Tools mit detaillierten Parametern präzise beschreiben

Fügen Sie beim Erstellen eines Tools Beschreibungen für alle Parameter hinzu. Das hilft dem LLM, Tool-Aufrufe präzise zu erstellen.

Tool-Beschreibung: „Ruft den Bestellstatus eines Kunden anhand der Bestell-ID ab und gibt den aktuellen Status, das voraussichtliche Lieferdatum und die Sendungsnummer zurück.“

Parameterbeschreibungen:

• order_id (erforderlich): „Die eindeutige Bestellkennung, als geschriebene Zeichen formatiert (z. B. ‚ORD123456‘)“
• include_history (optional): „Wenn true, wird der vollständige Bestellverlauf einschließlich Statusänderungen zurückgegeben“

Warum das für die Zuverlässigkeit wichtig ist: Parameterbeschreibungen dienen dem Modell als Inline-Dokumentation. Sie verdeutlichen Formatanforderungen, erforderliche gegenüber optionalen Feldern und zulässige Werte.

Im System-Prompt erklären, wann und wie jedes Tool verwendet wird

Definieren Sie in Ihrem System-Prompt klar, wann und wie jedes Tool verwendet werden soll. Verlassen Sie sich nicht ausschließlich auf Tool-Beschreibungen – geben Sie Nutzungskontext und Logik für die Reihenfolge an.

# Tools
You have access to the following tools:
## `getOrderStatus`
Use this tool when a customer asks about their order. Always call this tool before providing order information—never rely on memory or assumptions.
**When to use:**
- Customer asks "Where is my order?"
- Customer provides an order number
- Customer asks about delivery estimates
**How to use:**
1. Collect the order ID from the customer
2. Call `getOrderStatus` with the order ID
3. Present the results to the customer in natural language
**Error handling:**
If the tool returns "Order not found", ask the customer to verify the order number and try again.
## `processRefund`
Use this tool only after verifying:
1. Customer identity has been confirmed
2. Order is eligible for refund (within 30 days, not already refunded)
3. Refund amount is under $500 (escalate to supervisor if over $500)
**Required before calling:**
- Order ID (from `getOrderStatus`)
- Refund reason code
- Customer confirmation
This step is important: Always confirm refund details with the customer before calling this tool.

Erwartete Formate in Tool-Parameterbeschreibungen angeben

Wenn Tools strukturierte Kennungen benötigen (E-Mail-Adressen, Telefonnummern, Codes), geben Sie das erwartete Format mit einem Beispiel ausdrücklich in der Parameterbeschreibung an. Das ist besonders wichtig, da Normalisierung und Speech-to-Text-Transkription Werte in gesprochener Form im Gesprächskontext erzeugen können. Hintergrundinformationen finden Sie unter strukturierte Daten für Tool-Eingaben.

## `lookupAccount` tool parameters
- `email` (required): "The customer's email address."

Fehler bei Tool-Aufrufen souverän behandeln

Tools können aufgrund von Netzwerkproblemen, fehlenden Daten oder anderen Fehlern gelegentlich ausfallen. Nehmen Sie klare Anweisungen zur Wiederherstellung in Ihren System-Prompt auf.

Warum das für die Zuverlässigkeit wichtig ist: Tool-Fehler sind im Produktivbetrieb unvermeidlich. Ohne explizite Anweisungen zur Fehlerbehandlung können Agenten Antworten halluzinieren oder falsche Informationen bereitstellen.

# Tool error handling
If any tool call fails or returns an error:
1. Acknowledge the issue to the customer: "I'm having trouble accessing that information right now."
2. Do not guess or make up information
3. Offer alternatives:
   - Try the tool again if it might be a temporary issue
   - Offer to escalate to a human agent
   - Provide a callback option
4. If the error persists after 2 attempts, escalate to a supervisor
**Example responses:**
- "I'm having trouble looking up that order right now. Let me try again... [retry]"
- "I'm unable to access the order system at the moment. I can transfer you to a specialist who can help, or we can schedule a callback. Which would you prefer?"

Detaillierte Hinweise zum Aufbau zuverlässiger Tool-Integrationen finden Sie in unserer Dokumentation zu Client-Tools, Webhook-Tools und MCP-Tools.

Architekturmuster für Unternehmensagenten

Starke Prompts und Tools bilden die Grundlage für zuverlässige Agenten. Produktionssysteme benötigen jedoch auch eine durchdachte Architektur. Unternehmensagenten verarbeiten komplexe Workflows, die oft den Umfang eines einzelnen, monolithischen Prompts überschreiten.

Agenten spezialisiert halten

Zu umfassende Anweisungen oder große Kontextfenster erhöhen die Latenz und verringern die Genauigkeit. Jeder Agent sollte über eine eng abgegrenzte, klar definierte Wissensbasis und Verantwortlichkeiten verfügen.

Warum das für die Zuverlässigkeit wichtig ist: Spezialisierte Agenten müssen weniger Sonderfälle behandeln, haben klarere Erfolgskriterien und antworten schneller. Sie lassen sich einfacher testen, debuggen und verbessern.

Orchestrator- und Spezialistenmuster verwenden

Entwerfen Sie für komplexe Aufgaben Multi-Agent-Workflows, die Aufgaben zwischen spezialisierten Agenten übergeben – und bei Bedarf an menschliche Mitarbeitende.

Architekturmuster:

1. Orchestrator-Agent: Leitet eingehende Anfragen anhand der Intent-Klassifizierung an passende Spezialisten weiter
2. Spezialisierte Agenten: Bearbeiten domänenspezifische Aufgaben (Abrechnung, Terminplanung, technischer Support usw.)
3. Eskalation an Mitarbeitende: Definierte Übergabekriterien für komplexe oder sensible Fälle

Vorteile dieses Musters:

• Jeder Spezialist hat einen fokussierten Prompt und weniger Kontext
• Einzelne Spezialisten lassen sich einfacher aktualisieren, ohne das System zu beeinflussen
• Klare Metriken pro Domäne (Lösungsrate bei Abrechnungen, Erfolgsrate bei Terminplanungen usw.)
• Geringere Latenz pro Interaktion (kleinere Prompts, schnellere Inferenz)

Klare Übergabekriterien definieren

Legen Sie beim Entwurf von Multi-Agent-Workflows genau fest, wann und wie die Kontrolle zwischen Agenten oder an menschliche Mitarbeitende übergehen soll.

# Goal
Route customer requests to the appropriate specialist agent based on intent.
## Routing logic
**Billing specialist:** Customer mentions payment, invoice, refund, charge, subscription, or account balance
**Technical support specialist:** Customer reports error, bug, issue, not working, broken
**Scheduling specialist:** Customer wants to book, reschedule, cancel, or check appointment
**Human escalation:** Customer is angry, requests supervisor, or issue is unresolved after 2 specialist attempts
## Handoff process
1. Classify customer intent based on first message
2. Provide brief acknowledgment: "I'll connect you with our [billing/technical/scheduling] team."
3. Transfer conversation with context summary:
   - Customer name
   - Primary issue
   - Any account identifiers already collected
4. Do not repeat information collection that already occurred

# Personality
You are a billing specialist for Acme Corp. You handle payment issues, refunds, and subscription changes.
# Goal
Resolve billing inquiries by:
1. Verifying customer identity
2. Looking up account and billing history
3. Processing refunds (under $500) or escalating (over $500)
4. Updating subscription settings when requested
# Guardrails
Never access account information without identity verification.
Never process refunds over $500 without supervisor approval.
If the customer's issue is not billing-related, transfer back to the orchestrator agent.

Detaillierte Hinweise zum Aufbau von Multi-Agent-Workflows finden Sie in unserer Dokumentation zu Workflows.

Modellauswahl für zuverlässige Unternehmensanwendungen

Die Wahl des richtigen Modells hängt von Ihren Leistungsanforderungen ab – insbesondere von Latenz, Genauigkeit und Zuverlässigkeit bei Tool-Aufrufen. Verschiedene Modelle bieten unterschiedliche Kompromisse zwischen Geschwindigkeit, Schlussfolgerungsfähigkeit und Kosten.

Die Kompromisse verstehen

Latenz: Kleinere Modelle (mit weniger Parametern) reagieren in der Regel schneller und eignen sich daher für häufige Interaktionen mit geringer Komplexität.

Genauigkeit: Größere Modelle bieten stärkere Schlussfolgerungsfähigkeiten und bewältigen komplexe Aufgaben mit mehreren Schritten besser, jedoch bei höherer Latenz und höheren Kosten.

Zuverlässigkeit bei Tool-Aufrufen: Nicht alle Modelle verarbeiten Tool-/Funktionsaufrufe mit derselben Präzision. Einige sind besonders gut bei strukturierten Ausgaben, während andere explizitere Prompts erfordern können.

Modellempfehlungen nach Anwendungsfall

Aus Bereitstellungen mit Millionen von Agenteninteraktionen ergeben sich folgende Muster:

• GPT-4o oder GLM 4.5 Air (empfohlener Ausgangspunkt): Am besten für allgemeine Unternehmensagenten, bei denen Latenz, Genauigkeit und Kosten ausbalanciert werden müssen. Bietet geringe bis moderate Latenz, starke Leistung bei Tool-Aufrufen und angemessene Kosten pro Interaktion. Ideal für Kundensupport, Terminplanung, Auftragsverwaltung und allgemeine Anfragen.

• Gemini 2.5 Flash Lite (extrem niedrige Latenz): Am besten für häufige, einfache Interaktionen, bei denen Geschwindigkeit entscheidend ist. Bietet die niedrigste Latenz mit breitem Allgemeinwissen, jedoch geringere Leistung bei komplexen Tool-Aufrufen. Kosteneffizient im großen Maßstab für anfängliches Routing/Triage, einfache FAQs, Terminbestätigungen und grundlegende Datenerfassung.

• Claude Sonnet 4 oder 4.5 (komplexes Schlussfolgern): Am besten für Problemlösung mit mehreren Schritten, differenzierte Beurteilungen und komplexe Tool-Orchestrierung. Bietet höchste Genauigkeit und Schlussfolgerungsfähigkeit mit ausgezeichneter Zuverlässigkeit bei Tool-Aufrufen, jedoch bei höherer Latenz und höheren Kosten. Ideal für Aufgaben, bei denen Fehler teuer sind, etwa technische Fehlerbehebung, Finanzberatung, compliance-sensible Workflows sowie komplexe Erstattungs- und Eskalationsentscheidungen.

Mit Ihren tatsächlichen Prompts testen

Die Modellleistung variiert erheblich je nach Prompt-Struktur und Aufgabenkomplexität. Bevor Sie sich für ein Modell entscheiden:

1. Testen Sie 2–3 Kandidatenmodelle mit Ihrem tatsächlichen System-Prompt
2. Bewerten Sie sie anhand realer Nutzeranfragen oder synthetischer Testfälle
3. Messen Sie Latenz, Genauigkeit und Erfolgsrate bei Tool-Aufrufen
4. Optimieren Sie auf den besten Kompromiss für Ihre spezifischen Anforderungen

Detaillierte Optionen zur Modellkonfiguration finden Sie in unserer Modelldokumentation.

Iteration und Tests

Zuverlässigkeit in der Produktion entsteht durch kontinuierliche Iteration. Selbst gut konstruierte Prompts können im realen Einsatz scheitern. Entscheidend ist, aus diesen Fehlern zu lernen und sich durch systematische Tests zu verbessern.

Bewertungskriterien konfigurieren

Hinterlegen Sie für jeden Agenten konkrete Bewertungskriterien, um den Erfolg im Zeitverlauf zu überwachen und Regressionen zu erkennen.

Wichtige zu verfolgende Kennzahlen:

• Aufgabenabschlussrate: Prozentsatz der Nutzerintentionen, die erfolgreich bearbeitet wurden
• Eskalationsrate: Prozentsatz der Gespräche, die menschliches Eingreifen erfordern

Eine detaillierte Anleitung zur Konfiguration von Bewertungskriterien in ElevenLabs finden Sie unter Erfolgsbewertung.

Fehlermuster analysieren

Wenn Agenten zu schwache Ergebnisse liefern, identifizieren Sie Muster in problematischen Interaktionen:

• Wo gibt der Agent falsche Informationen aus? → Verstärken Sie Anweisungen in bestimmten Abschnitten
• Wann versteht er die Nutzerintention nicht? → Fügen Sie Beispiele hinzu oder vereinfachen Sie die Sprache
• Welche Nutzereingaben führen dazu, dass er aus seiner Rolle fällt? → Fügen Sie Guardrails für Sonderfälle hinzu
• Welche Tools schlagen am häufigsten fehl? → Verbessern Sie die Fehlerbehandlung oder Parameterbeschreibungen

Prüfen Sie Gesprächstranskripte, bei denen die Nutzerzufriedenheit niedrig war oder Aufgaben nicht abgeschlossen wurden.

Gezielte Verbesserungen vornehmen

Aktualisieren Sie bestimmte Abschnitte Ihres Prompts, um erkannte Probleme zu beheben:

1. Problem isolieren: Ermitteln Sie, welcher Prompt-Abschnitt oder welche Tool-Definition Fehler verursacht
2. Änderungen an konkreten Beispielen testen: Verwenden Sie zuvor fehlgeschlagene Gespräche als Testfälle
3. Jeweils nur eine Änderung vornehmen: Isolieren Sie Verbesserungen, um zu verstehen, was funktioniert
4. Mit denselben Testfällen erneut bewerten: Prüfen Sie, ob die Änderung das Problem behoben hat, ohne neue Probleme zu verursachen

Datenerfassung konfigurieren

Konfigurieren Sie Ihren Agenten so, dass er Daten aus jedem Gespräch zusammenfasst. So können Sie Interaktionsmuster analysieren, häufige Nutzeranfragen erkennen und Ihren Prompt anhand der realen Nutzung kontinuierlich verbessern.

Eine detaillierte Anleitung zur Konfiguration der Datenerfassung in ElevenLabs finden Sie unter Datenerfassung.

Simulationen für Regressionstests nutzen

Testen Sie Prompt-Änderungen vor der Bereitstellung in der Produktion anhand einer Reihe bekannter Szenarien, um Regressionen zu erkennen.

Eine Anleitung zum programmatischen Testen von Agenten finden Sie unter Gespräche simulieren.

Aspekte für die Produktion

Unternehmensagenten benötigen zusätzliche Schutzmaßnahmen, die über die Prompt-Qualität hinausgehen. Bei Produktionsbereitstellungen müssen Fehlerbehandlung, Compliance und ein kontrollierter Funktionsabbau berücksichtigt werden.

Fehler in allen Tool-Integrationen behandeln

Jeder externe Tool-Aufruf ist ein potenzieller Fehlerpunkt. Stellen Sie sicher, dass Ihr Prompt eine explizite Fehlerbehandlung enthält für:

• Netzwerkfehler: “Ich habe Probleme, eine Verbindung zu unserem System herzustellen. Ich versuche es erneut.”
• Fehlende Daten: “Ich sehe diese Informationen nicht in unserem System. Können Sie die Angaben überprüfen?”
• Timeout-Fehler: “Das dauert länger als erwartet. Ich kann an einen Spezialisten eskalieren oder es erneut versuchen.”
• Berechtigungsfehler: “Ich habe keinen Zugriff auf diese Informationen. Ich verbinde Sie mit jemandem, der Ihnen helfen kann.”

Beispiel-Prompts

Die folgenden Beispiele zeigen, wie Sie die in diesem Leitfaden beschriebenen Prinzipien auf reale Unternehmensanwendungsfälle anwenden. Jedes Beispiel enthält Anmerkungen, die die verwendeten Zuverlässigkeitsprinzipien hervorheben.

Beispiel 1: Agent für technischen Support

# Personality
You are a technical support specialist for CloudTech, a B2B SaaS platform.
You are patient, methodical, and focused on resolving issues efficiently.
You speak clearly and adapt technical language based on the user's familiarity.
# Environment
You are assisting customers via phone support.
Customers may be experiencing service disruptions and could be frustrated.
You have access to diagnostic tools and the customer account database.
# Tone
Keep responses clear and concise (2-3 sentences unless troubleshooting requires more detail).
Use a calm, professional tone with brief affirmations ("I understand," "Let me check that").
Adapt technical depth based on customer responses.
Check for understanding after complex steps: "Does that make sense?"
# Goal
Resolve technical issues through structured troubleshooting:
1. Verify customer identity using email and account ID
2. Identify affected service and severity level
3. Run diagnostics using `runSystemDiagnostic` tool
4. Provide step-by-step resolution or escalate if unresolved after 2 attempts
This step is important: Always run diagnostics before suggesting solutions.
# Guardrails
Never access customer accounts without identity verification. This step is important.
Never guess at solutions—always base recommendations on diagnostic results.
If an issue persists after 2 troubleshooting attempts, escalate to engineering team.
Acknowledge when you don't know the answer instead of speculating.
# Tools
## `verifyCustomerIdentity`
**When to use:** At the start of every conversation before accessing account data
**Parameters:**
- `email` (required): Customer email in standard written format (e.g., "user@company.com"). Convert from spoken format: "at" → "@", "dot" → ".", remove spaces between words.
- `account_id` (optional): Account ID if customer provides it
**Error handling:**
If verification fails, ask customer to confirm email spelling and try again.
## `runSystemDiagnostic`
**When to use:** After verifying identity and understanding the reported issue
**Parameters:**
- `account_id` (required): From `verifyCustomerIdentity` response
- `service_name` (required): Name of affected service (e.g., "api", "dashboard", "storage")
**Usage:**
1. Confirm which service is affected
2. Run diagnostic with account ID and service name
3. Review results before providing solution
**Error handling:**
If diagnostic fails, acknowledge the issue: "I'm having trouble running that diagnostic. Let me escalate to our engineering team."
# Error handling
If any tool call fails:
1. Acknowledge: "I'm having trouble accessing that information right now."
2. Do not guess or make up information
3. Offer to retry once, then escalate if failure persists

Gezeigte Prinzipien:

• ✓ Klare Trennung der Abschnitte (# Personality, # Goal, # Tools usw.)
• ✓ Eine Aktion pro Zeile (siehe nummerierte Schritte unter # Goal)
• ✓ Prägnante Anweisungen (der Tonabschnitt ist kurz und klar)
• ✓ Hervorgehobene kritische Schritte (“This step is important”)
• ✓ Formatkonvertierung in Parameterbeschreibungen (E-Mail-Normalisierung)
• ✓ Eigener Guardrails-Abschnitt
• ✓ Präzise Tool-Beschreibungen mit Hinweisen zu Wann/Wie/Fehlern
• ✓ Explizite Anweisungen zur Fehlerbehandlung

Beispiel 2: Kundendienstagent für Rückerstattungen

# Personality
You are a refund specialist for RetailCo.
You are empathetic, solution-oriented, and efficient.
You balance customer satisfaction with company policy compliance.
# Goal
Process refund requests through this workflow:
1. Verify customer identity using order number and email
2. Look up order details with `getOrderDetails` tool
3. Confirm refund eligibility (within 30 days, not digital download, not already refunded)
4. For refunds under $100: Process immediately with `processRefund` tool
5. For refunds $100-$500: Apply secondary verification, then process
6. For refunds over $500: Escalate to supervisor with case summary
This step is important: Never process refunds without verifying eligibility first.
# Guardrails
Never process refunds outside the 30-day return window without supervisor approval.
Never process refunds over $500 without supervisor approval. This step is important.
Never access order information without verifying customer identity.
If a customer becomes aggressive, remain calm and offer supervisor escalation.
# Tools
## `verifyIdentity`
**When to use:** At the start of every conversation
**Parameters:**
- `order_id` (required): Order ID in uppercase alphanumeric format (e.g., "ORD123456"). Convert from spoken format: spell out letters and spoken digits to written form, no spaces.
- `email` (required): Customer email in standard written format (e.g., "john.smith@retailco.com"). Convert from spoken format: "at" → "@", "dot" → ".", remove spaces between words.
## `getOrderDetails`
**When to use:** After identity verification
**Returns:** Order date, items, total amount, refund eligibility status
**Error handling:**
If order not found, ask customer to verify order number and try again.
## `processRefund`
**When to use:** Only after confirming eligibility
**Required checks before calling:**
- Identity verified
- Order is within 30 days
- Order is eligible (not digital, not already refunded)
- Refund amount is under $500
**Parameters:**
- `order_id` (required): From previous verification
- `reason_code` (required): One of "defective", "wrong_item", "late_delivery", "changed_mind"
**Usage:**
1. Confirm refund details with customer: "I'll process a $[amount] refund to your original payment method. It will appear in 3-5 business days. Does that work for you?"
2. Wait for customer confirmation
3. Call this tool
**Error handling:**
If refund processing fails, apologize and escalate: "I'm unable to process that refund right now. Let me escalate to a supervisor who can help."

Gezeigte Prinzipien:

• ✓ Spezialisierter Agentenbereich (nur Rückerstattungen, kein allgemeiner Support)
• ✓ Klare Workflow-Schritte im Abschnitt # Goal
• ✓ Wiederholte Hervorhebung kritischer Regeln (Rückerstattungsgrenzen, Verifizierung)
• ✓ Detaillierte Tool-Nutzung mit “when to use” und “required checks”
• ✓ Formatkonvertierung in Parameterbeschreibungen (Bestell-IDs, E-Mails)
• ✓ Explizite Fehlerbehandlung pro Tool
• ✓ Eskalationskriterien klar definiert

Best Practices für die Formatierung

Die Formatierung Ihres Prompts beeinflusst, wie effektiv das Sprachmodell ihn interpretiert:

• Markdown-Überschriften verwenden: Strukturieren Sie Abschnitte mit # für Hauptabschnitte und ## für Unterabschnitte
• Listen mit Aufzählungspunkten bevorzugen: Gliedern Sie Anweisungen in leicht verständliche Aufzählungspunkte
• Leerraum nutzen: Trennen Sie Abschnitte und Anweisungsgruppen durch Leerzeilen
• Überschriften in Satzschreibung halten: # Goal statt # GOAL
• Konsistent bleiben: Verwenden Sie im gesamten Prompt dasselbe Formatierungsmuster

Häufig gestellte Fragen

Nächste Schritte

Dieser Leitfaden schafft die Grundlage für zuverlässiges Agentenverhalten durch Prompt Engineering, Tool-Konfiguration und Architekturmustern. Für produktionsreife Systeme fahren Sie fort mit:

• Workflows: Entwerfen Sie Multi-Agenten-Orchestrierung und Übergaben an Spezialisten
• Erfolgsbewertung: Konfigurieren Sie Kennzahlen und Bewertungskriterien
• Datenerfassung: Erfassen Sie strukturierte Erkenntnisse aus Gesprächen
• Tests: Implementieren Sie Regressionstests und Simulationen
• Guardrails: Konfigurieren Sie Inhaltsmoderation für sichere Agentenantworten
• Datenschutz: Stellen Sie Compliance und Datenschutz sicher
• Unser Docs-Agent: Sehen Sie eine vollständige Fallstudie dieser Prinzipien in der Praxis

Für Unterstützung bei der Unternehmensbereitstellung kontaktieren Sie unser Team.