Leitfaden für Prompts

Einführung

Effektive Prompts machen aus ElevenLabs Agents lebensechte statt robotische Agenten.

Ein System-Prompt ist der Bauplan für Persönlichkeit und Richtlinien Ihres KI-Agenten. Im Unternehmenseinsatz ist er meist detailliert: 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 Engineerings

Ein System-Prompt ist der Bauplan für Persönlichkeit und Richtlinien Ihres KI-Agenten. Im Unternehmenseinsatz ist er meist detailliert: 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 Prinzipien bilden die Grundlage für produktionsreifes Prompt Engineering:

Anweisungen in klare Abschnitte gliedern

Gliedern Sie Anweisungen in eigene Abschnitte mit Markdown-Überschriften. 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 besondere 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 nennen Sie nur, was für das korrekte Handeln des Modells wesentlich ist.

Warum das für die Zuverlässigkeit wichtig ist: Prägnante Anweisungen verringern Mehrdeutigkeit und Token-Verbrauch. Jedes unnötige Wort kann falsch interpretiert 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 Ende der Zeile „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 priorisieren Modelle möglicherweise aktuellen Kontext gegenüber früheren Anweisungen. 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, besonders schnellere Modelle, erzeugen Sprache am zuverlässigsten aus alphabetischem Text. Ziffern und Symbole wie „@“ oder „£“ führen daher eher zu falscher Aussprache oder Stimmhalluzinationen.

Um das zu vermeiden, normalisieren wir nicht alphabetische Zeichen in Wörter, bevor sie das TTS-Modell erreichen, etwa 123 -> einhundertdreiundzwanzig und john@gmail.com -> john at gmail dot com. Sie können zwischen verschiedenen Normalisierungsstrategien mit unterschiedlichen Kompromissen wählen.

Normalisierungsstrategien

Wir unterstützen über die Agentenkonfiguration text_normalisation_type zwei Normalisierungsstrategien:

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 nicht korrekt
• Transkripte enthalten alles ausgeschrieben als Wörter, beispielsweise „eintausend Dollar“ statt „$1,000“

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

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

Sie finden diese Konfiguration auf unserer Plattform im Tab „Agent“. Klicken Sie im Bereich „Voices“ auf das Zahnradsymbol, um die Einstellungen für gemeinsame 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, etwa 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, nutzt das LLM möglicherweise die unstrukturierte Version aus dem Gesprächskontext.

Wenn ein Tool-Parameter einen korrekt formatierten Wert erwartet, beispielsweise john@gmail.com statt 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."

Einen eigenen Abschnitt für Leitplanken vorsehen

Führen Sie alle nicht verhandelbaren Regeln, denen das Modell immer folgen muss, in einem eigenen Abschnitt # Guardrails auf. Modelle sind darauf abgestimmt, dieser Überschrift besondere Aufmerksamkeit zu schenken.

Warum das für die Zuverlässigkeit wichtig ist: Leitplanken verhindern unangemessene Antworten und gewährleisten die Einhaltung von Richtlinien. Ein eigener zentraler Abschnitt erleichtert 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 zur Entwicklung effektiver Leitplanken finden Sie in unserem Leitfaden zu Leitplanken.

Tool-Konfiguration für Zuverlässigkeit

Agenten, die transaktionale Workflows ausführen können, sind äußerst effektiv. Dafür benötigen sie Tools, mit denen sie Aktionen in anderen Systemen ausführen oder aktuelle Daten daraus abrufen können.

Neben der Prompt-Struktur ist auch entscheidend, wie Sie die Tools Ihres Agenten beschreiben. Klare, handlungsorientierte Tool-Definitionen helfen dem Modell, sie korrekt aufzurufen und sich bei Fehlern souverän zu erholen.

Tools präzise mit detaillierten Parametern beschreiben

Fügen Sie beim Erstellen eines Tools Beschreibungen für alle Parameter hinzu. So kann das LLM Tool-Aufrufe präzise 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 im geschriebenen Format, 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 Formaterwartungen, erforderliche und optionale Felder sowie zulässige Werte.

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

Definieren Sie im System-Prompt klar, wann und wie jedes Tool verwendet werden soll. Verlassen Sie sich nicht allein 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 Beschreibungen von Tool-Parametern angeben

Wenn Tools strukturierte Kennungen wie E-Mail-Adressen, Telefonnummern oder Codes benötigen, geben Sie das erwartete Format mit einem Beispiel ausdrücklich in der Parameterbeschreibung an. Das ist besonders wichtig, weil 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 scheitern. Nehmen Sie klare Anweisungen für die Wiederherstellung in Ihren System-Prompt auf.

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

# 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 Erstellen 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 erfordern jedoch auch ein durchdachtes Architekturdesign. Unternehmensagenten bearbeiten komplexe Workflows, die oft den Umfang eines einzelnen monolithischen Prompts übersteigen.

Agenten spezialisiert halten

Zu breite Anweisungen oder große Kontextfenster erhöhen die Latenz und verringern die Genauigkeit. Jeder Agent sollte eine eng abgegrenzte, klar definierte Wissensbasis und einen klaren Verantwortungsbereich haben.

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 und bei Bedarf auch an menschliche Mitarbeitende übergeben.

Architekturmuster:

1. Orchestrator-Agent: Leitet eingehende Anfragen anhand der Intent-Klassifizierung an passende spezialisierte Agenten weiter
2. Spezialisierte Agenten: Bearbeiten domänenspezifische Aufgaben wie Abrechnung, Terminplanung oder technischen Support
3. Eskalation an Menschen: 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 beeinträchtigen
• Klare Metriken pro Bereich, etwa Lösungsrate bei Abrechnungen oder Erfolgsrate bei der Terminplanung
• Geringere Latenz pro Interaktion durch kleinere Prompts und schnellere Inferenz

Klare Übergabekriterien definieren

Wenn Sie Multi-Agent-Workflows entwerfen, legen Sie genau fest, wann und wie die Steuerung 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 Erstellen von Multi-Agent-Workflows finden Sie in unserer Dokumentation zu Workflows.

Modellauswahl für Zuverlässigkeit im Unternehmen

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, Denkfähigkeit und Kosten.

Die Kompromisse verstehen

Latenz: Kleinere Modelle mit weniger Parametern antworten in der Regel schneller. Damit eignen sie sich für häufige Interaktionen mit geringer Komplexität.

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

Zuverlässigkeit bei Tool-Aufrufen: Nicht alle Modelle verarbeiten Tool- oder Funktionsaufrufe gleich präzise. Einige sind besonders gut bei strukturierten Ausgaben, andere benötigen explizitere Prompts.

Modelsempfehlungen nach Anwendungsfall

Aus Bereitstellungen mit Millionen von Agenteninteraktionen ergeben sich folgende Muster:

• GLM 5.2 oder GPT-6 Luna (empfohlener Ausgangspunkt): Am besten für allgemeine Unternehmensagenten, bei denen Latenz, Genauigkeit und Kosten ausgewogen sein müssen. Bietet geringe bis moderate Latenz, starke Leistung bei Tool-Aufrufen und angemessene Kosten pro Interaktion. Ideal für Kundensupport, Terminplanung, Bestellverwaltung und die Bearbeitung allgemeiner Anfragen.

• DeepSeek Flash 4.1 oder Gemini 3.5 Flash-Lite (extrem geringe Latenz): Am besten für häufige, einfache Interaktionen, bei denen Geschwindigkeit entscheidend ist. Bietet die geringste Latenz bei breitem Allgemeinwissen, jedoch geringere Leistung bei komplexen Tool-Aufrufen. Kosteneffizient im großen Maßstab für anfängliches Routing und Triage, einfache FAQs, Terminbestätigungen und grundlegende Datenerfassung.

• Claude Sonnet 5.5 (komplexes Denken): Am besten für mehrstufige Problemlösung, differenzierte Beurteilungen und komplexe Tool-Orchestrierung. Bietet höchste Genauigkeit und Denkfähigkeit bei ausgezeichneter Zuverlässigkeit von Tool-Aufrufen, jedoch mit höherer Latenz und höheren Kosten. Ideal für Aufgaben, bei denen Fehler teuer sind, etwa technische Fehlerbehebung, Finanzberatung, compliance-sensitive Workflows sowie komplexe Entscheidungen zu Rückerstattungen oder Eskalationen.

Die Modellangebote der Anbieter ändern sich häufig. Prüfen Sie aktuelle Optionen und Preise auf der Seite Models, bevor Sie sich für ein Produktionsmodell entscheiden.

Mit Ihren tatsächlichen Prompts vergleichen

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

1. Testen Sie zwei bis drei Kandidatenmodelle mit Ihrem tatsächlichen System-Prompt.
2. Bewerten Sie sie mit echten Nutzeranfragen oder synthetischen Testfällen.
3. Messen Sie Latenz, Genauigkeit und Erfolgsrate bei Tool-Aufrufen.
4. Optimieren Sie anhand Ihrer spezifischen Anforderungen für den besten Kompromiss.

Detaillierte Optionen zur Modellkonfiguration finden Sie in unserer Models-Dokumentation.

Iteration und Tests

Zuverlässigkeit im Produktionseinsatz entsteht durch kontinuierliche Iteration. Selbst gut konstruierte Prompts können im realen Einsatz scheitern. Entscheidend ist, aus diesen Fehlern zu lernen und sich durch diszipliniertes Testen zu verbessern.

Bewertungskriterien konfigurieren

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

Wichtige zu verfolgende Metriken:

• Aufgabenerfüllungsrate: Prozentsatz der erfolgreich bearbeiteten Nutzerintentionen
• Eskalationsrate: Prozentsatz der Gespräche, die menschliches Eingreifen erfordern

Detaillierte Hinweise zur Konfiguration von Bewertungskriterien in ElevenLabs finden Sie unter Erfolgsbewertung.

Fehlermuster analysieren

Wenn Agenten schlechter als erwartet abschneiden, identifizieren Sie Muster in problematischen Interaktionen:

• Wo liefert der Agent falsche Informationen? → Verstärken Sie Anweisungen in bestimmten Abschnitten.
• Wann versteht er die Nutzerintention nicht? → Fügen Sie Beispiele hinzu oder vereinfachen Sie die Sprache.
• Bei welchen Nutzereingaben fällt er aus seiner Rolle? → Ergänzen Sie Leitplanken für Sonderfälle.
• 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 schaffen.

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.

Detaillierte Hinweise zur Konfiguration der Datenerfassung in ElevenLabs finden Sie unter Datenerfassung.

Simulation für Regressionstests verwenden

Testen Sie vor der Bereitstellung von Prompt-Änderungen in der Produktion bekannte Szenarien, um Regressionen zu erkennen.

Hinweise zum programmatischen Testen von Agenten finden Sie unter Gespräche simulieren.

Aspekte für den Produktionseinsatz

Unternehmensagenten benötigen zusätzliche Schutzmaßnahmen, die über die Prompt-Qualität hinausgehen. Produktionsbereitstellungen müssen Fehlerbehandlung, Compliance und kontrollierte Funktionseinschränkungen berücksichtigen.

Fehler in allen Tool-Integrationen behandeln

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

• Netzwerkfehler: „Ich habe Probleme, eine Verbindung zu unserem System herzustellen. Lassen Sie mich es noch einmal versuchen.“
• Fehlende Daten: „Ich sehe diese Informationen nicht in unserem System. Können Sie die Angaben überprüfen?“
• Zeitüberschreitungsfehler: „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 Hinweise zu den verwendeten Zuverlässigkeitsprinzipien.

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 Abschnittstrennung (# Personality, # Goal, # Tools usw.)
• ✓ Eine Aktion pro Zeile, siehe nummerierte Schritte unter # Goal
• ✓ Prägnante Anweisungen, der Tonabschnitt ist kurz und klar
• ✓ Hervorgehobene kritische Schritte („Dieser Schritt ist wichtig“)
• ✓ Formatkonvertierung in Parameterbeschreibungen, etwa E-Mail-Normalisierung
• ✓ Eigener Abschnitt für Leitplanken
• ✓ Präzise Tool-Beschreibungen mit Hinweisen zu Wann, Wie und Fehlern
• ✓ Explizite Anweisungen zur Fehlerbehandlung

Beispiel 2: Agent für Rückerstattungen im Kundenservice

# 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 Agentenumfang, nur Rückerstattungen statt allgemeinem Support
• ✓ Klare Workflow-Schritte im Abschnitt # Goal
• ✓ Wiederholte Hervorhebung kritischer Regeln, etwa Rückerstattungsgrenzen und Verifizierung
• ✓ Detaillierte Tool-Nutzung mit „wann verwenden“ und „erforderliche Prüfungen“
• ✓ Formatkonvertierung in Parameterbeschreibungen, etwa Bestell-IDs und E-Mail-Adressen
• ✓ Explizite Fehlerbehandlung pro Tool
• ✓ Klar definierte Eskalationskriterien

Best Practices für die Formatierung

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

• Verwenden Sie Markdown-Überschriften: Strukturieren Sie Abschnitte mit # für Hauptabschnitte und ## für Unterabschnitte
• Bevorzugen Sie Aufzählungen: Teilen Sie Anweisungen in leicht verständliche Stichpunkte auf
• Verwenden Sie Leerzeilen: Trennen Sie Abschnitte und Anweisungsgruppen mit Leerzeilen
• Schreiben Sie Überschriften in normaler Groß- und Kleinschreibung: # Ziel statt # ZIEL
• Bleiben Sie konsistent: Verwenden Sie im gesamten Prompt dasselbe Formatierungsmuster

Häufig gestellte Fragen

Nächste Schritte

Dieser Leitfaden schafft mit Prompt Engineering, Tool-Konfiguration und Architekturmuster die Grundlage für zuverlässiges Agent-Verhalten. Für produktionsreife Systeme fahren Sie fort mit:

• Workflows: Entwerfen Sie die Orchestrierung mehrerer Agents und Übergaben an Spezialisten
• Erfolgsbewertung: Konfigurieren Sie Metriken und Bewertungskriterien
• Datenerfassung: Erfassen Sie strukturierte Erkenntnisse aus Gesprächen
• Tests: Implementieren Sie Regressionstests und Simulationen
• Guardrails: Konfigurieren Sie Inhaltsmoderation für sichere Agent-Antworten
• Datenschutz: Stellen Sie Compliance und Datenschutz sicher
• Unser Docs-Agent: Sehen Sie sich eine vollständige Fallstudie an, die diese Prinzipien in der Praxis zeigt

Für Unterstützung bei der Unternehmensbereitstellung kontaktieren Sie unser Team.