====== Seolizer Prompt Framework ======

== JSON als Prompt-Framework – Das Seolizer Schema-System erklärt ==


**Wie strukturierte JSON-Prompts das Arbeiten mit LLMs präziser, reproduzierbarer und skalierbarer machen**

===== Einführung =====
Große Sprachmodelle wie ChatGPT, Claude oder Gemini haben das Texten, Programmieren und Analysieren revolutioniert – doch ihr Verhalten hängt entscheidend von der Qualität der Prompts ab.  
Je präziser die Eingabe, desto konsistenter das Ergebnis. Genau hier setzt das **Seolizer Prompt Framework** an: Es ersetzt frei formulierte Eingaben durch klar strukturierte **JSON-Prompts**, die alle wesentlichen Parameter formal definieren.

Ein solcher Ansatz bringt Ordnung in ein bisher oft kreatives, aber unvorhersehbares Feld.  
Anstatt „mal eben“ eine Aufgabe zu beschreiben, formuliert der Anwender einen **standardisierten Datenauftrag**, in dem Ziel, Zielgruppe, Tonalität und Ausgabeformat exakt spezifiziert sind.  
Das macht die Arbeit mit KI-Systemen **reproduzierbar, überprüfbar und teamfähig** – und öffnet die Tür zu vollautomatisierten Text- und Wissenspipelines.

Das Seolizer-System ist dabei mehr als nur ein Schema:  
Es ist eine **methodische Sprache**, die Mensch und Maschine auf eine gemeinsame, nachvollziehbare Struktur verpflichtet.  
So entsteht aus dem losen Prompt ein **präzises Framework**, das Kreativität nicht einschränkt, sondern sie in geregelte Bahnen lenkt – vergleichbar mit einer Programmiersprache für KI-Kommunikation.

===== 1. Warum strukturierte JSON-Prompts? =====
Strukturierte Prompts im JSON-Format schaffen **Klarheit, Wiederholbarkeit und Modularität** in der Interaktion mit LLMs.  
Anstatt freiformulierte Anweisungen zu nutzen, die unterschiedlich interpretiert werden können, wird das Modell durch klar definierte Felder wie ''topic'', ''purpose'' oder ''style'' präzise gesteuert.

==== Vorteile im Überblick ====
  * Klare Trennung von Inhalt, Stil und Ziel  
  * Maschinenlesbare Struktur für Automatisierungen  
  * Erleichtert das Versionieren und Testen von Prompts  
  * Weniger Ambiguität in mehrstufigen Generationsprozessen  

==== Klarheit in der Zusammenarbeit ====
  - **Es schafft Klarheit zwischen User und LLM.**  
    Statt „Ich möchte einen Text über Ameisen, aber nicht zu biologisch“ zu schreiben, wird eindeutig spezifiziert, welche Art von Artikel gewünscht ist – z. B. didaktisch, mittleres Niveau, für Schüler:innen.  
    Das LLM weiß dadurch sofort, auf welchem Abstraktionsniveau es antworten soll.

  - **Der User kann sich klar äußern und weiß, dass alles Wesentliche bedacht wurde.**  
    Durch feste Felder wie ''audience'', ''purpose'' oder ''reading_level'' denkt der Prompt-Ersteller automatisch an alle relevanten Faktoren, ohne sie jedes Mal neu formulieren zu müssen.  
    Das Ergebnis ist ein präziser, vollständiger Prompt – auch ohne „Prompt-Engineer“-Erfahrung.

  - **Das LLM reagiert reproduzierbar und skalierbar.**  
    Wenn mehrere Systeme oder Entwickler:innen dieselbe Schema-Struktur nutzen, entsteht ein gemeinsames Format für Wissensgenerierung – vergleichbar mit einer API für Texte.  
    Diese Konsistenz ist entscheidend, sobald Prompts in Workflows, Automatisierungen oder Redaktionssysteme eingebunden werden.

Kurz gesagt: Ein strukturierter JSON-Prompt ist nicht nur eine Eingabe, sondern eine **verbindliche Vereinbarung zwischen Mensch und Maschine** – formal, nachvollziehbar und wiederverwendbar.

===== 2. Das Seolizer-Schema-System =====
Das **Seolizer Prompt Framework** basiert auf modularen JSON-Schemas.  
Jedes Schema erfüllt eine spezifische Aufgabe – von Artikeln über Q&A bis hin zu Tool-Interaktionen.  
Die zentrale Idee: Jedes Dokument ist nicht nur Text, sondern ein **validierbares Datenobjekt**.

^ Datei ^ Beschreibung ^ Direktlink (live) ^
| ''article.json'' | Erzeugt strukturierte Artikel mit Absätzen, Stilen, Bildern und Kommandos | [[https://www.seolizer.de/schema/ai/prompt/article.json|Schema öffnen]] |
| ''qa.json'' | Frage-Antwort-Prompts mit Quellen und Formatsteuerung | [[https://www.seolizer.de/schema/ai/prompt/qa.json|Schema öffnen]] |
| ''review.json'' | Bewertet Texte nach Stil, Struktur und Qualität | [[https://www.seolizer.de/schema/ai/prompt/review.json|Schema öffnen]] |
| ''extract.json'' | Extrahiert Fakten und Entitäten aus Texten | [[https://www.seolizer.de/schema/ai/prompt/extract.json|Schema öffnen]] |
| ''classify.json'' | Kategorisiert Inhalte nach Themen, Absicht oder Stimmung | [[https://www.seolizer.de/schema/ai/prompt/classify.json|Schema öffnen]] |
| ''summarize.json'' | Erstellt Zusammenfassungen oder Abstracts | [[https://www.seolizer.de/schema/ai/prompt/summarize.json|Schema öffnen]] |
| ''role.json'' | Definiert Rollen oder Personas für LLMs | [[https://www.seolizer.de/schema/ai/prompt/role.json|Schema öffnen]] |
| ''toolcall.json'' | Definiert API- oder Tool-Aufrufe im Prompt | [[https://www.seolizer.de/schema/ai/prompt/toolcall.json|Schema öffnen]] |
| ''fewshot.json'' | Beispielbasierte Prompts mit Input/Output-Beispielen | [[https://www.seolizer.de/schema/ai/prompt/fewshot.json|Schema öffnen]] |
| ''universal.json'' | Universeller Fallback-Prompt für freie Aufgaben | [[https://www.seolizer.de/schema/ai/prompt/universal.json|Schema öffnen]] |
| ''chain.json'' | Verknüpft mehrere Prompts zu Prozessketten | [[https://www.seolizer.de/schema/ai/prompt/chain.json|Schema öffnen]] |
| ''commands.schema.json'' | Registry aller verfügbaren Commands | [[https://www.seolizer.de/schema/ai/commands.schema.json|Schema öffnen]] |


Durch diese Aufteilung entstehen kombinierbare, klar spezifizierte Prompt-Bausteine – ähnlich wie Klassen in der Softwareentwicklung.

===== 3. Das Herzstück: ''article.json'' im Detail =====
Das ''article.json'' ist das Rückgrat des Frameworks.  
Es beschreibt, wie ein vollständiger Artikel-Prompt aussieht – mit **konzeptioneller, stilistischer und technischer Trennung**.

  * **Metaebene:** ''topic'', ''language'', ''audience'', ''purpose''  
  * **Stil-Ebene:** ''global_style'' mit Ton, Lesestufe und Stilbefehlen  
  * **Darstellungsebene:** ''output'' (Markdown, HTML, PDF, JSON-Collection)  
  * **Inhaltsebene:** ''structure[]'' mit Absätzen, Listen, Code- oder Tabellenblöcken  
  * **Zusatzmodule:** ''assets[]'' für Bilder, ''toc'' für Inhaltsverzeichnis, ''summary'' für Fazit  

Dieses Schema folgt streng dem Standard **JSON-Schema 2020-12**, wie er in *Understanding JSON Schema* beschrieben wird.  
Damit kann jedes LLM-Prompting-Tool den Aufbau verifizieren, bevor der eigentliche Text generiert wird.

===== Commands im Seolizer Framework =====
Commands sind die eigentliche **Steuerlogik** des Seolizer-Frameworks.  
Während das JSON-Schema den Aufbau eines Prompts definiert, bestimmen die Commands, **was das Modell konkret tun soll** – etwa Texte umformulieren, zusammenfassen, strukturieren oder im gewünschten Stil ausgeben.

Sie funktionieren wie kleine **Funktionsaufrufe**, die in der zentralen Datei ''commands.schema.json'' registriert sind.  
Jeder Command ist eindeutig benannt (z. B. ''rewrite.humanize'' oder ''summarize.article'') und kann **global** (z. B. in ''global_style'') oder **lokal** (z. B. in ''introduction'' oder ''summary'') angewendet werden.

Commands sorgen dafür, dass Prompts nicht nur statische Textvorgaben sind, sondern **programmierbare Instruktionen** – präzise, wiederverwendbar und für komplexe Abläufe kombinierbar.

→ **Weiterlesen:** [[seolizer_prompt_framework:commands|Befehlsübersicht und Anwendungsbeispiele]]
===== 4. Anpassung des Schemas an eigene Bedürfnisse =====
Ein großer Vorteil des Frameworks ist seine **Flexibilität**.  
Das Seolizer-Schema ist modular aufgebaut und kann mit eigenen Feldern erweitert oder verschlankt werden, ohne die Kompatibilität zu verlieren.  
Die Grundregel lautet: Solange sich neue Felder **an die Struktur und Typisierung des JSON-Schemas halten**, bleibt der Prompt valide.

==== Vorgehensweise zur Anpassung ====
  - **Eigene Felder ergänzen** unter ''meta'', ''global_style'' oder ''structure''  
  - **Eigene ''$defs''** für wiederkehrende Strukturen definieren (z. B. Autor:innen, Datenquellen, Kategorien)  
  - **''style_commands'' / ''format_commands'' erweitern** für projektspezifische LLM-Verhaltensweisen  
  - **''output'' anpassen**, um neue Export-Formate zu unterstützen (z. B. XML oder reStructuredText)  
  - **''$ref'' nutzen**, um externe oder domänenspezifische Schemata einzubinden  

==== Beispiel: Anpassung für das Thema „Ameisen“ ====
<code json>
{
  "topic": "Ameisen – Superorganismen im Kleinen",
  "language": "de-DE",
  "audience": "Biologie-Interessierte ohne Spezialwissen",
  "purpose": "Einführung in Biologie, Verhalten und ökologische Bedeutung der Ameisen",

  "global_style": {
    "tone": "didactic",
    "reading_level": "intermediate",
    "style_commands": ["rewrite.humanize", "explain.stepbystep"],
    "format_commands": ["format.includeexclude"]
  },

  "command_execution": {
    "mode": "execute",
    "hide_command_fields_in_output": true
  },

  "seo": {
    "title": "Ameisen – Superorganismen im Kleinen erklärt",
    "slug": "ameisen-superorganismen",
    "meta_description": "Ameisen leben als Superorganismen mit klaren Rollen und chemischer Kommunikation. Erklärt wird Aufbau, Verhalten und ökologische Bedeutung.",
    "keywords": ["Ameisen", "Superorganismus", "Kolonie", "Pheromone", "Biologie"],
    "tags": ["Tiere", "Biologie", "Ökologie"]
  },

  "toc": {
    "enabled": true,
    "max_depth": 3,
    "position": "after_intro"
  },

  "introduction": {
    "present": true,
    "instructions": "Gib einen kurzen Überblick über Ameisen als Superorganismen, ihre Organisationsform und warum sie für die Biologie so interessant sind.",
    "length": { "unit": "words", "max": 120 },
    "command": "summarize.article",
    "exec": { "mode": "execute", "hide_command_fields_in_output": true }
  },

  "structure": [
    {
      "heading": { "level": "h2", "text": "Aufbau einer Ameisenkolonie" },
      "blocks": [
        {
          "kind": "text",
          "text": "Ameisen leben in komplex organisierten Kolonien, in denen jedes Individuum eine bestimmte Aufgabe erfüllt. Diese Arbeitsteilung macht den Ameisenstaat zu einem echten Superorganismus."
        },
        {
          "kind": "list",
          "list": [
            "Königin – legt Eier und sichert die Fortpflanzung",
            "Arbeiterinnen – kümmern sich um Nahrung, Brutpflege und Nestbau",
            "Soldaten – verteidigen das Nest gegen Angreifer"
          ]
        },
        {
          "kind": "callout",
          "text": "Wusstest du schon? In manchen tropischen Ameisenarten kann eine Kolonie mehrere Millionen Individuen umfassen."
        }
      ]
    },
    {
      "heading": { "level": "h2", "text": "Kommunikation im Ameisenstaat" },
      "blocks": [
        {
          "kind": "text",
          "text": "Ameisen verständigen sich über chemische Duftstoffe – sogenannte Pheromone. Diese Signale regeln das Verhalten der gesamten Kolonie und sind eine Grundlage für ihre Effizienz."
        },
        {
          "kind": "figure",
          "figure": {
            "asset_id": "ants-trail",
            "caption": "Ameisenstraße mit Pheromonspur",
            "alt": "Ameisen folgen einer chemischen Spur zum Futter"
          }
        },
        {
          "kind": "code",
          "code": {
            "language": "json",
            "snippet": "{ \"signal\": \"pheromone\", \"meaning\": \"food-found\", \"intensity\": 0.85 }"
          }
        },
        {
          "kind": "callout",
          "text": "Jede Spur trägt spezifische Information – etwa „Nahrung gefunden“ oder „Gefahr droht“."
        }
      ]
    },
    {
      "heading": { "level": "h2", "text": "Ökologische Bedeutung" },
      "blocks": [
        {
          "kind": "text",
          "text": "Ameisen sind nicht nur erstaunlich organisiert, sondern auch ökologisch wichtig. Sie lockern Böden, verbreiten Samen und dienen als Nahrung für zahlreiche Tierarten."
        },
        {
          "kind": "table",
          "table": {
            "columns": ["Rolle", "Nutzen für das Ökosystem"],
            "rows": [
              ["Bodenbelüfter", "Erhöhen die Durchlüftung des Bodens"],
              ["Samenverbreiter", "Tragen zur Regeneration von Pflanzenbeständen bei"],
              ["Nahrungslieferant", "Dienen Vögeln, Echsen und Säugetieren als Eiweißquelle"]
            ]
          }
        }
      ]
    }
  ],

  "summary": {
    "present": true,
    "instructions": "Erstelle eine kurze Zusammenfassung über das soziale Verhalten und die ökologische Relevanz von Ameisen.",
    "command": "summarize.tldr",
    "length": { "unit": "words", "max": 80 },
    "exec": { "mode": "execute", "hide_command_fields_in_output": true }
  },

  "assets": [
    {
      "id": "ants-trail",
      "src": "https://www.seolizer.de/assets/ants-trail.jpg",
      "alt": "Ameisenstraße mit Pheromonspur",
      "caption": "Beispiel einer Ameisenstraße in tropischem Regenwald",
      "license": "CC-BY 4.0"
    }
  ],

  "output": {
    "format": "pdf",
    "heading_numbering": true,
    "list_style": "dash",
    "pagination": true,
    "pdf_options": {
      "page_size": "A4",
      "orientation": "portrait",
      "font_family": "Helvetica",
      "include_toc": true
    },
    "render_conflict_policy": "local_wins"
  }
}
</code>

==== Ergebnis ====
Das Objekt ''custom'' erweitert das Schema um interne Metadaten – z. B. ''dataset_ref'' oder ''school_level''.  
Diese Felder sind nicht Teil des offiziellen ''article.json'', verletzen aber keine Validierungsregeln, solange das Framework Erweiterungen erlaubt.  
So entsteht ein promptbasiertes Format, das gleichermaßen **wissenschaftlich valide**, **didaktisch sinnvoll** und **technisch automatisierbar** ist.

===== 5. Das Format: Klar, erweiterbar, maschinenlesbar =====
  * Strikte Typisierung (''string'', ''array'', ''enum'' …)  
  * Optionale und verpflichtende Felder klar getrennt  
  * Automatische Validierung durch JSON-Schema-Parser  
  * Einfache Integration in CI/CD-Pipelines  

Damit wird aus einem „Prompt“ eine **spezifizierte Eingabe-API** für Sprachmodelle.  
Automatisierung, Versionierung und Dokumentation greifen ineinander – wie in der Softwareentwicklung.

===== 6. Fazit =====
Mit dem **Seolizer Schema-System** entsteht ein universelles Framework für KI-Prompting.  
Es bringt Ordnung in kreative Prozesse, sorgt für Wiederholbarkeit und schafft die Basis für reproduzierbare Ergebnisse in Content-Generierung, Analyse und Automation.  
Wer Prompts wie Code behandelt, wird sie auch **wie Code kontrollieren, erweitern und testen** können.

===== Quellen & Lizenz =====
  * ''Understanding JSON Schema (2020-12)'', Michael Droettboom et al., Space Telescope Science Institute  
  * ''Seolizer Prompt Framework'' – © Andreas Röne 2025 (CC-BY 4.0)