Seolizer Prompt Framework

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

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.

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.

• Klare Trennung von Inhalt, Stil und Ziel
• Maschinenlesbare Struktur für Automatisierungen
• Erleichtert das Versionieren und Testen von Prompts
• Weniger Ambiguität in mehrstufigen Generationsprozessen

1. 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.

1. 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.

1. 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.

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.

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

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 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: Befehlsübersicht und Anwendungsbeispiele

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.

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

{
  "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"
  }
}

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.

• 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.

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.

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