Steuerung des Kommunikationsstils von LLMs: Tonalität und Struktur bei Claude im Griff behalten

von Denis Shokhirev, Enterprise AI Architect aus Erlangen. In meiner Rolle bei DennisCraft AI Studio liefere ich produktionsreife KI-Systeme für DACH-B2B-Kunden aus Logistik, Fintech und Industrieautomatisierung – auf Basis von Claude, Supabase, n8n, Doppler und eigenem Postgres. In den letzten sechs Monaten habe ich 14 KI-Agenten in Produktion gebracht. Die größte Praxis-Herausforderung: Die Erwartungen an zuverlässigen Stil, konsistente Struktur und regulatorisch einwandfreie Formulierungen sind hoch – und Standard-LLM-Antworten liefern das selten ohne weiteres Zutun.

Warum Ton und Struktur im produktiven LLM-Betrieb kritisch sind

Schon nach wenigen Wochen im Live-Betrieb fallen Inkonsistenzen auf: Im selben Use Case variiert Claude zwischen sehr formell und fast locker, Absätze werden mal aufgezählt, mal verschachtelt. Bei einem meiner Fintech-Kunden führte das zu 35% mehr manuellen Prüfungen durch Sachbearbeiter (eigene DennisCraft-Logdaten, Q1 2024). Im regulierten DACH-Umfeld ist das ein Compliance-Risiko – und steht im Widerspruch zu Vorgaben wie DSGVO, ISO 27001 und dem BSI-Grundschutz, die nachvollziehbare, auditierbare Kommunikation fordern.

Ansätze zur Steuerung von Tonalität und Struktur in Claude

1. Prompt-Design: Explizite Vorlagen und Einschränkungen

Claude reagiert sensibel auf die Klarheit von Prompts. Im produktiven Einsatz setze ich auf ein strenges Muster: Kontext, Rolle, Ton, Struktur, Verbote. Beispiel für den Support-Kontext:

prompt = f"""
Kontext: {ticket_context}
Rolle: Sie sind ein B2B-Support-KI-Agent.
Ton: Formell, höflich, keine Ironie oder Umgangssprache.
Struktur:
- Begrüßung
- Zusammenfassung des Anliegens
- Sachliche Antwort (maximal 4 Sätze)
- Nächster Schritt
- Abschlussformulierung
Verboten: Emojis, Abkürzungen, Rechtsberatung.
"""

Verlassen Sie sich nicht auf vage Formulierungen („Seien Sie höflich“). Nur durch explizite Vorgaben zu Aufbau und Ton erhalten Sie reproduzierbare Resultate.

2. Automatische Prüfungen: Regex, Unit-Tests, LLM-Checks

Selbst bei optimalen Prompts hält Claude sich nicht immer strikt an Vorgaben. Deshalb prüfe ich jede Antwort vor Auslieferung automatisiert – etwa per Regex auf erforderliche Sektionen oder per nachgeschaltetem LLM-Check. Beispiel in Python:

import re

def check_structure(text: str) -> bool:
    sections = [
        "Begrüßung",
        "Zusammenfassung",
        "Antwort",
        "Nächster Schritt",
        "Abschluss"
    ]
    return all(any(sec.lower() in line.lower() for line in text.split('\n')) for sec in sections)

Fehlt eine Sektion, löst das ein Fallback aus: Neu-Generierung, Logging oder Weiterleitung an den Menschen.

3. System-Prompts: Sessionweite Stilvorgaben

Claude unterstützt systemweite Prompts, die für alle Antworten in einer Sitzung gelten. Im n8n-Workflow setze ich so einen System Prompt beispielsweise für Finanzdienstleister ein:

system_prompt = """
Sie sind ein Kundenservice-KI-Agent. Alle Antworten folgen dem Corporate-Stil: formell, emotionslos, klar strukturiert.
Formatieren Sie wie folgt:
1. Begrüßung
2. Anliegen-Zusammenfassung
3. Konkrete Antwort
4. Nächster Schritt
5. Abschluss
Verwenden Sie keine Emojis oder umgangssprachlichen Ausdrücke.
"""

Das mindert die Varianz, ersetzt aber keine nachgelagerte Strukturprüfung.

4. Workflow-Prüfungen mit n8n und Supabase

Im n8n-Workflow lasse ich nach jeder Claude-Generierung automatisch eine Supabase-Funktion laufen, die die Antwort auf Struktur und Ton prüft. Bei Fehlern folgt ein Retry, Fallback oder ein manueller Check. Dieses Muster ist auch bei Skalierung stabil und auditierbar – ein Muss für Compliance nach DSGVO und in Vorbereitung auf die EU AI Act.

Vergleich: Prompting, System-Prompt, Post-Processing

Produktionsprobleme: Edge Cases und Template-Management

Auch mit besten Prompts: Edge Cases passieren. In einem Use Case der Industrieautomatisierung hat ein Anwender mit Ironie gefragt – Claude lieferte ein lockeres, unstrukturiertes Statement. Der nachgelagerte Parser stieg aus, das führte zum Incident. Ein weiteres Problem: Template-Änderungen. Ändern Sie das Antwortformat, gefährden Sie Downstream-Schnittstellen oder Compliance-Checks. Versionieren und lückenloses Logging sind daher Pflicht.

Auditierung, Logging und kontinuierliche Optimierung

Ich speichere jede generierte Antwort und jeden Prüf-Fehler in Supabase, Alerts laufen via n8n. Für Code-Security dienen semgrep und bandit, für Output-Checks reichen meist Regex und Testfälle. Seit Einführung dieses Patterns fiel die Fehlerquote bei Strukturverletzungen von 7% auf unter 2% (DennisCraft AI Studio, 2024). Die Anthropic-Dokumentation (2024) bestätigt: Klares Prompting ist nötig, aber allein nicht ausreichend für stabile Produktivsysteme.

FAQ

Wie kann ich sicherstellen, dass Claude stets den richtigen Ton trifft?

Mit Prompts allein klappt das nicht zuverlässig. Setzen Sie auf eine Kombination aus expliziten Prompts, System-Prompts und automatisierter Output-Prüfung.

Lässt sich die Strukturprüfung komplett automatisieren?

Für standardisierte Templates ja – Regex und Testfälle funktionieren gut. Bei offenen Antworten bleibt manueller Review nötig.

Wie aufwendig ist die Integration solcher Checks in n8n?

Praktisch 2–3 Knoten: Nach Claude-Output ruft n8n eine Supabase-Funktion zur Prüfung auf, dann Branch auf Pass/Fail. Skaliert problemlos mit den Anforderungen.

Ist Claude weniger steuerbar als GPT-4?

Nein. Beide benötigen einen mehrschichtigen Kontrollansatz. Verlassen Sie sich nicht auf Marketing – bauen Sie eigene Prüf-Logik ein.

Wie logge und optimiere ich Fehler im LLM-Output?

Speichern Sie alle Outputs und Prüfergebnisse in einer Datenbank (z. B. Supabase), analysieren Sie Fehler regelmäßig und passen Sie Prompts oder System-Prompts an reale Fails an.

In welchem Schritt Ihrer LLM-Pipeline erkennen Sie die meisten Fehler bei Ton und Struktur – Prompt, Post-Processing oder Integration? Ich biete einen kostenlosen 30-minütigen Stack-Audit für DACH-Firmen im regulierten Umfeld an. Kontaktieren Sie mich auf LinkedIn oder schreiben Sie an @ger_dennis_ai.