Große Sprachmodelle (Large Language Models, LLMs) erfordern anspruchsvolle Prompting-Techniken, doch bestehende Praktiken stoßen bei der Strukturierung, Datenintegration, Formatempfindlichkeit und Tooling auf erhebliche Herausforderungen. Bestehende Ansätze bieten keine umfassenden Lösungen zur Organisation komplexer Prompts, die verschiedene Datentypen (Dokumente, Tabellen, Bilder) umfassen, oder zur systematischen Verwaltung von Darstellungsvarianten. Um diese Lücken zu schließen, stellen wir POML (Prompt Orchestration Markup Language) vor. POML nutzt komponentenbasierte Markup-Syntax zur Definition logischer Strukturen (Rollen, Aufgaben, Beispiele), spezialisierte Tags für nahtlose Datenintegration und ein CSS-ähnliches Styling-System, das Inhalt und Darstellung voneinander trennt und somit die Formatempfindlichkeit reduziert. Zudem verfügt POML über Vorlagensysteme für dynamische Prompts sowie ein umfassendes Entwicklertoolsuite (IDE-Unterstützung, SDKs), um Versionskontrolle und Zusammenarbeit zu verbessern. Wir validieren POML anhand zweier Fallstudien, die dessen Wirkung auf die Integration komplexer Anwendungen (PomLink) und die Genauigkeitsleistung (TableQA) aufzeigen, sowie einer Benutzerstudie zur Bewertung seiner Effektivität in realen Entwicklungszenarien.