Prompt Engineering: Was ist das und wo soll man anfangen?

Dasselbe Modell erzeugt für eine Anfrage Müll und für eine andere ein genaues, nützliches Ergebnis. Der Unterschied liegt in der Eingabeaufforderung. Unter Prompt Engineering versteht man die Fähigkeit, Anfragen so zu formulieren, dass KI genau das tut, was benötigt wird. Dies ist die wichtigste und gleichzeitig am leichtesten zugängliche Fähigkeit: Sie erfordert keinen Code und kann mit Übung gemeistert werden. Schauen wir uns das Wesentliche und die ersten Techniken an.

Was ist eine Eingabeaufforderung und warum löst sie alles?

Eine Eingabeaufforderung ist Ihre Anweisung an das Modell. Das Modell liest keine Gedanken: Es reagiert auf das, was Sie geschrieben haben, und wiederholt das von Ihnen festgelegte Format und den Stil. Eine vage Anfrage führt zu einer vagen Antwort; klar und strukturiert – präzise. Daher hängt die Qualität des Ergebnisses zu 80 % von der Eingabeaufforderung und nicht vom „Geist“ des Modells ab. Eine gute Eingabeaufforderung ist die halbe Arbeit.

Technik 1: Legen Sie die Rolle und den Kontext fest

Sagen Sie dem Model, wer es sein soll und für wen die Antwort lautet: „Sie sind eine erfahrene Redakteurin, schreiben Sie für Anfänger.“ Die Rolle bestimmt den Ton, die Tiefe und den Wortschatz. Fügen Sie Kontext hinzu – wer Sie sind, was Ihr Ziel ist, was Ihre Grenzen sind. Je genauer Sie die Situation beschreiben, desto weniger vermutet das Modell und desto näher kommt die Antwort der gewünschten Antwort. Dies ist der schnellste Weg, die Qualität zu verbessern.

Technik 2: Beschreiben Sie das Antwortformat

Überlassen Sie das Format nicht dem Willen des Models. Sagen Sie explizit: „Eine Liste mit 3 Elementen zurückgeben“, „Als JSON mit den Feldern X und Y antworten“, „Maximal 40 Wörter, keine Einleitung.“ Wenn Sie eine Struktur definieren, wird die Antwort vorhersehbar und einsatzbereit. Dies ist besonders wichtig, wenn das Ergebnis weiter in die Arbeit oder in ein anderes Programm einfließt.

Technik 3: Geben Sie ein Beispiel und schlüsseln Sie das Problem auf

Modelle lernen gut aus Beispielen: Zeigen Sie ein Beispiel der gewünschten Antwort, und es wird das Muster aufgreifen (dies wird als „Fewly-Shot“ bezeichnet). Und werfen Sie eine komplexe Aufgabe nicht ganz über Bord, sondern unterteilen Sie sie in Schritte: zuerst planen, dann ausführen. Schrittweise Überlegungen und Beispiele verbessern die Genauigkeit bei nicht trivialen Problemen erheblich.

Wie man übt und wohin man als nächstes geht

Das zeitnahe Engineering erfolgt ausschließlich per Hand. Nehmen Sie reale Aufgaben an und wenden Sie Techniken bewusst an: Rolle, Format, Beispiel, Zerlegung. Vergleichen Sie, wie sich die Antwort ändert. Bleiben Sie bei den Grundlagen – diese Grundsätze verlieren mit der Veröffentlichung neuer Modelle nicht ihre Gültigkeit. Nachdem Sie die Grundlagen beherrscht haben, gehen Sie zu fortgeschrittenen Techniken über: Argumentationsketten, Arbeiten mit Daten, Schutz vor Manipulation bei Abfragen.