Mehrschrittige Workflows: Das Modell als Dirigent
Auf dieser Seite
- Orchestrierung komplexer Aufgaben mit hoher Schlussfolgerungsfähigkeit
- Was ist ein mehrschrittiger Workflow?
- Die Meta-Prompt-Technik
- Warum hohe Schlussfolgerungsfähigkeiten bei der Orchestrierung überlegen sind
- Zwei Erweiterungen: ChatGPT Work und die API
- Drei Workflows, die Sie so verwenden können
- Jetzt an der Reihe
- Wichtige Erkenntnisse
Orchestrierung komplexer Aufgaben mit hoher Schlussfolgerungsfähigkeit
Die Beantwortung einer einzelnen Frage ist eine Sache; die Steuerung eines gesamten Prozesses ist eine andere. Ein Modell mit hoher Einstellung für Schlussfolgerungsfähigkeiten kann mehrere Schritte nacheinander ausführen, während es den Kontext beibehält, und fungiert so als echter Dirigent für Ihre wiederkehrenden Prozesse. In dieser Lektion erfahren Sie, wie Sie einen Workflow beschreiben, damit dieser von Anfang bis Ende ohne Verlust an Kohärenz ausgeführt wird.
Was ist ein mehrschrittiger Workflow?
Ein mehrschrittiger Workflow ist eine Sequenz von Aufgaben, bei denen jeder Schritt von der Ausgabe des vorherigen abhängt: Rohdaten sammeln, diese bereinigen und strukturieren, Trends analysieren, einen Bericht mit Empfehlungen erstellen und schließlich eine Zusammenfassungs-E-Mail für das Team generieren. Traditionell werden diese fünf Schritte manuell durchgeführt, und Sie tragen den Kontext von einem Schritt zum nächsten. Mit hoher Schlussfolgerungsfähigkeit beschreiben Sie den gesamten Prozess einmal, und das Modell führt jeden Schritt aus, indem es auf dem Ergebnis des vorherigen aufbaut.
Die Meta-Prompt-Technik
Ein Meta-Prompt ist ein Prompt, der einen gesamten Prozess beschreibt, anstatt eine isolierte Aufgabe. Er gibt dem Modell einen globalen Überblick darüber, was Sie erreichen möchten, was alles verändert: Das Wissen um das Ziel ermöglicht es dem Modell, jeden Schritt basierend auf dem nächsten zu kalibrieren. Hier ist eine Standardstruktur, die Sie an Ihren eigenen Prozess anpassen können.
“Sie werden die folgenden Schritte in der angegebenen Reihenfolge ausführen:
Schritt 1 — Analysieren Sie die beigefügte Verkaufsdaten und identifizieren Sie die 3 besten und 3 schlechtesten performierenden Produkte.
Schritt 2 — Für jedes unterperformierende Produkt identifizieren Sie wahrscheinliche Ursachen durch Abgleich mit Kundenzufriedenheitsdaten.
Schritt 3 — Entwerfen Sie für jedes unterperformierende Produkt einen 3-Punkte-Handlungsplan mit messbaren KPIs.
Schritt 4 — Formatieren Sie alles in einen strukturierten Bericht mit einer 5-Zeilen-Managementzusammenfassung in der Einleitung.
Präsentieren Sie das Ergebnis jedes Schritts, bevor Sie zum nächsten übergehen, und kennzeichnen Sie unerwartete Ergebnisse.”
Dieser letzte Satz verdient Ihre Aufmerksamkeit. Es ist nicht notwendig, dem Modell zu sagen, dass es “schrittweise denken” soll – es tut dies ohnehin. Aber die Anforderung, die Ausgabe jedes Schritts zu erhalten, ermöglicht es Ihnen, einen Fehler zu erkennen, bevor er alles Weitere kontaminiert. In einem fünf-Schritt-Workflow kostet ein Fehler im zweiten Schritt, der zu spät entdeckt wird, den gesamten Aufwand.
Warum hohe Schlussfolgerungsfähigkeiten bei der Orchestrierung überlegen sind
Bei einem langen Workflow besteht die Gefahr, dass ein schnelles Schlussfolgerungsniveau den Faden von einem Schritt zum nächsten verliert. Ein höheres Niveau (High im Chat, high in der API, was die Dokumentation von OpenAI für tiefgehende Planung empfiehlt) gibt dem Modell Zeit, seine Zwischenschlussfolgerungen im Blick zu behalten, die Konsistenz über die Schritte hinweg zu überprüfen und das Folgende basierend auf den erzielten Ergebnissen anzupassen. Fordern Sie es explizit auf, unerwartete Ergebnisse eines Schritts zu kennzeichnen, anstatt einfach weiterzumachen, als wäre nichts passiert. Dieses Verhalten unterscheidet genau die Orchestrierung von einer einfachen Kette.
Diese Flexibilität ermöglicht bedingte Workflows, bei denen die Verarbeitung davon abhängt, was das Modell beobachtet: “Wenn ein Produkt eine Rücklaufquote über 10 % hat, klassifizieren Sie es als hohe Priorität und schlagen Sie einen sofortigen Handlungsplan vor. Andernfalls klassifizieren Sie es zur Überwachung und schlagen Sie ein monatliches Follow-up vor.” Das Modell wendet die Bedingung Produkt für Produkt an und passt seine Verarbeitung entsprechend an, ohne dass Sie etwas im Voraus sortieren müssen.
Zwei Erweiterungen: ChatGPT Work und die API
Der Prompt ist nicht der einzige Weg. In ChatGPT ist die Work-Erfahrung speziell für lange, mehrschrittige Aufgaben konzipiert, die ein Ergebnis liefern: ein Dokument, eine Tabelle, eine Präsentation oder einen Bericht. Für die schwersten Aufgaben verteilt die Ultra-Einstellung die Arbeit über Sub-Agenten, die parallel arbeiten, wenn die Aufgabe in unabhängige Teile zerfällt; sie verbraucht deutlich mehr Ressourcen, und die meisten Aufgaben benötigen dies nicht. Auf der Entwicklerseite ermöglicht das Programmatic Tool Calling der Responses API dem Modell, ein JavaScript-Programm zu schreiben, das in einer isolierten Umgebung ausgeführt wird, die Werkzeuge des Workflows aufruft – parallelisiert, wenn nötig – und Zwischenergebnisse filtert, bevor sie dem Modell zurückgegeben werden.
Drei Workflows, die Sie so verwenden können
Wettbewerbsanalyse eignet sich besonders gut für diese Übung: Das Modell liest drei bereitgestellte Artikel über Wettbewerber, extrahiert wichtige Ankündigungen – Produkte, Preise, Partnerschaften –, vergleicht sie mit Ihrer aktuellen Positionierung, identifiziert Bedrohungen und Chancen und erstellt dann einen Briefing-Entwurf für das Management.
Die Vorbereitung von Meetings folgt derselben Logik, angewendet auf Ihre internen Dokumente: Analysieren Sie die Protokolle des letzten Meetings, identifizieren Sie laufende Aktionen und deren Status, bereiten Sie die Agenda für das nächste Meeting vor, entwerfen Sie Diskussionspunkte für jedes Thema und generieren Sie die entsprechende Einladungs-E-Mail.
Schließlich kombiniert die monatliche Berichterstattung Berechnung und Analyse: Analysieren Sie die Daten des Monats aus einer Excel-Datei, vergleichen Sie sie mit dem Vormonat und dem Budget, identifizieren Sie signifikante Abweichungen über 5 %, analysieren Sie die Ursachen jeder Abweichung und erstellen Sie dann den Bericht mit Diagrammen und Empfehlungen.
Jetzt an der Reihe
Erstellen Sie Ihren eigenen. Wählen Sie einen wiederkehrenden Prozess in Ihrer Arbeit und transformieren Sie ihn. Listen Sie zunächst jeden Schritt auf, den Sie derzeit manuell durchführen, und identifizieren Sie die bedingten Entscheidungen vom Typ “wenn X, dann Y”, die Sie unbewusst treffen – diese unterscheiden einen starren Workflow von einem nützlichen. Schreiben Sie dann den Meta-Prompt, der den gesamten Prozess beschreibt, und testen Sie ihn auf hohem Schlussfolgerungsniveau; erhöhen Sie die Stufe, wenn die Qualität stagniert.
Beginnen Sie einfach mit drei oder vier Schritten und erhöhen Sie die Komplexität schrittweise. Wenn der Prozess lang wird und die Qualität sinkt, teilen Sie ihn in Sub-Workflows auf, anstatt weiterzumachen. Stellen Sie auch sicher, dass jeder Schritt klar und selbstständig ist – wenn das Modell erraten muss, was Sie von einem Schritt erwarten, wird das Ergebnis zufällig sein, und der gesamte Workflow ebenfalls. Lesen Sie schließlich tatsächlich die Zwischenergebnisse. Viele Nutzer schauen nur auf das Endergebnis und verpassen den Punkt: In einem gut aufgebauten Workflow sind die Erkenntnisse aus Schritt 2 und 3 oft lehrreicher als der Bericht, der sie zusammenfasst.
Offizielle Quellen: Reasoning models (OpenAI API: Anstrengungsebenen und Anwendungsfälle) · Reasoning best practices (einfache Anweisungen, präzises Ziel) · Programmatic Tool Calling · ChatGPT Work and Codex (Work für lange Aufgaben) · Models (Ultra)
Wichtige Erkenntnisse
- Ein hohes Schlussfolgerungsniveau hilft dem Modell, einen mehrschrittigen Prozess zu orchestrieren, ohne den Faden zu verlieren.
- Verwenden Sie einen Meta-Prompt, um den gesamten Prozess zu beschreiben, mit Bedingungen (wenn/dann) für adaptive Workflows.
- ChatGPT Work behandelt lange Aufgaben; in der API orchestriert Programmatic Tool Calling Werkzeuge über Code.
- Ultra, in Work und Codex, verteilt Arbeit über Sub-Agenten: Reservieren Sie es für schwere, teilbare Aufgaben.
- Fordern Sie die Ausgabe jedes Schritts, nicht “schrittweises Denken”; beginnen Sie einfach und erhöhen Sie die Komplexität schrittweise.