Zum Hauptinhalt springen
Deutsch— Sprache auswählen
Menü

Verankerung: Antworten an Fakten binden

Lektion 8 von 16 Aktualisiert am 3. November 2026 Entwickler
Auf dieser Seite
  1. Verankerung: Antworten an Fakten binden
  2. Warum Verankerung unerlässlich ist
  3. Technik 1: Expliziter Kontext
  4. Technik 2: Verpflichtende Zitate
  5. Technik 3: Verifikation nach der Generierung
  6. Technik 4: Defensives Anti-Halluzination-Prompting
  7. Kombination mit API-Tools
  8. Kernaussagen

Lektion aktualisiert am 3. November 2026 basierend auf der OpenAI-Dokumentation: temperature und top_p werden nur mit einem Reasoning-Effort von none akzeptiert, während GPT-5.6-Modelle standardmäßig durch Reasoning arbeiten (medium). Aufrufe, die diese Parameter setzen, müssen daher reasoning={"effort": "none"} (Responses API) oder reasoning_effort="none" (Chat Completions) angeben. Quellen: Using GPT-6 · GPT-5.6 Terra.

Verankerung: Antworten an Fakten binden

Verankerung (Grounding) zwingt das Modell, seine Antworten ausschließlich auf von Ihnen bereitgestellte Daten zu stützen und nicht auf sein internes Wissen. Sie ist Ihre erste Verteidigungslinie gegen Halluzinationen und eine nicht verhandelbare Anforderung, sobald eine Anwendung den Prototypenstatus verlässt. Ein Support-Assistent, der eine Vertragsklausel erfindet, begeht keinen niedlichen Fehler: er bindet Ihr Unternehmen rechtlich an den Kunden, der sie gelesen hat.

Warum Verankerung unerlässlich ist

LLMs generieren statistisch wahrscheinlichen Text, der sich nicht notwendigerweise mit faktisch korrektem Text deckt. Ohne Verankerung kann ein Modell Zitate, Statistiken oder technische Referenzen fabrizieren, die absolut plausibel klingen: eine Versionsnummer, die nie existiert hat, eine glaubwürdige, aber falsche Widerrufsfrist oder einen Parametername, der aus dem Nichts erfunden wurde. Nichts in der Formulierung verrät die Fälschung, was genau das Phänomen in der Produktion so gefährlich macht. Je besser geschrieben die Antwort ist, desto unwahrscheinlicher ist es, dass der Nutzer sie überprüft, und desto höher wird das rechtliche und reputationsbedingte Risiko.

Technik 1: Expliziter Kontext

Die einfachste Methode ist auch die robusteste: Injizieren Sie den Quelltext in den Prompt und verbieten Sie dem Modell, darüber hinauszugehen. Ihre Anweisungen müssen drei Elemente enthalten: eine Einschränkung auf das bereitgestellte Dokument, den exakten Fallback-Satz für den Fall, dass Informationen fehlen, und eine Anforderung, das verwendete Passus zu zitieren. Testen Sie das Ergebnis an einem Grenzfall: Eine Rückerstattungsanfrage nach 45 Tagen muss die Regel der 50%igen Teilrückerstattung auslösen, nicht die nachsichtige Antwort, die der Kunde hören möchte.

from openai import OpenAI

client = OpenAI()

document = """
Acme Corp Rückerstattungsrichtlinie (v3.2, Januar 2026):
- Volle Rückerstattung innerhalb von 30 Tagen nach Kauf
- Teilrückerstattung (50%) zwischen 30 und 60 Tagen
- Keine Rückerstattung nach 60 Tagen
- Angepasste Produkte sind nicht rückerstattbar
- Rückerstattungen werden innerhalb von 5 Werktagen bearbeitet
"""

system = """Sie sind ein Acme Corp Support-Assistent.

STRENGE REGELN:
- Antworten SIE AUFGRUND DES UNTEREN DOKUMENTS
- Wenn die Antwort nicht im Dokument steht, sagen Sie "Ich habe diese
  Information in unserer aktuellen Richtlinie nicht"
- MACHEN SIE NIEMALS Annahmen über das Dokument hinaus
- Zitieren Sie das relevante Passus in Anführungszeichen

REFERENZDOKUMENT:
""" + document

response = client.responses.create(
    model="gpt-5.6-terra",
    reasoning={"effort": "none"},  # temperature erfordert effort none
    instructions=system,
    input="Ich möchte eine Rückerstattung für ein vor 45 Tagen gekauftes Item.",
    temperature=0.1
)

Technik 2: Verpflichtende Zitate

Die nächste Stufe erfordert eine Referenz für jede getroffene Aussage. Dies hat eine doppelte Wirkung. Die Antwort wird vom Nutzer überprüfbar, der sie zurückverfolgen kann, statt sich auf Ihr Wort zu verlassen. Und das Modell zensiert sich selbst bei Behauptungen, die es mit keiner Quelle verknüpfen kann, da die Anweisung es explizit dazu auffordert, diese wegzulassen, statt sie ohne Referenz zu liefern. Die Nummerierung der Dokumente im Kontext, wie die folgende Funktion es tut, macht die Zitate auch in Ihrer Schnittstelle nutzbar: “[Dokument 2]” kann zu einem klickbaren Link auf die richtige Datei werden.

system_with_citations = """Sie sind ein Forschungsassistent.

Fügen Sie für jede Aussage in Ihrer Antwort eine Referenz
auf den Quellpassus in Klammern hinzu, zum Beispiel: [Quelle: Absatz 3].

Wenn Sie keinen Quellpassus zitieren können, schließen Sie die Aussage nicht ein.

Antwortformat:
1. Antwort mit Inline-Zitationen
2. Abschnitt "Verwendete Quellen" mit genauen Auszügen"""

def reponse_grounded(frage: str, dokumente: list[str]) -> str:
    """Generieren Sie eine verankerte Antwort mit Zitationen."""
    context = "\n\n---\n\n".join(
        f"[Dokument {i+1}]\n{doc}"
        for i, doc in enumerate(dokumente)
    )

    response = client.responses.create(
        model="gpt-5.6-terra",
        reasoning={"effort": "none"},  # temperature erfordert effort none
        instructions=system_with_citations + f"\n\nDOKUMENTE:\n{context}",
        input=frage,
        temperature=0.1
    )
    return response.output_text

Technik 3: Verifikation nach der Generierung

Die ersten beiden Techniken reduzieren das Risiko, eliminieren es aber nie vollständig. Für kritische Fälle fügen Sie einen zweiten Durchgang hinzu: einen dedizierten Aufruf, der die Antwort in elementare Aussagen zerlegt und jede davon gegen die Quellen überprüft. Das Prinzip ist dasselbe wie beim Code-Review – der Autor liest sein eigenes Werk schlecht, während ein frischer Blick es viel besser liest – und es funktioniert hier aus demselben Grund, da der Verifier den Text, den er untersucht, nicht erstellt hat. Die Einstellung von temperature auf 0,0 ist kein Detail: Ein Verifier muss so reproduzierbar wie möglich sein, sonst wissen Sie nicht, ob ein sich änderendes Urteil vom Antworttext oder der Stimmung des Modells stammt.

def verifier_grounding(antwort: str, quellen: str) -> dict:
    """Überprüfen Sie, ob eine Antwort korrekt in den Quellen verankert ist."""
    verification_prompt = f"""Analysieren Sie, ob diese Antwort den Quellen treu ist.

ZU ÜBERPRÜFENDE ANTWORT:
{antwort}

QUELLEN:
{quellen}

Für jede Aussage in der Antwort angeben:
- Die Aussage
- Ob sie durch die Quellen gestützt wird (JA/NEIN)
- Den entsprechenden Quellpassus (oder "Kein")

Enden Sie mit einem Verankerungsscore: X gestützte Aussagen / Y insgesamt."""

    response = client.responses.create(
        model="gpt-5.6-terra",
        reasoning={"effort": "none"},  # temperature erfordert effort none
        input=verification_prompt,
        temperature=0.0
    )
    return {"verification": response.output_text}

Technik 4: Defensives Anti-Halluzination-Prompting

Bestimmte Formulierungen reduzieren Halluzinationen signifikant, und sie sind nicht austauschbar: jede adressiert ein spezifisches Symptom. Die explizite Formulierung erlaubt es dem Modell lediglich, Unwissenheit zuzugeben, was oft ausreicht. Der bestrafende Ansatz rangiert Fehler gegeneinander, was nützlich ist, wenn man einem Modell gegenübersteht, das spontan lieber etwas sagt als nichts. Der strukturelle Ansatz bringt Unsicherheit selbst in die Ausgabe zum Vorschein, was wertvoll ist, wenn Ihre Schnittstelle visuell unterscheiden muss, was sicher ist und was abgeleitet wurde. Schließlich begrenzt der einschränkende Ansatz die Quelle mit Tags, was besonders gut funktioniert, wenn der injizierte Kontext voluminös ist und die Grenze zwischen Dokument und Anweisung verschwimmen könnte.

defensive_prompts = {
    "explizit": "Wenn Sie die Antwort nicht kennen, sagen Sie 'Ich weiß es nicht'.",

    "bestrafend": "Es ist VERBOTEN, Informationen zu erfinden. "
                  "Eine Antwort 'Ich weiß es nicht' ist immer vorzuziehen "
                  "als falsche Informationen.",

    "strukturell": "Für jeden Punkt in Ihrer Antwort geben Sie Ihr Vertrauensniveau an: "
                  "[SICHER] basierend auf dem Dokument, "
                  "[WAHRSCHEINLICH] aus dem Kontext abgeleitet, [UNSIKER] unverifiziert.",

    "eingeschränkt": "Antworten Sie AUFGRUND DES DOKUMENTS "
                     "zwischen den <source> und </source> Tags. "
                     "Jede externe Information ist verboten."
}

Wenn diese Formulierungen korrekt verwendet werden, reduzieren sie Halluzinationen um 60 bis 80%. Sie müssen dies jedoch in Ihrer eigenen Umgebung beobachten, statt auf einen Durchschnitt zu vertrauen: Die Verankerungsrate wird berechnet, indem die Verifikation auf einem Batch von Antworten wiederholt und die erzielten Scores aggregiert werden.

def taux_grounding(antworten: list[dict]) -> float:
    """Berechnen Sie die Verankerungsrate über eine Reihe von Antworten hinweg.

    Jede Antwort ist ein dict mit 'reponse' und 'sources'.
    """
    scores = []
    for item in antworten:
        verif = verifier_grounding(item["reponse"], item["sources"])
        # Extrahieren Sie den Score (anpassen an Ausgabeformat)
        scores.append(verif)
    return scores

Kombination mit API-Tools

Die OpenAI API bietet zwei native Tools, die Sie davon abhalten, Ihre eigene Retrieval-Schicht zu bauen. File Search durchsucht Dokumente, die Sie hochgeladen haben, und injiziert automatisch relevante Auszüge in den Kontext. Web Search verankert Antworten in aktuellen Web-Ergebnissen, was hilft, wenn sich das Thema schneller entwickelt als Ihre Dokumentenbasis. In beiden Fällen bleiben Einschränkungsanweisungen unerlässlich: Das Tool kümmert sich um das Herbeiführen des Materials, aber Ihr Prompt – und Ihr Prompt allein – verbietet dem Modell, davon abzuweichen.

response = client.responses.create(
    model="gpt-5.6-terra",
    instructions="Antworten Sie ausschließlich auf Grundlage der bereitgestellten Dokumente.",
    input="Was sind die Garantiebedingungen?",
    tools=[{"type": "file_search"}]
)

Setzen Sie nun die gesamte Kette an einem internen Firmendokument auf die Probe – eine FAQ, Nutzungsbedingungen, technische Dokumentation, es spielt keine Rolle, solange es echt ist. Bauen Sie den verankerten Assistenten mit explizitem Kontext, fragen Sie ihn mit zehn Fragen ab, von denen drei absichtlich Punkte abdecken, die im Dokument fehlen, und überprüfen Sie, dass er diese drei verweigert, statt sie zu schmücken. Fügen Sie dann die Verifikation nach der Generierung hinzu und messen Sie Ihre tatsächliche Verankerungsrate: Es ist diese Zahl, nicht das Vertrauen, das Sie in Ihren Prompt setzen, die entscheidet, ob der Assistent für die Produktion bereit ist.

Kernaussagen

  • Verankerung ist für jede professionelle Anwendung unerlässlich
  • Injizieren Sie Quellkontext direkt in den Prompt und erzwingen Sie Zitationen
  • Verifizieren Sie die Verankerung nach der Generierung für kritische Fälle
  • Defensive Formulierungen reduzieren Halluzinationen um 60 bis 80%
  • Verwenden Sie temperature=0,0-0,1, um die Treue zu den Quellen zu maximieren