Iterieren und Verfeinern Ihrer Prompts
Auf dieser Seite
Prompting ist ein iterativer Prozess
Ein Prompt ist selten beim ersten Versuch perfekt. Erfahrene Praktiker wissen, dass die eigentliche Arbeit erst nach der ersten Antwort beginnt: Sie analysieren das Ergebnis, identifizieren die Lücken zwischen der Ausgabe und Ihren Erwartungen und passen den Prompt entsprechend an.
Diese methodische Iteration liegt im Kern des Prompt Engineerings. Sie verwandelt ein befriedigendes Ergebnis in ein hervorragendes.
Der Verbesserungszyklus
Der Iterationszyklus besteht aus vier Schritten:
- Formulieren: Schreiben Sie den initialen Prompt mit Ihren drei Säulen (Klarheit, Kontext, Struktur).
- Testen: Senden Sie den Prompt und beobachten Sie die Antwort.
- Diagnostizieren: Identifizieren Sie, was nicht stimmt (Format, Inhalt, Ton, Länge, Präzision).
- Anpassen: Modifizieren Sie den Prompt, um das identifizierte Problem zu beheben.
Wiederholen Sie diesen Zyklus, bis Sie ein zufriedenstellendes Ergebnis erhalten. Jede Iteration sollte nur einen Aspekt gleichzeitig ändern, um die Auswirkung jeder Änderung zu verstehen.
Diagnose häufiger Probleme
Die Antwort ist zu lang
Das Modell generiert Absätze, wo Sie eine kurze Liste erwartet haben.
Bevor:
Was sind die Vorteile von Remote-Arbeit?
Nachher:
Listen Sie die 5 Hauptvorteile von Remote-Arbeit auf. Maximale Länge: Ein Satz pro Vorteil.
Die Antwort ist vom Thema abgewichen
Das Modell antwortet neben Ihrer Frage. Fügen Sie Kontext hinzu und definieren Sie den Geltungsbereich.
Bevor:
Erklären Sie Grenzwerte.
Nachher:
Erklären Sie mathematische Grenzwerte für einen fortgeschrittenen Schüler. Konzentrieren Sie sich auf Grenzwerte von Polynomfunktionen, nicht auf Folgen.
Das Format entspricht nicht Ihren Erwartungen
Das Modell gibt Freitext zurück, wo Sie JSON erwartet haben. Seien Sie explizit bezüglich des Formats und liefern Sie ein Beispiel.
Bevor:
Analysieren Sie diesen Text und extrahieren Sie die Entitäten.
Nachher:
Analysieren Sie diesen Text und geben Sie die Entitäten im JSON-Format zurück:
{"entities": [{"name": "...", "type": "person|location|organization"}]}
Geben Sie nur das JSON zurück, keinen zusätzlichen Text.
Der Ton ist unangemessen
Das Modell ist zu formell oder zu umgangssprachlich. Definieren Sie den Register im System-Prompt oder in der Anweisung.
Bevor:
Schreiben Sie eine Antwort an diesen unzufriedenen Kunden.
Nachher:
Schreiben Sie eine einfühlsame und professionelle Antwort an diesen unzufriedenen Kunden. Freundlicher Ton, aber nicht umgangssprachlich. Beginnen Sie damit, das Problem anzuerkennen, und schlagen Sie dann eine konkrete Lösung vor.
Verfeinerungstechniken
Negative Einschränkungen hinzufügen
Wenn das Modell etwas tut, das Sie nicht wollen, verbieten Sie dies explizit:
Erklären Sie maschinelles Lernen für Einsteiger.
Verwenden Sie keine technischen Fachbegriffe.
Erwähnen Sie keine mathematischen Formeln.
Beziehen Sie sich nicht auf andere KI-Modelle.
Ein Gegenbeispiel liefern
Zeigen Sie dem Modell, was Sie nicht wollen:
Schreiben Sie eine Zusammenfassung dieses Dokuments.
Gute Zusammenfassung: "Der Bericht zeigt einen Anstieg der Verkäufe um 15 % im dritten Quartal, angetrieben durch den B2B-Segment."
Schlechte Zusammenfassung: "Dieser Bericht präsentiert die finanziellen Ergebnisse des Unternehmens für das dritte Quartal des laufenden Jahres, einschließlich verschiedener Metriken..."
Nehmen Sie den Stil der guten Zusammenfassung an.
Progressive Neuformulierung
Wenn eine einzige Überarbeitung nicht ausreicht, gehen Sie schrittweise vor:
- Testen Sie Ihren Basis-Prompt.
- Fügen Sie das gewünschte Ausgabeformat hinzu.
- Fügen Sie Inhaltsbeschränkungen hinzu.
- Fügen Sie Tonbeschränkungen hinzu.
- Fügen Sie Beispiele hinzu, falls erforderlich.
Verwenden Sie den Parameter seed zum Vergleich
Mit demselben seed können Sie den Effekt zweier unterschiedlicher Formulierungen vergleichen, indem Sie die durch Zufälligkeit verursachte Variabilität eliminieren:
{"seed": 42, "temperature": 0.5, "messages": [{"role": "user", "content": "Version A des Prompts"}]}
{"seed": 42, "temperature": 0.5, "messages": [{"role": "user", "content": "Version B des Prompts"}]}
Dokumentieren Sie Ihre Iterationen
Verfolgen Sie Ihre Prompts und deren Ergebnisse. Notieren Sie für jede Version:
- Den genauen Prompt-Text
- Verwendete Parameter (Modell, Temperatur, Seed)
- Was funktioniert hat
- Was verbessert werden muss
Diese Dokumentation spart Ihnen erhebliche Zeit, wenn Sie zu einem Prompt zurückkehren oder ihn für einen neuen Anwendungsfall anpassen müssen.
Übung
Nehmen Sie einen Prompt, den Sie bereits verwendet haben, der kein perfektes Ergebnis lieferte. Wenden Sie den Verbesserungszyklus in drei Iterationen an:
- Identifizieren Sie das Hauptproblem der aktuellen Antwort.
- Modifizieren Sie einen einzelnen Aspekt des Prompts, um dieses Problem zu beheben.
- Testen und vergleichen Sie mit dem vorherigen Ergebnis.
Wiederholen Sie dies, bis Sie ein zufriedenstellendes Ergebnis erhalten.
Kernaussagen
- Prompting ist iterativ: Der erste Versuch ist selten der letzte.
- Ändern Sie pro Iteration nur einen Aspekt, um die Auswirkung jeder Änderung zu verstehen.
- Häufige Probleme (Länge, Thema, Format, Ton) haben jeweils spezifische Lösungen.
- Negative Einschränkungen und Gegenbeispiele sind leistungsstarke Verfeinerungswerkzeuge.
- Verwenden Sie den
seed-Parameter, um zwei Formulierungen objektiv zu vergleichen. - Dokumentieren Sie Ihre Iterationen, um Ihre Erfahrungen zu nutzen.