Kontext und Einschränkungen
Auf dieser Seite
Kontext: Geben Sie dem Modell, was es nicht weiß
Mistral-Modelle verfügen über umfangreiches Allgemeinwissen, doch sie wissen nichts über Ihre spezifische Situation: Ihr Unternehmen, Ihr Projekt, Ihre Zielgruppe oder Ihre geschäftlichen Einschränkungen. Der Kontext, den Sie in Ihrem Prompt bereitstellen, schließt diese Lücke. Dies ist der Unterschied zwischen einem allgemeinen Werkzeug und einem spezialisierten Assistenten. Ohne Kontext liefert das Modell generische Antworten – im Durchschnitt korrekt, in der Praxis jedoch oft unbrauchbar. Mit dem richtigen Kontext generiert es maßgeschneiderte Antworten.
Drei Arten von Kontext
Die erste Art ist situativer Kontext: die Situation, die Ihre Anfrage umgibt. Ein Marketingleiter, der lediglich „Erstellen Sie einen Marketingplan” schreibt, erhält einen Lehrbuchplan. Legt er seine Situation fest, ändert sich alles:
Kontext: Ich bin der Marketingleiter eines KMUs mit 50 Mitarbeitern,
das sich auf den B2B-Verkauf von Büromöbeln spezialisiert hat.
Wir lancieren im September 2026 eine neue umweltfreundliche Produktlinie.
Unser jährliches Marketingbudget beträgt 80.000 €.
Jeder Satz in diesem Kontext eliminiert Dutzende von irrelevanten Antworten: keine B2C-Strategien, keine Budgets im siebenstelligen Bereich und keine Empfehlungen, die nichts mit dem Launch zu tun haben.
Die zweite Art ist dokumentärer Kontext: die Daten, die das Modell analysieren oder verwenden muss. Das Modell kennt Ihre internen Zahlen nicht – Sie müssen sie ihm geben, idealerweise durch Tags abgegrenzt, um sie von den Anweisungen zu trennen:
Hier sind die vierteljährlichen Ergebnisse zur Analyse:
<data>
Q1 2026: Umsatz 1,2 Mio. €, Marge 23 %, 145 neue Kunden
Q2 2026: Umsatz 1,5 Mio. €, Marge 21 %, 178 neue Kunden
Q3 2026: Umsatz 1,1 Mio. €, Marge 19 %, 112 neue Kunden
</data>
Ermitteln Sie Trends und schlagen Sie drei Korrekturmaßnahmen für Q4 vor.
Die dritte Art ist Zielgruppenkontext: für wen der generierte Inhalt bestimmt ist. Man erklärt ein Thema einem Anfänger und einem Experten nicht auf dieselbe Weise. Geben Sie beispielsweise vor: „Der Text richtet sich an erfahrene Python-Entwickler (5+ Jahre Erfahrung), die LLM-APIs zum ersten Mal entdecken. Es ist nicht nötig, die Python-Grundlagen zu erklären, aber LLM-Konzepte sollten detailliert behandelt werden.” Das Modell kalibriert dann seinen Detaillierungsgrad genau dort, wo Ihre Leserschaft ihn benötigt.
Das erwartete Format definieren
Das Ausgabeformat ist eine der mächtigsten Einschränkungen. Ohne Anleitung wählt das Modell ein Standardformat – oft Prosa –, das Sie nachbearbeiten müssten. Durch die genaue Spezifikation des Formats erhalten Sie genau das, was Sie benötigen, einsatzbereit.
Bei einer Liste sagen Sie dies so: „Listen Sie die Vorteile als Aufzählungspunkte (maximal 5).” Bei einer Tabelle: „Präsentieren Sie die Ergebnisse in einer Markdown-Tabelle mit den Spalten Feature | Verfügbarkeit | Priorität.” Für Softwareintegrationen ist strukturiertes JSON König, und es sollte Feld für Feld spezifiziert werden:
Geben Sie die Antwort im folgenden JSON-Format zurück:
{
"summary": "string (max 100 Wörter)",
"keywords": ["string"],
"sentiment": "positive | neutral | negative",
"confidence_score": "number (0-1)"
}
Dieselbe Regel gilt für Code: „Schreiben Sie die Funktion in Python 3.11+. Fügen Sie Google-Style Docstrings und Typ-Hinweise hinzu. Fügen Sie am Ende zwei Nutzungbeispiele in Kommentaren hinzu.” Je präziser Sie das Format beschreiben, desto weniger Nacharbeit müssen Sie leisten.
Länge einschränken
Mistral-Modelle neigen dazu, erschöpfend zu sein, wenn Sie keine Grenzen setzen. Sie können die Länge durch die Wortzahl („Antworten Sie in maximal 150 Wörtern”), durch die Struktur („Antworten Sie in genau drei Absätzen à 2–3 Sätzen”) oder durch Elemente („Geben Sie genau fünf Empfehlungen, jeweils in einem Satz”) einschränken.
Eine Warnung jedoch: Sprachmodelle zählen Wörter und Zeichen schlecht. Die Bitte um „genau 150 Wörter” erzeugt Text von etwa 150 Wörtern, selten exakt. Wenn die Länge für Sie wirklich wichtig ist, bevorzugen Sie strukturelle Einschränkungen – Anzahl der Absätze, Punkte, Sektionen –, die das Modell viel treuer einhält als präzise Zählungen.
Ton und Register einschränken
Der Ton der Antwort beeinflusst ihre Nutzbarkeit direkt: Text mit falschem Ton ist Text, den Sie umschreiben müssen. Seien Sie explizit, selbst wenn dies bedeutet, Spezifikationen zu stapeln: „Ton: Professionell, aber zugänglich. Vermeiden Sie Fachjargon, es sei denn, er ist unvermeidbar (in diesem Fall definieren Sie ihn). Nutzen Sie formelle Sprache. Keine Emojis oder informelle Sprache.”
Pro-Tipp: Die effektivsten Ton-Anweisungen vergleichen die Aufgabe oft mit einer bekannten professionellen Situation. „Antworten Sie wie ein Senior-Konsultant, der vor einem Exekutivkomitee präsentiert”, „Nehmen Sie einen pädagogischen Ton an, wie ein Professor, der Masterstudenten erklärt”, oder „Seien Sie direkt und knapp, wie ein interner Prüfungsbericht”: Jede dieser Phasen kondensiert eine ganze Reihe von Wortschatz-, Längen- und Haltungswahlen in ein Bild, das das Modell zu dekodieren weiß.
Den Umfang einschränken
Die Abgrenzung des Umfangs bedeutet, dem Modell mitzuteilen, wo es aufhören soll. Hier ist ein Beispiel für Einschränkungen:
Einschränkungen des Umfangs:
- Konzentrieren Sie sich NUR auf den französischen Markt
- Erwähnen Sie NICHT US- oder UK-Regulierungen
- Ignorieren Sie steuerliche Aspekte (einen anderen Experten kümmert sich darum)
- Wenn Informationen fehlen, stellen Sie dies explizit fest
statt sie zu erfinden
Achten Sie besonders auf die letzte Einschränkung: Sie ist Ihre beste Verteidigung gegen Halluzinationen. Ein Modell, das nach einer vollständigen Antwort gefragt wird, neigt dazu, Lücken mit plausible Informationen zu füllen; indem Sie es explizit autorisieren, seine Grenzen zu benennen, verwandeln Sie stilles Erfinden in ein sichtbares Signal, das Sie dann handhaben können.
Kontext und Einschränkungen kombinieren
In der Praxis kombiniert ein professioneller Prompt alles oben Genannte: Kontext und permanente Regeln im System-Prompt, Daten und das erwartete Format in der Benutzer-Nachricht. Hier ist ein vollständiges Beispiel für eine HR-Analyse:
messages = [
{
"role": "system",
"content": """Sie sind ein Senior HR-Analyst bei einem Technologieunternehmen.
Regeln:
- Formelles Englisch, professioneller Ton
- Stützen Sie Ihre Analyse ausschließlich auf die bereitgestellten Daten
- Wenn Daten fehlen, kennzeichnen Sie sie mit [MISSING_DATA]
- Format: Abschnitte mit Überschriften, Aufzählungspunkte, keine Prosa"""
},
{
"role": "user",
"content": """Analysieren Sie die untenstehenden Daten zur Fehlzeitenquote und schlagen Sie einen Maßnahmenplan vor.
Daten Q1 2026:
- Gesamte Fehlzeitenquote: 7,2 % (+1,8 Punkte gegenüber Q1 2025)
- Am stärksten betroffene Abteilung: Kundensupport (12,1 %)
- Hauptgrund: Kurzfristige Krankmeldungen (< 5 Tage)
- Durchschnittliche Betriebszugehörigkeit der fehlenden Mitarbeiter: 2,3 Jahre
Erwartetes Format:
1. Diagnose (maximal 3 Punkte)
2. Wahrscheinliche Ursachen (3 Hypothesen)
3. Maßnahmenplan (5 konkrete Maßnahmen mit Zeitplan)"""
}
]
Beachten Sie, wie jeder in dieser Lektion behandelte Aspekt seinen Platz findet: Rolle und Register im System-Prompt, abgegrenzte Daten in der Benutzer-Nachricht, nummeriertes Format am Ende der Nachricht und die Anti-Erfindungssicherung ([MISSING_DATA]), die einmal und für immer festgelegt ist.
Kernaussagen
- Kontext verwandelt eine generische Antwort in eine personalisierte
- Stellen Sie situativen, dokumentären und zielgruppenbezogenen Kontext bereit, je nach Bedarf
- Definieren Sie immer das erwartete Ausgabeformat (JSON, Liste, Tabelle usw.)
- Schränken Sie die Länge durch Struktur ein, nicht durch Wortzahl
- Begrenzen Sie den Umfang und autorisieren Sie das Modell, fehlende Informationen zu signalisieren