Zum Hauptinhalt springen
Deutsch— Sprache auswählen
Menü

Zu vermeidende Anti-Patterns

Lektion 8 von 16 Aktualisiert am 2. November 2026 Anfänger
Auf dieser Seite
  1. Fehler, die Ihre Prompts sabotieren
  2. Anti-Pattern 1: Subjektive Sprache
  3. Anti-Pattern 2: Widersprüchliche Anweisungen
  4. Anti-Pattern 3: Das Modell zum Zählen auffordern
  5. Anti-Pattern 4: Exzessive Token-Generierung
  6. Anti-Pattern 5: Numerische Skalen
  7. Anti-Pattern 6: Vage Anweisungen
  8. Anti-Pattern 7: Ignorieren des Vorabfüllens
  9. Kernaussagen

Fehler, die Ihre Prompts sabotieren

Das Beherrschen des Promptings bedeutet auch, zu wissen, was man nicht tun sollte. Bestimmte Gewohnheiten, die im menschlichen Kommunikation völlig natürlich erscheinen, führen bei Mistral-Modellen zu schlechten Ergebnissen – genau weil sie auf implizites Verständnis setzen, das das Modell nicht besitzt. In dieser Lektion werden die sieben häufigsten Anti-Patterns aufgeführt, jeweils mit der fehlerhaften Version, der korrigierten Version und der Logik hinter der Korrektur. Sie werden wahrscheinlich einige Ihrer eigenen Gewohnheiten wiedererkennen.

Anti-Pattern 1: Subjektive Sprache

Zwischen Kollegen funktioniert der Befehl „schreibe mir einen Text, der nicht zu lang ist”, weil Sie einen gemeinsamen Kontext teilen: Der Kollege kennt den Anwendungsfall, den Leser und die Unternehmensgewohnheiten. Das Modell nimmt subjektive Wörter nicht so wahr wie Sie. Begriffe wie „kurz”, „lang”, „viele”, „interessant” oder „nicht zu” sind mehrdeutig und erzeugen von einer Ausführung zur nächsten unvorhersehbare Ergebnisse.

Schlecht:

Schreibe einen Text, der nicht zu lang ist, über KI.
Füge viele interessante Beispiele hinzu.

Gut:

Schreibe einen Text von 200 bis 300 Wörtern über generative KI.
Füge 3 konkrete Anwendungsbeispiele im Geschäftsumfeld hinzu
(Marketing, HR, Kundenservice).

Die Korrekturregel ist mechanisch: Ersetzen Sie jeden subjektiven Begriff durch eine objektive Messgröße. „Nicht zu lang” wird zu „200-300 Wörter”, „viele Beispiele” zu „3 Beispiele”, und „interessant” zu einer präzisen Beschreibung der erwarteten Beispielart.

Anti-Pattern 2: Widersprüchliche Anweisungen

Wenn Ihr Prompt inkompatible Anweisungen enthält – „sei umfassend und decke alle Aspekte ab” gefolgt von „antworte in maximal 3 Sätzen” – muss das Modell wählen, welche es befolgt, und diese Wahl ist unvorhersehbar. Eines Tages erhalten Sie drei oberflächliche Sätze, am nächsten eine umfassende Textwand. Die Korrektur besteht darin, die beiden Anforderungen zu einer einzigen, kohärenten Anweisung zu vereinbaren: „Decken Sie die 3 Hauptaspekte des Themas ab. Für jeden Aspekt geben Sie einen Satzzusammenfassung (max. 25 Wörter).” Umfassendheit wird zu einem definierten Umfang, Kürze zu einer Beschränkung pro Element – kein Konflikt mehr.

Wenn Ihre Regeln wirklich komplex sind und unterschiedliche Verhaltensweisen je nach Fall aufweisen, stapeln Sie sie nicht: Strukturieren Sie sie als Entscheidungsbaum, bei dem jeder Zweig explizit ist:

Wenn der Kunde ein Privatperson ist:
  → Verwenden Sie einen zugänglichen Ton, vermeiden Sie Fachjargon
  → Bieten Sie das Starter-Angebot zuerst an

Wenn der Kunde ein Unternehmen ist:
  → Verwenden Sie einen professionellen und technischen Ton
  → Bieten Sie das Enterprise-Angebot zuerst an

Wenn Sie unsicher sind:
  → Fragen Sie höflich, ob dies für private oder geschäftliche Zwecke ist

Anti-Pattern 3: Das Modell zum Zählen auffordern

Sprachmodelle sind schlecht im Zählen. Sie zählen Wörter, Zeichen oder Sätze nicht wirklich – sie schätzen, weil sie Token manipulieren und keine Texteinheiten. Das Auffordern von „genau 150 Wörtern” oder „prüfen Sie, dass jeder Satz weniger als 20 Wörter hat”, ist wie die Forderung an einen Maler, in Mikron zu messen: Das ist nicht sein Werkzeug.

Schlecht:

Schreibe einen Text von genau 150 Wörtern.
Prüfen Sie, dass jeder Satz weniger als 20 Wörter hat.

Gut:

Schreibe einen kurzen Text (ca. 150 Wörter, 2-3 Absätze).
Verwenden Sie knappe und direkte Sätze.

Und wenn das Zählen für Ihre Anwendung wirklich kritisch ist – beispielsweise eine Zeichenbegrenzung, die von einer Schnittstelle auferlegt wird – führen Sie dies im Code nach Erhalt der Modellantwort durch, nicht im Prompt. Ihre Programmiersprache zählt perfekt; das Modell nicht.

Anti-Pattern 4: Exzessive Token-Generierung

Jedes generierte Token hat einen Kostenfaktor, sowohl finanziell als auch in Bezug auf Latenz. Das Auffordern des Modells, Informationen zu produzieren, die Sie nicht verwenden werden, ist reiner Verschwendung: Sie zahlen mehr und warten länger auf Text, den Sie nicht lesen werden. Der typische Fall ist die Code-Analyse, bei der Sie „erkläre jede Zeile im Detail” plus „die Geschichte der Sprache” und „mögliche Alternativen” anfordern, obwohl Sie nur an Fehlern interessiert sind.

Gut:

Analysieren Sie diesen Code und identifizieren Sie:
1. Potenzielle Fehler (mit der betroffenen Zeile)
2. Einen vorgeschlagenen Fix für jeden Fehler
Nichts anderes.

Die finale „Nichts anderes” ist eine überraschend leistungsfähige Anweisung: Sie weist das Modell explizit an, keine Ergänzungen, Warnungen und Erweiterungen hinzuzufügen, die es spontan produziert. Ihre Antwort kommt schneller, kostet weniger und kommt direkt auf den Punkt.

Anti-Pattern 5: Numerische Skalen

Das Auffordern des Modells, auf einer Skala von 1 bis 5 oder 1 bis 10 zu bewerten, scheint rigoros – in Wirklichkeit ist es das Gegenteil. Das Modell verfügt nicht über eine zuverlässige interne Kalibrierung für diese Skalen: derselbe Text könnte heute eine 6/10 und morgen eine 8/10 erhalten, ohne dass Kriterien den Unterschied erklären. Die Lösung besteht darin, Zahlen durch verbale Skalen mit expliziten Kriterien zu ersetzen:

Bewerten Sie die Qualität dieses Textes nach diesen Ebenen:
- Unzureichend: Faktenfehler, inkohärente Struktur
- Akzeptabel: korrekt, aber mangelnde Tiefe oder Klarheit
- Gut: gut strukturiert, klar, mit relevanten Beispielen
- Ausgezeichnet: veröffentlichungsreif, originell, bringt klaren Mehrwert

Wählen Sie eine Ebene und begründen Sie dies in 2 Sätzen.

Da jede Ebene durch beobachtbare Kriterien definiert ist, wird die Bewertung reproduzierbar und begründbar – Sie wissen, warum ein Text „Akzeptabel” und nicht „Gut” ist, und das Modell wendet bei jedem Aufruf dieselben Kriterien an.

Anti-Pattern 6: Vage Anweisungen

„Verbessere diesen Text” ist das perfekte Beispiel für eine Anweisung, die sich klar anhört, aber es gar nicht ist. Was soll verbessert werden? Rechtschreibung? Stil? Struktur? Das Modell wird dies für Sie wählen, und es besteht die Gefahr, dass Passagen umgeschrieben werden, die Sie so belassen wollten. Die professionelle Version grenzt sowohl das zu Korrigierende als auch das zu Erhaltende ein:

Verbessern Sie diesen Text, indem Sie korrigieren:
1. Rechtschreib- und Grammatikfehler
2. Sätze länger als 30 Wörter (vereinfachen Sie sie)
3. Wortwiederholungen innerhalb eines Bereichs von 3 Sätzen

Ändern Sie NICHT:
- Die Bedeutung der Sätze
- Fachbegriffe (auch wenn Synonyme existieren)
- Die Absatzstruktur

Der Block „Ändern Sie NICHT” ist ebenso wichtig wie der erste: Ohne ihn wird ein eiferndes Modell Ihre Fachbegriffe durch ungenaue Synonyme ersetzen.

Anti-Pattern 7: Ignorieren des Vorabfüllens

Das letzte Anti-Pattern ist eher eine verpasste Chance als ein aktiver Fehler: Viele Nutzer ignorieren die Möglichkeit, die Antwort über die Rolle assistant vorab zu füllen, wie in der Lektion über Rollen beschrieben. Dennoch ist es ein mächtiger Hebel, um ein Format zu erzwingen. Mit einer einfachen Benutzeranfrage nach JSON kann das Modell eine einleitende Sätze, Backticks und einen abschließenden Kommentar hinzufügen – so viele Elemente, die Ihre Auswertung zerstören. Indem Sie Ihre Nachrichten mit dem Anfang einer Assistant-Antwort beenden, wird das Format quasi garantiert:

Ohne Vorabfüllen (unvorhersehbares Format):

messages = [
    {"role": "user", "content": "Listen Sie 3 Vorteile von Remote-Arbeit in JSON auf."}
]

Mit Vorabfüllen (garantiertes Format):

messages = [
    {"role": "user", "content": "Listen Sie 3 Vorteile von Remote-Arbeit in JSON auf."},
    {"role": "assistant", "content": "{\"advantages\": [", "prefix": True}
]

Das Modell befindet sich bereits „im Prozess des Schreibens” des JSON-Objekts: Es kann es nur vervollständigen.

Kernaussagen

  • Ersetzen Sie subjektive Sprache und vage Anweisungen durch messbare und begrenzte Anweisungen
  • Vermeiden Sie widersprüchliche Anweisungen – strukturieren Sie komplexe Fälle als Entscheidungsbaum
  • Fordern Sie das Modell niemals zum Zählen auf: Kritische Zählungen werden im Code durchgeführt
  • Begrenzen Sie die Generierung auf tatsächlich genutzte Informationen, wobei verbale Skalen anstelle numerischer verwendet werden
  • Nutzen Sie das Vorabfüllen durch den Assistant, um das Ausgabeformat zu garantieren