Prompt Engineering

    Was ist Prompt Engineering und welche Techniken können genutzt werden, um Prompts zu schreiben? Mehr zum Thema finden Sie hier.

    Definition

    Prompt Engineering ist die Kunst und Wissenschaft, Eingabeaufforderungen (Prompts) für generative KI-Modelle so zu gestalten, dass sie optimale Ergebnisse liefern. Insbesondere bei großen Sprachmodellen (LLMs) hat sich gezeigt, dass die Formulierung der Benutzeranweisung einen enormen Einfluss auf die Qualität der KI-Antwort hat. Prompt Engineering umfasst Methoden, durch clever formulierte oder strukturierte Prompts das Modellverhalten gezielt zu steuern.

    Methoden des Prompt Engineerings

    Da generative Modelle kein explizites Verständnis der Anfrage haben, muss der Prompt alle nötigen Hinweise enthalten. Techniken dabei sind:

    • Kontext bereitstellen: Ein guter Prompt gibt dem Modell genug Hintergrund. Z. B. „Du bist ein Helfer für medizinische Fragen.“ vor der eigentlichen Frage kann die Antwort relevanter machen.

    • Beispiele geben (Few-Shot Learning): Man kann dem Prompt Beispiel-Eingaben und -Ausgaben voranstellen, um dem Modell zu zeigen, welcher Output-Stil gewünscht ist. Das nennt sich few-shot prompting. Beispiel: Erst einen beispielhaften Frage-Antwort-Dialog liefern, dann sagen „Hier ist eine neue Frage:“ – das Modell folgt dem Muster.

    • Anweisungen einschränken: Explizit sagen, was das Modell nicht tun soll (z. B. „Antworte kurz und vermeide Fachjargon.“).

    • Format vorgeben: Wenn man etwa eine Liste will, kann man im Prompt erwähnen: „Gib die Antwort in Form einer nummerierten Liste.“

    • Ketten von Gedanken anregen (Chain-of-Thought): Bei komplexen Aufgaben kann man das Modell bitten, erst schrittweise zu denken („Denke Schritt für Schritt:“), um systematischer zu einer Lösung zu kommen.

    • Rollen zuweisen: Das Modell in eine bestimmte Rolle versetzen (z. B. „Du bist ein Historiker…“) kann den Stil und Detailgrad der Antwort beeinflussen.

    Prompt Engineering ist nötig, weil generative Modelle keine garantierten Ausgaben produzieren – durch geeignete Eingaben kann man jedoch Wahrscheinlichkeiten lenken.

    Beispiele

    • Bild-KI promten: Bei Text-zu-Bild-Generatoren (wie DALL·E) ist Prompt Engineering ebenfalls wichtig. Ein Prompt „ein fotorealistisches Porträt eines alten Seemanns mit Pfeife, im Stile von Rembrandt“ steuert gleich mehrere Aspekte (Motiv, Stil, Qualität) und erzielt wahrscheinlich ein besser fokussiertes Ergebnis als „Mann auf Boot“.

    • Chatbot anleiten: In ChatGPT ähnlichen Systemen führt die Vorgabe „Antworte in einem formellen Ton und liefere Zitate.“ dazu, dass das Modell genau so verfährt – während ohne diese Anweisung der Ton und Aufbau ungewiss sind.

    Bedeutung

    Seit Aufkommen leistungsfähiger generativer Modelle hat Prompt Engineering an Bedeutung gewonnen, weil es gewissermaßen die Programmierung auf höherer Ebene dieser Modelle darstellt. Statt Code zu schreiben, formuliert man in natürlicher Sprache die Aufgabe so präzise, dass das Modell sie erfüllen kann. Gute Prompts können die Qualität dramatisch erhöhen, schlechte Prompts führen zu unbrauchbaren Ausgaben oder Halluzinationen. Es entsteht sogar ein neues Berufsbild des Prompt-Engineers. Langfristig könnten Modelle noch besser werden, Prompt Engineering weniger kritisch machen – doch aktuell ist es eine Schlüsselfähigkeit im Umgang mit generativer KI.

    Zurück zur Übersicht