Prompt-Engineering-Techniken

01

Woraus ein Prompt besteht

Ein Prompt ist einfach der Text, den du an eine KI schickst. Das kann eine Frage sein, eine Bitte oder eine Anweisung – alles, was du in das Eingabefeld tippst.

Die meisten Chat-KIs laufen heute auf einem großen Sprachmodell (LLM). Ein LLM schreibt seine Antwort nicht auf einen Schlag. Es schaut sich den bisherigen Text an, wählt das nächste kleine Textstück (ein Token), hängt es an und wiederholt das. Kennst du die Wortvorschläge deiner Handytastatur? Das hier ist eine viel größere Version davon. Weil das Modell immer auf dem aufbaut, was schon dasteht, lenken die Wörter in deinem Prompt die Wörter, die es als Nächstes wählt. Prompt Engineering nutzt genau das ganz bewusst: Du schreibst deinen Prompt so, dass die gewünschte Antwort die wahrscheinlichste wird.

Nimmst du einen guten Prompt auseinander, findest du meist die Elemente unten. Du brauchst nicht jedes Mal alle – nimm das, was die Aufgabe verlangt.

Damit es konkret bleibt, begleitet uns ein Beispiel durch den ganzen Guide: Eine KI soll Bewertungen aus einem Onlineshop lesen und sagen, ob die Kundin oder der Kunde zufrieden war, unzufrieden oder ein bisschen von beidem. Wir fangen mit einer Anfrage aus einer einzigen Zeile an. Jedes Mal, wenn die Antwort nicht passt, schauen wir uns an, warum, und fügen die Technik hinzu, die das behebt. Die rechte Spalte zeigt, wie jedes Element in unserem Beispiel aussieht.

Zu jedem Kapitel gibt es eine 3D-Szene zu diesem Beispiel. Die gestapelten Blöcke links sind das, was wir schicken (der Prompt), die Kugel in der Mitte ist das KI-Modell, und die Balken rechts sind Antworten, die das Modell geben könnte. Je höher der Balken, desto wahrscheinlicher die Antwort. Die Balkenhöhen sind ausgedachte Werte, die den Trend zeigen sollen, keine echten Messungen.

Füge in der ersten Szene die Elemente nacheinander hinzu. Nur mit Anweisung und Bewertung sind die Balken wild verteilt. Je mehr du ergänzt, desto höher steigt der Balken der Antwort, die wir wollen: „mixed, als JSON“.

Ein paar Grundregeln

Die Firmen hinter KI-Diensten geben in ihren Leitfäden zum Prompt-Schreiben fast immer dieselben Tipps:

• Sag kurz, klar und vollständig, was du willst.
• Stell die Frage oder Anweisung ans Ende, hinter das Material, auf das sie sich bezieht.
• Trenne Anweisungen und Daten mit Trennzeichen (etwa Anführungszeichen oder Tags) und gib das Antwortformat genau vor.
• Sag dem Modell, was es tun soll, wenn es etwas nicht weiß – zum Beispiel: „Wenn du es nicht weißt, antworte ‚Weiß ich nicht‘.“
• Feile mit Übungsdaten an deinem Prompt und teste ihn dann einmal mit Daten, die du zurückgehalten hast.

Welche Elemente du einbaust, bestimmt den Namen der Technik. Nur Anweisung und Eingabe? Das ist Zero-Shot. Kommen Beispiele dazu, wird daraus Few-Shot. Verlangst du den Lösungsweg, ist es Chain-of-Thought. Fangen wir mit Zero-Shot an, der einfachsten der drei.

02

Fragen ohne Beispiele (Zero-Shot)

Beim Zero-Shot-Prompting beschreibst du die Aufgabe, ohne ein einziges Beispiel mitzugeben – „Zero“ steht für die Zahl der Beispiele. Fast alles, was Menschen in einen KI-Chat tippen, ist Zero-Shot, etwa so:

Klassifiziere die Stimmung der Bewertung.
Bewertung: Die Lieferung hat gedauert, aber das Produkt ist top

Das Modell hat schon aus riesigen Textmengen gelernt und versteht so eine Anfrage auch ohne Beispiele. Bei Dingen, die Modelle ohnehin gut können – zusammenfassen, übersetzen, gängige Klassifizierungen –, reicht Zero-Shot oft völlig aus. Es gibt nichts vorzubereiten und der Prompt ist kurz, deshalb ist es auch die günstigste Variante.

Schwach wird es bei der Form der Antwort. Unser Prompt sagt nicht, welches Format gilt oder was mit einer Bewertung passieren soll, die Lob und Kritik zugleich enthält. Also macht das Modell, was ihm sinnvoll erscheint: einmal „Positiv“, beim nächsten Mal einen ganzen Absatz, danach JSON. Ein Mensch kann jede dieser Antworten problemlos lesen. Muss aber ein Programm die Antwort weiterverarbeiten, wird dieses Durcheinander zum echten Problem.

Die Antworten schwanken, weil das Modell keine Ahnung hat, was für eine Antwort wir wollen. Wir könnten Format und Regeln ausführlich beschreiben – meistens geht es aber schneller, es einfach zu zeigen.

03

Die gewünschte Antwort zeigen (One-Shot, Few-Shot)

Beim Few-Shot-Prompting packst du ein paar Beispiele in den Prompt, damit das Modell sieht, welche Art von Antwort du suchst. Jedes Beispiel besteht aus einer Eingabe und der Antwort, die du dafür haben möchtest. Mit einem Beispiel heißt das One-Shot, mit zwei oder mehr Few-Shot. Manche Prüfungen nennen One-Shot auch „Single-Shot“.

Klassifiziere die Stimmung der Bewertung.

Bewertung: Sorgfältig verpackt
Antwort: {"label":"positive"}

Bewertung: Schmeckt super, aber die Portion ist klein
Antwort: {"label":"mixed"}

Bewertung: Die Lieferung hat gedauert, aber das Produkt ist top
Antwort:

Warum ahmt das Modell die Beispiele nach?

Erinnerst du dich an Kapitel 1? Das Modell wählt das Nächste, indem es auf den Text davor schaut. Im Prompt oben kommt „eine Bewertung, dann eine Zeile JSON“ zweimal vor. Nach der dritten Bewertung ist es also am naheliegendsten, wieder eine Zeile JSON in derselben Form zu schreiben. Das Modell hat nichts Neues gelernt – es setzt nur das Muster fort, das es sieht. Das nennt man In-Context-Learning (Lernen im Kontext).

Genau hier stolpern viele: Trotz des Namens wird im üblichen Sinn gar nichts gelernt, denn das Modell selbst ändert sich nicht. Lässt du die Beispiele bei der nächsten Anfrage weg, erinnert es sich an nichts davon. Du musst die Beispiele also jedes Mal mitschicken, und der längere Prompt kostet jedes Mal ein bisschen mehr.

Erhöhe in der Szene unten die Zahl der Beispiele von 0 auf 5. Das JSON-Format sitzt schon nach ein oder zwei Beispielen. Aber die Regel „Lob plus Kritik heißt mixed“ greift erst, wenn das dritte Beispiel dazukommt – genau so eine Bewertung. Was deine Beispiele zeigen, zählt mehr als ihre Anzahl.

Gute Beispiele auswählen

• Nimm Beispiele, die den Bewertungen ähneln, die wirklich reinkommen.
• Nimm auch die kniffligen Fälle auf. Sind alle Beispiele einfach, schwankt das Modell wieder, sobald ein schwieriger Fall kommt.
• Misch die Antworten. Sind alle Beispiele positive, neigt auch das Modell zu positive.
• Halte alle Beispiele exakt im selben Format. Unordentliche Beispiele führen zu unordentlichen Antworten.

Beispiele legen die Form der Antwort und die Urteilsregeln fest. Bei Aufgaben, die mehrere Denkschritte brauchen, reichen Beispiele allein aber nicht. Zeigen sie nur Endergebnisse, überspringt das Modell gern den Rechenweg und springt direkt zu einer Zahl, die bloß richtig aussieht.