Prompt Engineering, erklärt

Ein Prompt kann mehr als eine Frage enthalten. Er kann auch Kontext, Beispiele, Einschränkungen und eine Beschreibung des benötigten Ergebnisses enthalten.

Prompt Engineering ist die Praxis, Anweisungen zu entwerfen, zu testen und zu verfeinern, damit ein generatives KI-Modell ein Ergebnis liefert, das besser zur beabsichtigten Aufgabe passt.

Ein guter Prompt macht die Aufgabe klar

Beginnen Sie mit dem Ergebnis. Nennen Sie die Zielgruppe, die Informationen, die das Modell verwenden soll, und jede Regel, die die Antwort befolgen muss. Fügen Sie ein Beispiel hinzu, wenn die erwartete Form sonst schwer zu erklären wäre.

Spezifische Anweisungen erleichtern die Überprüfung. Sie können die Antwort mit dem angegebenen Ziel vergleichen, anstatt zu beurteilen, ob sie lediglich überzeugend klingt.

Verfeinerung folgt auf das Ergebnis

Prompt Engineering ist ein iterativer Prozess. Sie probieren den Prompt aus, prüfen, was das Modell zurückgegeben hat, und ändern die Anweisung dort, wo das Ergebnis das Ziel verfehlt hat.

Verstecken Sie keine fehlende Geschäftsregel hinter aufwendigerer Formulierung. Fügen Sie die tatsächliche Regel, Quelle oder das Entscheidungskriterium hinzu, das dem Modell fehlte.

Begriffe zum Prompt Engineering

Prompt: Die Anweisungen, Fragen und der Kontext, die einem KI-Modell gegeben werden.
Beispiel: Eine Beispieleingabe oder -ausgabe, die dem Modell die erwartete Form des Ergebnisses zeigt.
Iteration: Ein neuer Versuch, der nach Überprüfung einer Antwort und Änderung der Anweisungen unternommen wird.

Was in einen nützlichen Prompt gehört

Ein klares Ziel

Geben Sie an, wobei das Ergebnis Ihnen helfen soll – bei einer Entscheidung, beim Erstellen oder beim Abschließen.

Relevanter Kontext

Fügen Sie die Fakten und Quellmaterialien hinzu, die das Modell für diese Anfrage benötigt.

Ein Ergebnisformat

Sagen Sie, wie die Antwort organisiert sein soll, damit Sie sie nutzen und überprüfen können.

Fragen zu Prompt Engineering

Nein. Klares Wissen über die Aufgabe und ihre Regeln ist oft wichtiger als technisches Vokabular.

Ein Beispiel zeigt das erwartete Format oder den Detailgrad. Es kann eine ansonsten breite Anweisung konkreter machen.

Nein. Es kann die Antwort lenken, aber das Modell kann trotzdem Fehler machen. Überprüfen Sie wichtige Fakten und testen Sie Ergebnisse, die echte Arbeit beeinflussen.

Beginnen Sie mit dem Ergebnis, das Sie brauchen

Caffeine-Apps laufen auf dem Internet Computer, einem dafür gebauten öffentlichen Netzwerk.