Diese zehn Praktiken gelten für alle Modelle und Aufgaben. Keine hängt von einem Trick ab, den die nächste Modellversion brechen könnte. Zu jeder gehört ein kurzes Vorher-nachher, damit Sie die Änderung auf der Seite sehen.
1. Stellen Sie die Aufgabe an den Anfang
Beginnen Sie mit einem Satz im Imperativ. Alles danach liest sich als Unterstützung dieser Aufgabe.
- Vorher:
I have a spreadsheet of expenses from last year. - Nachher:
Categorize the expenses below into travel, software, and office.
2. Seien Sie bei Umfang, Zielgruppe und Länge konkret
Vage Wörter überlassen dem Modell Entscheidungen. Ersetzen Sie sie durch die tatsächlichen Werte.
- Vorher:
Write a short post about our new feature for users. - Nachher:
Write a 120-word announcement of scheduled exports for existing admins who already use manual exports.
3. Verwenden Sie Zahlen für Größen
„Ein paar“, „kurz“ und „ausführlich“ bedeuten bei jedem Durchlauf etwas anderes. Eine Zahl mit Einheit macht die Länge vorhersagbar.
- Vorher:
Give me some ideas. - Nachher:
Give me 5 ideas, one sentence each.
4. Sagen Sie, was zu tun ist, nicht nur, was zu vermeiden ist
Eine Liste von Verboten nennt alles, was Sie nicht wollen, und nichts von dem, was Sie wollen. Verbinden Sie jedes „Tu nicht“ mit dem Verhalten, das Sie stattdessen wünschen.
- Vorher:
Don't be too formal. Don't use jargon. - Nachher:
Write in a conversational tone, using words a new customer would know.
5. Legen Sie das Ausgabeformat fest
Nennen Sie die Struktur und bei maschinell gelesener Ausgabe das genaue Schema. Fügen Sie „gib nur das JSON zurück“ hinzu, wenn sonst nichts erscheinen soll. Mehr dazu unter Prompts für strukturierte Ausgabe.
6. Trennen Sie Anweisungen von der Eingabe
Umschließen Sie Dokumente, Nutzernachrichten und Variablen mit klaren Trennzeichen wie XML-artigen Tags. Das Modell kann dann Daten von Anweisungen unterscheiden, und ein Satz innerhalb der Daten wird weniger wahrscheinlich als Befehl befolgt.
Summarize the email in the tags below in 2 sentences.
<email>
{{email_body}}
</email>
7. Geben Sie Beispiele für Ermessensentscheidungen
Wenn sich „gut“ leichter zeigen als definieren lässt, fügen Sie zwei oder drei Beispiele ein. Machen Sie sie abwechslungsreich, damit das Modell das Muster lernt und nicht ein oberflächliches Merkmal. Siehe Few-Shot-Prompting.
8. Strukturieren Sie lange Prompts
Ab etwa einem Absatz verwenden Sie Abschnitte: Aufgabe, Kontext, Anforderungen, Ausgabeformat, Eingabe. Überschriften machen einen Prompt für ein Modell leichter nachvollziehbar und für Menschen viel sicherer bearbeitbar.
9. Entfernen Sie, was die Antwort nicht verändert
Begrüßungen, Höflichkeitsfloskeln und wiederholte Anweisungen kosten Tokens, ohne Information zu liefern. Wiederholung kann sogar schaden: Wenn sich zwei fast identische Sätze leicht unterscheiden, muss das Modell entscheiden, welchen Sie meinten.
- Vorher:
Hi! Could you please make sure to really focus on accuracy? Please make sure to focus on accuracy. - Nachher:
Prioritize accuracy over completeness.
10. Testen Sie mit echten Eingaben und bewahren Sie die Ergebnisse auf
Ein Prompt ist fertig, wenn er mit repräsentativen Eingaben ausgeführt wurde und die Fehlschläge verstanden sind. Behalten Sie diese Eingaben als Testsatz und führen Sie sie nach jeder Änderung erneut aus. Siehe Prompt-Evaluierung.
So verbessern Sie KI-Antworten, wenn ein Prompt schwächelt
Gehen Sie die Ursachen in der Reihenfolge ihrer Wahrscheinlichkeit durch:
| Symptom | Wahrscheinliche Ursache | Lösung |
|---|---|---|
| Bei jedem Durchlauf eine andere Antwort | Eine nicht festgelegte Größe oder ein Format | Zahlen und ein Ausgabeformat ergänzen |
| Generische Antwort | Fehlender Kontext | Zielgruppe, Fachgebiet und Einschränkungen ergänzen |
| Ignoriert eine Anweisung | Konflikt oder in einem langen Absatz vergraben | Konflikt beseitigen, in eine Liste verschieben |
| Falscher Ton | Ton vage beschrieben | Ein Beispiel für den Ton zeigen |
| Erfindet Dinge | Nach Fakten gefragt, die ihm nicht gegeben wurden | Quelltext liefern und Zitate verlangen |
| Befolgt Text aus der Eingabe | Eingabe nicht abgegrenzt | Eingabe in Tags umschließen |
Prüfen Sie dies automatisch
Mehrere dieser Praktiken lassen sich prüfen, ohne ein Modell auszuführen. Der PromptFlowEngine-Prompt-Analyzer meldet ein fehlendes Ziel, vage Sprache, nicht quantifizierte Größen, rein negative Einschränkungen, ein fehlendes Ausgabeformat, nicht abgegrenzte Variablen und Füllwörter und verlinkt jeden Befund mit einer Referenzseite samt korrigiertem Beispiel. Der Prompt-Optimierer wendet die Praktiken 8 und 9 für Sie an und prüft, dass keine Anforderung verloren ging.
Lesen Sie als Nächstes die häufigen Fehler beim Prompt Engineering, die diese Praktiken verhindern sollen.