Prompt-Optimierung
Einen Prompt kürzen und umstrukturieren, ohne zu ändern, was er verlangt. Jede Umformulierung wird mit dem Original abgeglichen, und eine, die eine Anforderung verliert, wird verworfen.
Die meisten Prompt-Optimierer geben Ihren Prompt an ein anderes Modell weiter und liefern zurück, was dabei herauskommt. Das kann sich gut lesen und trotzdem eine Vorgabe verlieren. PromptFlowEngine geht den umgekehrten Weg: Es wendet eine kleine Menge dokumentierter Transformationen an und beweist dann, dass das Ergebnis noch alles enthält, was im Original stand.
Es gibt drei Modi. Conservative normalisiert Leerraum und entfernt exakt doppelte Sätze. Balanced entfernt zusätzlich Füllwörter und Höflichkeitsfloskeln. Structured gliedert den Prompt außerdem in die Abschnitte Task, Context, Requirements, Output format und Input und umschließt Template-Variablen mit Tags.
Jeder Modus erzeugt einen Kandidaten. Ein Kandidat bleibt nur, wenn jeder ursprüngliche Satz, jede extrahierte Anforderung und jeder geschützte Bereich (Code, Zitate, URLs, Variablen) noch vorhanden ist und keine neue Warnung entsteht. Sie wählen ein Ziel: möglichst wenige Tokens, höchste Qualität oder ein Kompromiss. Schlägt nichts das Original, gewinnt das Original.
Praxisbeispiel
Diesen Lauf hat die Engine beim Erstellen der Seite erzeugt, im Modus structured mit dem Ziel balanced. Befunde der Engine und generierte Prompts werden auf Englisch angezeigt, genau so, wie Engine und API sie zurückgeben.
Hello! I would like you to please rewrite the pull request description below so that it is clearer for reviewers. Please make sure to keep all of the technical details. Please make sure to keep all of the technical details. In order to help reviewers, add a 2-sentence summary at the top. Return markdown.
{{pr_description}}## Task
Rewrite the pull request description below so that it is clearer for reviewers.
## Context
To help reviewers, add a 2-sentence summary at the top.
## Requirements
- Make sure to keep all of the technical details.
## Output format
- Return markdown.
## Input
<pr_description>
{{pr_description}}
</pr_description>Von der Engine beim Erstellen dieser Seite berechnet. Token-Änderung 5,9 %; 3 Probleme behoben; 0 bleiben als Vorschläge für Sie. Der Structured-Modus kann Überschriften ergänzen; deshalb erlaubt das Ziel balanced einen kleinen Token-Anstieg im Tausch gegen eine höhere Punktzahl.
Sätze, Anforderungen und geschützte Bereiche werden vorher und nachher verglichen. Eine fehlgeschlagene Prüfung verwirft den Kandidaten und nennt den Grund.
Jede Änderung wird mit Begründung aufgeführt, neben einem wortgenauen Diff zwischen Original und Ergebnis.
Token-Zahlen vorher und nachher nutzen für OpenAI-Modelle den echten Tokenizer, samt Kostendifferenz pro Aufruf.
Lücken, die Ihr Wissen erfordern, etwa eine nicht genannte Zielgruppe, kommen als Vorschläge zurück statt als erfundener Text.
Conservative, balanced und structured, von der Bereinigung des Leerraums bis zur vollständigen Gliederung.
Optimierung auf Tokens, auf die Qualitätspunktzahl oder auf die beste Punktzahl innerhalb eines Token-Rahmens.
Legen Sie ein Maximum fest, und der Optimierer meldet, ob ein verifizierter Kandidat hineinpasst.
Codeblöcke, Inline-Code, zitierter Text, URLs, XML-getaggte Blöcke und Variablen werden Byte für Byte wiederhergestellt.
Ein eigener Vorgang, der eine einzeilige Anfrage in einen gegliederten Engineering-Prompt verwandelt, jede ergänzte Zeile gekennzeichnet.
Zwei Fassungen nebeneinanderstellen und den Unterschied bei Tokens, Kosten und Qualität sehen, dazu behobene und neu eingeführte Probleme.
Balanced-Modus mit dem Ziel Tokens auf einen Prompt anwenden, der bei jeder Anfrage läuft, und die Ersparnis mit Garantie für den Inhalt mitnehmen.
Der Structured-Modus trennt Aufgabe, Kontext, Anforderungen und Ausgabeformat, was die nächste Änderung deutlich sicherer macht.
Diff und Änderungsliste mit einem Reviewer teilen, damit es im Gespräch um die Änderungen geht und nicht darum, sie zu finden.
Mit einem Token-Budget herausfinden, wie weit ein Prompt schrumpfen kann, bevor ein Mensch etwas streichen muss.
Ein Modell formuliert frei um und kann Anweisungen ergänzen, weglassen oder umdeuten. Dieser Optimierer wendet feste Transformationen an und prüft anschließend, dass jeder ursprüngliche Satz und jede Anforderung noch vorhanden ist. Er ist weniger kreativ und deutlich vorhersehbarer.
Er beseitigt bekannte Ursachen schlechter Antworten wie Wiederholungen, Füllwörter und fehlende Struktur. Die Antwortqualität kann er nicht messen, da er den Prompt nicht ausführt. Testen Sie das Ergebnis für alles Wichtige mit Ihrem Modell.
Ja. Die Transformationen betreffen Formulierung und Struktur, und das gilt für jedes Modell. Token-Zahlen sind für OpenAI-Modelle exakt und für andere Anbieter ungefähr.
Codeblöcke, Inline-Code, Zitate, URLs und Template-Variablen werden vor jeder Transformation maskiert und danach exakt wiederhergestellt.
Alle Produkte laufen mit derselben Engine und lassen sich daher ohne Überraschungen kombinieren.
Leitfäden aus dem Wissenszentrum für Prompt Engineering, die die Ideen hinter diesem Produkt erklären.
Kostenlos, deterministisch und privat. Ohne Registrierung.