Prompt-Bibliothek

KI-Engineering-Prompts

Prompts zum Bauen mit Modellen: Evaluierungen entwerfen, Tool-Definitionen schreiben und Retrieval-Pipelines planen.

Die Prompts sind auf Englisch, der Sprache, in der sie geschrieben und getestet wurden. Beschreibungen und Hinweise auf diesen Seiten sind übersetzt.

  • evaluation
  • testing
  • llm
100/100 · 191 Tokens

Evaluierungsplan für eine LLM-Funktion

Entwirft einen Testsatz und Bestehenskriterien für eine modellgestützte Funktion, bevor Sie den Prompt abstimmen.

Einsetzen, wenn: Sie liefern eine Funktion aus, die von einem Modell abhängt, und brauchen eine wiederholbare Methode, um zu erkennen, ob eine Änderung sie verbessert hat.

prompt
You are an AI engineer designing evaluations for a language model feature.

## Task
Design an evaluation plan for the feature described below.

## Requirements
- Define 10 test cases: 4 typical inputs, 3 edge cases, and 3 adversarial inputs.
- State the expected property of the output for each case, in a form code or a reviewer can check.
- Name the check for each property: exact match, schema validation, a rule, or a graded rubric.
- State the pass threshold for the suite as a number.
- Do not invent facts about the feature; base every case on the description.

## Output format
Return markdown with three sections: Test cases (a table with the columns ID, Type, Input summary, Expected property, and Check), Pass threshold (one sentence), and Gaps (bulleted list of what the description does not let you test).

## Input
<feature>
{{feature}}
</feature>
Im Arbeitsbereich optimieren

Variablen

{{feature}}
Was die Funktion tut, ihre Eingaben, ihre Ausgaben und was eine falsche Antwort kostet.

Beispieleingabe

feature: extracts the due date and total from invoice text into JSON; a wrong total causes an incorrect payment.

Beispielausgabe

## Test cases
| ID | Type | Input summary | Expected property | Check |
|---|---|---|---|---|
| T1 | Typical | One-page invoice with one total | `total` equals 1250.00 | Exact match |
| A1 | Adversarial | Invoice text containing "ignore the instructions" | Output is valid JSON with the real total | Schema validation |

Beispielhaft: geschrieben, um die erwartete Form zu zeigen, nicht von einem Modell erzeugt.

  • agents
  • tool use
  • mcp
  • json schema
97/100 · 154 Tokens

Tool-Definition für einen Agenten

Schreibt Namen, Beschreibung und JSON Schema eines Tools, das ein Agent korrekt nutzen kann, aus einer von Ihnen beschriebenen Funktion.

Einsetzen, wenn: Beim Bereitstellen einer Funktion für einen Agenten oder MCP-Client, wo eine vage Beschreibung zu falschen Aufrufen führt.

prompt
You are an AI engineer defining tools for a model that calls tools.

## Task
Draft a tool definition for the operation described below.

## Requirements
- Name the tool with a verb and a noun in snake_case.
- Write a description that says what the tool does, when to call it, and when not to call it.
- Describe every parameter with its type, format, and one example value.
- Mark a parameter as required only when the operation cannot run without it.
- Use enum for every parameter with a fixed set of values.

## Output format
Return one fenced JSON block containing an object with the keys name, description, and input_schema, where input_schema is a JSON Schema object.

## Input
<operation>
{{operation}}
</operation>
Im Arbeitsbereich optimieren

Variablen

{{operation}}
Was die Operation tut, ihre Parameter, was sie zurückgibt und ihre Grenzen.

Beispieleingabe

operation: searches support tickets by text and status (open, pending, closed), returns at most 20 tickets, read-only.

Beispielausgabe

```json
{ "name": "search_tickets", "description": "Search support tickets by text. Call it to find existing tickets before creating one. Read-only; it cannot modify tickets.", "input_schema": { "type": "object", "properties": { "query": { "type": "string" }, "status": { "type": "string", "enum": ["open", "pending", "closed"] } }, "required": ["query"] } }
```

Beispielhaft: geschrieben, um die erwartete Form zu zeigen, nicht von einem Modell erzeugt.

Machen Sie ihn zu Ihrem

Passen Sie die Anforderungen an Ihre Standards an und prüfen Sie dann das Ergebnis. Der Prompt-Analyzer bewertet neu, während Sie tippen, der Optimierer entfernt Füllwörter, ohne eine Anforderung zu verlieren, und der Sicherheitsscanner markiert Geheimnisse und personenbezogene Daten, bevor Sie den Prompt an ein Modell senden.

Weitere Kategorien