Einleitung

Schauen Sie sich um.

Wir sind in der Welt der Daten und der KI gefangen. Von Schülern, die ChatGPT für ihre Hausaufgaben nutzen, bis hin zu Fachleuten, die KI für Marktforschung, Content-Erstellung oder sogar Code-Debugging einsetzen – alle nutzen die Leistungsfähigkeit großer Sprachmodelle (LLMs). Herr Smith googelt seine Steuerfragen nicht mehr, sondern stellt sie einem KI-Assistenten.

Doch so weit verbreitet KI auch geworden ist, eines bleibt klar: Nicht jedes Ergebnis, das ein KI-Tool, wie beispielsweise ein KI-Agent oder ein Chatbot, liefert eine ähnliche Qualität oder das gewünschte Ergebnis; es hängt ganz von der Art der Anfrage ab. Hier kommt Prompt Engineering ins Spiel. Prompt Engineering ist eine wesentliche Fähigkeit, um die Qualität der von LLMs generierten Ergebnisse zu verbessern. In diesem Blogbeitrag untersuchen wir die Best Practices des Prompt Engineering. Egal, ob Sie Erstellen eines KI-Agenten oder einfach nur versuchen, eine bessere Antwort von Ihrem Chatbot zu erhalten, Sie wissen genau, wie Sie die Sprache der KI sprechen.

Was ist Prompt-Engineering?

Prompt Engineering ist die Kunst, Anweisungen für KI-Tools zu schreiben. Durch Eingabeaufforderungen weiß KI-Software, welche Aufgabe sie ausführen soll, sei es das Schreiben einer E-Mail, die Planung eines Meetings oder das Verfassen eines Blogbeitrags. Ohne klare Anweisungen wissen KI-Anwendungen nicht, was sie tun sollen.

Als CEO von Anthropic angegeben:

„Es klingt einfach, aber 30 Minuten mit einem hilfsbereiten Techniker können oft dafür sorgen, dass eine Anwendung funktioniert, die vorher nicht funktionierte.“

Dario Amodei, CEO und Mitbegründer von Anthropic.

Best Practices für schnelles Engineering

Mithilfe von Prompt Engineering erhalten Sie präzisere und hilfreichere Antworten von KI-Modellen. Dieser Abschnitt enthält praktische Tipps zum Verfassen besserer Prompts. Der Schwerpunkt liegt darauf, häufige Fehler zu vermeiden und KI für Ihren Anwendungsfall effektiver einzusetzen.

Geben Sie eine Zielgruppe an

Um das gewünschte Ergebnis zu erhalten, geben Sie an, für wen die KI antworten soll. Die Angabe einer Zielgruppe gibt Ihrer Eingabe Struktur und Richtung. So stellen Sie sicher, dass das Ergebnis Ihren Zielen entspricht, egal ob Sie E-Mails verfassen, Dokumente zusammenfassen oder Kundenanfragen bearbeiten.

Eingabeaufforderung 1: „Fassen Sie dieses Dokument zusammen.“

Aufforderung 2: „Fassen Sie diesen Marketingbericht für den Vertriebsleiter in drei Aufzählungspunkten zusammen und heben Sie dabei die wichtigsten Umsatztrends hervor.“

Eingabeaufforderung 2 funktioniert besser, da sie die Zielgruppe, das Ausgabeformat und den Schwerpunktbereich, d. h. Umsatztrends, angibt.

Seien Sie klar und konkret

KI-Tools funktionieren am besten, wenn die Anweisungen eindeutig sind. Vermeiden Sie allgemeine oder zu wortreiche Anweisungen. Verwenden Sie stattdessen eine präzise Sprache, definieren Sie alle Begriffe und geben Sie an, was der LLM tun soll. Geschäftsanwender sollten die Anweisungen eher als kurzes Briefing denn als lockeres Gespräch betrachten.

Aufforderung 1: „Machen Sie das besser.“

Aufforderung 2: „Schreiben Sie diese Nachricht in einem überzeugenden Ton für einen Unternehmenskäufer um.“

Eingabeaufforderung 2 funktioniert besser, da sie den Ton, die Zielgruppe und den Zweck der Eingabeaufforderung angibt.

Legen Sie eine Persona fest

Eine der effektivsten Möglichkeiten, das Verhalten von KI zu steuern, besteht darin, ihr eine Rolle oder Persona zuzuweisen. Dies hilft dem Modell, Ton, Vokabular und Antwortstil an den beabsichtigten Kontext anzupassen – ähnlich wie bei der Einweisung eines neuen Mitarbeiters.

Beispiel einer Aufforderung: „Sie sind ein Kundendienstmitarbeiter. Reagieren Sie auf die folgende Beschwerde in einem ruhigen und hilfreichen Ton.“

Verstehen Sie die vorliegende Aufgabe

Das klare Verständnis der Aufgabe ist der erste Schritt zum Schreiben effektive KI-Eingabeaufforderungen. Untersuchen Sie verschiedene Datenpunkte, um den Umfang der Aufgabe zu verstehen, bevor Sie Eingabeaufforderungen formulieren. Dies liegt daran, dass LLMs Anweisungen wörtlich befolgen. Wenn Ihre Aufgabe unterspezifiziert oder falsch ausgerichtet ist, wird es auch das Ergebnis sein.

Gute Vorgehensweise bei der Eingabeaufforderung:

Aufgabe: Zusammenfassung der Verkaufsleistung

Aufforderung: „Fassen Sie die monatliche Umsatzentwicklung aller Regionalmanager zusammen. Markieren Sie alle Regionen, in denen der Umsatz im Vergleich zum Vormonat um mehr als 15 % zurückgegangen ist.“

Warum es funktioniert:

• Definiert die Art der benötigten Zusammenfassung
• Klärt, was analysiert werden soll (regionale Verkäufe)
• Bietet einen Schwellenwert (15 %), um zusätzliche Aufmerksamkeit auszulösen

Mehrdeutigkeiten beseitigen

Seien Sie präzise. Vermeiden Sie vage Wörter, Ausdrücke und Terminologien und verzichten Sie auf Annahmen.

Aufforderung 1: „Extrahieren Sie relevante Daten aus diesem Formular.“

Was ist los?

• Was bedeutet „relevant“?
• Um welche Art von Formular handelt es sich?
• Welche Felder sollen wir extrahieren?
• In welchem ​​Format soll die Ausgabe sein?

Aufforderung 2: Extrahieren Sie die folgenden Felder aus dem Bestellformular: Kundenname, Bestellnummer, Produkt, Menge und Gesamtpreis. Geben Sie das Ergebnis im JSON-Format mit den Feldnamen als Schlüssel zurück.

Warum das funktioniert:

• Es werden bestimmte Felder aufgelistet.
• Der Dokumenttyp wird identifiziert.
• Das Ausgabeformat wird klar angegeben.

Sagen Sie der KI, was sie nicht tun soll

Genau wie Menschen profitiert auch KI von klaren Grenzen. Indem man dem Modell sagt, was es nicht tun soll, vermeidet man irrelevante Ergebnisse, insbesondere bei wichtigen Geschäftsaufgaben.

Aufforderung 1: „Fassen Sie diesen Bericht zusammen.“

Aufforderung 2: „Fassen Sie den beigefügten Finanzbericht in weniger als 200 Wörtern zusammen. Verzichten Sie auf einführende Kontexte oder historische Vergleiche. Konzentrieren Sie sich ausschließlich auf die Umsatzzahlen und Kostenaufschlüsselungen des vierten Quartals.“

Eingabeaufforderung 2 funktioniert besser, da sie die Wortanzahl, nicht einzuschließende Elemente und den Schwerpunktbereich angibt und so zu besseren Ergebnissen führt.

Komplexe Aufgaben aufschlüsseln

Teilen Sie die Aufgabe in kleinere, logische Schritte (Schritt-für-Schritt-Anleitungen) auf und achten Sie darauf, alle notwendigen Informationen einzubeziehen. Diese Technik wird als Gedankenketten-Prompting bezeichnet. Vermeiden Sie es, die Eingabeaufforderung zu überanzupassen, d. h. zu versuchen, in einer einzigen Eingabeaufforderung zu viel zu erledigen.

Überlastungsaufforderung: „Lesen Sie die Rechnung, bereinigen Sie die Daten, fassen Sie sie zusammen, erstellen Sie ein visuelles Diagramm der monatlichen Ausgaben und identifizieren Sie auch alle Anomalien, die Ihnen auffallen.“

Was ist los?

• Es versucht, zu viele Dinge zu tun.
• Keine klare Trennung zwischen den Aufgaben.
• Es fehlt an Formatierung oder Struktur.

Schritt-für-Schritt-Anleitung: „Führen Sie die folgenden Aufgaben der Reihe nach aus:

1. Extrahieren Sie die folgenden Felder aus der Rechnung: Datum, Lieferant, Betrag und Kategorie.
2. Fassen Sie die gesamten monatlichen Ausgaben zusammen, gruppiert nach Kategorien.
3. Markieren Sie alle Transaktionen, deren Betrag 10,000 $ übersteigt.
4. Gibt das Ergebnis als JSON-Objekt zurück.“

Warum das funktioniert:

• Aufgeteilt in 4 überschaubare Schritte.
• Die Ausgabeerwartungen sind definiert.
• Für das Modell (oder die Pipeline) leicht zu verfolgen und zu debuggen.

Strukturieren Sie Eingabeaufforderungen nach Priorität

Listen Sie zuerst die gewünschten Aktionen auf, gefolgt von Ausnahmen und Sonderfällen. Fügen Sie anschließend Anweisungen hinzu, was zu vermeiden ist.

Ejemplo:

1. Sie sind ein Assistent eines Business-Analysten, der monatliche Verkaufsdaten im CSV-Format überprüft.
2. Beginnen Sie mit der Berechnung des Gesamtumsatzes, der Anzahl der Transaktionen und des durchschnittlichen Bestellwerts.
3. Gruppieren Sie dann die Verkäufe nach „Produktkategorie“ und berechnen Sie den Gesamtumsatz und Erlös für jede Kategorie.
4. Markieren Sie alle Produktkategorien, bei denen der monatliche Umsatz im Vergleich zum Vormonat um mehr als 20 % gesunken ist.
5. Wenn bei Einträgen die Produkt-ID oder die Umsatzwerte fehlen, markieren Sie diese Zeilen separat unter „Datenprobleme“.
6. Machen Sie keine Vorhersagen oder Prognosen, sondern analysieren Sie nur historische Daten.
7. Geben Sie die Ausgabe in einem strukturierten JSON-Format mit eindeutigen Schlüsseln und Unterabschnitten für Zusammenfassung, Aufschlüsselung und Probleme zurück.

Geben Sie das Ausgabeformat an

Geben Sie klare Anweisungen zum Ausgabeformat. Geben Sie beispielsweise in Ihrer Eingabeaufforderung an, dass die Ausgabe im CSV-Format erfolgen soll, und geben Sie das Trennzeichen an. Ohne Formatanweisungen kann die KI Daten in unerwarteter Weise zurückgeben – in Anführungszeichen, als Klartext oder sogar in einer falschen Struktur.

Beispiel für eine Eingabeaufforderung: „Ich erhalte nur die durch Trennzeichen getrennte Ausgabe mit Feldüberschriften und Werten. Bitte schließen Sie die Ausgabe nicht in Klammern oder Anführungszeichen ein.“

Final Word

Prompt Engineering ist mehr als nur das Schreiben cleverer Anweisungen. Es geht darum zu verstehen, wie große Sprachmodelle Kontext, Struktur und Logik interpretieren. Ein gut formulierter Prompt erhöht die Wahrscheinlichkeit, die richtige Antwort vom Sprachmodell zu erhalten, deutlich. Da der Einfluss von KI auf Geschäftsabläufe immer weiter zunimmt, ist die Fähigkeit, präzise und effektive Prompts zu schreiben, zu einer entscheidenden Kompetenz in allen Rollen geworden.

Mit Plattformen wie AsteraMit Prompt Engineering wird Prompt Engineering intuitiv und leistungsstark. Benutzer können Prompts dynamisch in Low-Code-Workflows integrieren, Anweisungsketten bedingt ausführen und Antworten mithilfe von Funktionen und Unternehmensdaten sogar optimieren.

Erfahren Sie mehr darüber Astera KI-Agenten-Builder.

Viel Spaß beim Anstoßen!