Rollen-Prompting erklärt
Beim Rollen-Prompting soll das Modell aus einer bestimmten professionellen Perspektive antworten. Die Rolle sollte zur Aufgabe passen und nicht bloß theatralisch wirken. „Handle als erfahrene Leitung im Support-Betrieb“ ist für Ticket-Workflows hilfreich; „Handle als Genie“ fügt meist wenig hinzu.
Few-Shot-Prompting erklärt
Few-Shot-Prompting bedeutet, dass du einige Beispiele für Eingabe und gewünschte Ausgabe bereitstellst. Das ist besonders hilfreich, wenn sich Format, Tonalität oder Klassifikationsgrenzen schwer beschreiben lassen. Zwei bis fünf präzise Beispiele sind häufig besser als eine lange abstrakte Erklärung.
Prompt Chaining erklärt
Prompt Chaining teilt eine komplexe Aufgabe in kleinere Schritte. Statt Recherche, Gliederung, Entwurf, Kritik und Endfassung gleichzeitig anzufordern, nutzt du eine Abfolge: Fakten extrahieren, Struktur erstellen, Entwurf schreiben, bewerten und überarbeiten. Das verbessert die Kontrolle und macht Fehler leichter erkennbar.
Kombiniere Prompting-Techniken zu Systemen, die du testen, verbessern, mit Retrieval versorgen und wiederverwenden kannst.
Die stärkere Idee: Entwirf ein Prompt-Betriebssystem
Bei wiederkehrender Arbeit ist der beste Prompt selten nur ein einzelner cleverer Satz. Behandle ihn wie ein kleines Betriebssystem: Rolle, Eingaben, Quellenregeln, Qualitätsmaßstab, Ausgabeformat und Prüfschritt. Dadurch wird der Workflow vermittelbar und leichter zu debuggen.
„Schreibe unsere Onboarding-E-Mail.“ Das Modell errät Zielgruppe, Tonalität, Produktdetails und Erfolgskriterien.
„Verwende das Kundensegment, das Produktversprechen, den Tonalitätsleitfaden, verbotene Aussagen, Beispiel-E-Mails und die folgende Checkliste. Erstelle einen Entwurf, prüfe ihn selbst und gib anschließend die finale E-Mail aus.“
Context Engineering erklärt
Context Engineering ist die Disziplin, zu entscheiden, welche Informationen zum richtigen Zeitpunkt in das Modell gelangen. Dazu gehören Quellenauswahl, Anweisungshierarchie, Speicher, Retrieval, Beispiele, Tools und Ausgabeschemata. Das Ziel lautet nicht „maximaler Kontext“, sondern der kleinste verlässliche Kontext.
Prompts testen
Beim Prompt-Test wird dieselbe Aufgabe mit repräsentativen Beispielen ausgeführt und die Ausgaben werden bewertet. Verwende ein Bewertungsraster mit Kriterien wie Genauigkeit, Vollständigkeit, Formatbefolgung, Tonalität, Sicherheit und Bearbeitungszeit. Halte einen kleinen Regressionstest-Satz bereit, damit du bemerkst, wenn eine Prompt-Änderung einen Fall verbessert, aber einen anderen verschlechtert.
Bessere KI-Antworten erhalten
Bessere Antworten entstehen meist durch klarere Ziele, besseren Kontext, ausdrückliche Vorgaben, Beispiele und einen Prüfschritt. Fordere das Modell auf, Annahmen zu nennen, ein festgelegtes Format zu verwenden und Unsicherheit zu kennzeichnen. Stelle für wichtige Fakten Quellen bereit oder verlange Zitate aus abgerufenem Material.
RAG einfach erklärt
RAG steht für Retrieval-Augmented Generation. Das System durchsucht zuerst eine Wissensbasis, übergibt relevante Textstellen an das Modell und lässt anschließend eine Antwort erzeugen, die auf diesen Passagen beruht. RAG ist nützlich, wenn Antworten von privaten, veränderlichen oder umfangreichen Dokumenten abhängen. Für einfache Schreibaufgaben ist es nicht erforderlich.
Was sind KI-Agenten?
Bisher hast du Prompts geschrieben, auf die eine einzelne Antwort zurückkommt. Ein KI-Agent geht einen Schritt weiter: Er kann mehrere Schritte planen, Tools wie Suche oder Taschenrechner verwenden, das Ergebnis betrachten und entscheiden, was als Nächstes zu tun ist. Dieser Zyklus wiederholt sich, bis die Aufgabe abgeschlossen ist. Der Unterschied ähnelt dem zwischen einer Wegbeschreibung und dem Übergeben der Schlüssel, damit jemand den Auftrag selbst erledigt.
Agenten eignen sich für mehrstufige Aufgaben, die sonst viele einzelne Prompts erfordern würden: mehrere Seiten recherchieren und anschließend zusammenfassen oder etwas nachschlagen und darauf basierend eine Antwort entwerfen. Der Preis dafür ist weniger direkte Kontrolle. Weil ein Agent selbstständig handelt, brauchst du klarere Grenzen und häufig einen Prüfschritt, bevor etwas Wichtiges geschieht. Die technischen Details zu Agenten, Tools und Large Action Models behandelt die fortgeschrittene Anleitung.
Temperatur einfach erklärt
Die Temperatur steuert, wie viel Zufälligkeit das Modell bei der Auswahl von Token verwendet. Eine niedrigere Temperatur führt tendenziell zu vorhersehbareren und konsistenteren Ergebnissen. Eine höhere Temperatur kann mehr Vielfalt und Kreativität erzeugen, erhöht aber möglicherweise die Abweichung von den Anweisungen. Sie ist kein Qualitätsregler, sondern ein Variationsregler.
Wie das Modell jedes Wort auswählt: Greedy, Top-k und Top-p
Die Temperatur ist nur ein Regler innerhalb eines größeren Schritts, der Decoding oder Sampling genannt wird. An jeder Position weist das Modell jedem möglichen nächsten Token eine Wahrscheinlichkeit zu. Die Decoding-Methode entscheidet anschließend, welcher Kandidat tatsächlich gewählt wird. Diese Einstellungen erklären, warum derselbe Prompt je nach API-Konfiguration starr, leicht wiederholend oder sehr kreativ wirken kann.
Die verbreiteten Methoden, von streng bis flexibel:
Wählt bei jedem Schritt das Token mit der höchsten Wahrscheinlichkeit. Dadurch entfällt die Sampling-Zufälligkeit dieses Decoders. Identische Ausgaben sind dennoch nicht über Modellversionen, numerische Implementierungen, Backend-Änderungen oder nicht deterministische Infrastruktur hinweg garantiert.
Behält nur die k wahrscheinlichsten Token, zum Beispiel 40, und wählt anschließend aus dieser Menge. Die Auswahlliste hat eine feste Größe, unabhängig davon, wie sicher das Modell ist.
Behält die kleinste Token-Menge, deren Wahrscheinlichkeiten zusammen den Wert p ergeben, etwa 0,9. Die Auswahlliste wird kleiner, wenn das Modell sicher ist, und größer, wenn es unsicher ist.
Eine neuere Option: Sie behält Token, die mindestens einen bestimmten Anteil der Wahrscheinlichkeit des wahrscheinlichsten Tokens erreichen. Bei hoher Temperatur bleibt sie tendenziell stabiler als Top-p.
Diese Einstellungen beeinflussen sich gegenseitig, doch die genaue Reihenfolge und die verfügbaren Regler hängen von der Implementierung ab. In einer verbreiteten Pipeline skaliert die Temperatur die Logits vor einem Top-k- oder Top-p-Filter; andere Laufzeiten kombinieren oder ordnen die Prozessoren anders. Einige Anbieter empfehlen, entweder Temperatur oder Top-p zu verändern, statt beide gleichzeitig anzupassen. Halte dich an die Dokumentation des jeweiligen Modells und der API.
