Künstliche Intelligenz kann Texte schreiben, Ideen entwickeln, Informationen zusammenfassen oder beim Programmieren helfen. Doch wie gut das Ergebnis ist, hängt oft davon ab, wie wir unsere Anfrage formulieren. Genau hier kommt Prompt Engineering ins Spiel.
Ganz kurz zusammengefasst: Prompt Engineering ist das Entwickeln von Prompts, um mit der minimalsten Eingabe die bestmögliche Ausgabe zu Erhalten.
Was bedeutet Prompt Engineering?
Ein Prompt ist eine Anweisung oder Frage, die wir einer KI wie ChatGPT geben. Prompt Engineering bezeichnet die Methode, solche Anweisungen gezielt zu formulieren und zu verbessern, damit die KI möglichst passende Ergebnisse liefert.
Statt beispielsweise nur zu schreiben:
„Schreibe etwas über künstliche Intelligenz.“
könnte ein genauerer Prompt lauten:
„Schreibe einen kurzen Blogartikel für Einsteiger, der in einfachen Worten erklärt, was künstliche Intelligenz ist. Verwende drei kurze Abschnitte und ein praktisches Beispiel.“
Die zweite Variante gibt der KI deutlich mehr Informationen darüber, welches Ergebnis erwartet wird.
Was macht einen guten Prompt aus?
Gute Prompts enthalten möglichst klare Angaben zu Aufgabe, Kontext und gewünschtem Ergebnis. Zusätzlich können Zielgruppe, Schreibstil, Länge oder Ausgabeformat festgelegt werden.
Dabei muss ein Prompt nicht unbedingt kompliziert sein. Entscheidend ist, dass die KI möglichst eindeutig versteht, was sie tun soll.
Warum ist Prompt Engineering wichtig?
KI-Systeme werden zunehmend im Beruf und im Alltag eingesetzt. Wer gute Prompts formulieren kann, erhält häufig schneller brauchbare Ergebnisse und muss weniger nachbessern.
Prompt Engineering ist deshalb weniger eine geheime Technik als vielmehr eine neue Form der Kommunikation: Je klarer wir einer KI erklären, was wir benötigen, desto gezielter kann sie uns unterstützen.
Welche Arten von Prompt-Engineering gibt es ?
Es gibt verschiedene Arten bzw. Techniken des Prompt Engineerings. Die Grenzen sind nicht immer scharf – häufig werden mehrere Methoden miteinander kombiniert.
- Zero-Shot Prompting
Die KI bekommt eine Aufgabe, aber kein Beispiel.
Beispiel: „Fasse diesen Text in drei Sätzen zusammen.“ - One-Shot Prompting
Die KI erhält ein Beispiel, an dem sie sich orientieren kann. Das hilft etwa dabei, einen bestimmten Stil oder ein Ausgabeformat vorzugeben. - Few-Shot Prompting
Hier werden mehrere Beispiele mitgegeben. Dadurch erkennt das Modell besser, welches Muster bei der Antwort erwartet wird. - Role Prompting
Der KI wird eine bestimmte Rolle oder Perspektive gegeben.
Beispiel: „Erkläre als erfahrener Mathematiklehrer den Satz des Pythagoras für einen Schüler der 8. Klasse.“ - Context Prompting
Die KI erhält zusätzliche Hintergrundinformationen, die sie für ihre Antwort berücksichtigen soll. Das können beispielsweise Unternehmensinformationen, Texte, Daten oder Regeln sein. - Structured Prompting
Aufgabe und gewünschte Ausgabe werden klar strukturiert. Man kann beispielsweise Ziel, Zielgruppe, Anforderungen und Ausgabeformat getrennt festlegen.
Beispiel: „Zielgruppe: Anfänger. Länge: 300 Wörter. Stil: verständlich. Format: Überschrift + drei Abschnitte.“ - Prompt Chaining
Eine größere Aufgabe wird in mehrere aufeinanderfolgende Prompts zerlegt. Zum Beispiel: erst Ideen sammeln, anschließend eine Gliederung erstellen und daraus schließlich einen Blogartikel schreiben. - Iteratives Prompting
Ein Prompt wird anhand der erhaltenen Ergebnisse schrittweise verbessert. Statt sofort den perfekten Prompt finden zu wollen, ergänzt oder verändert man die Anweisungen. - Reasoning-orientiertes Prompting
Bei komplexeren Aufgaben wird der Prompt so gestaltet, dass das Modell relevante Zwischenschritte, Kriterien oder Prüfungen berücksichtigt. Besonders nützlich ist das bei Problemlösung, Analyse und Planung.
Für Einsteiger sind vor allem vier Techniken wichtig: klare und strukturierte Prompts, ausreichend Kontext, Beispiele (Few-Shot) und die schrittweise Verfeinerung eines Prompts. Diese Methoden decken bereits sehr viele praktische Anwendungsfälle ab.
