Grundlagen des Promptings
Was sind Prompts?
Ein Prompt ist eine Eingabeaufforderung oder Anweisung, die Sie an ein Sprachmodell geben, um eine gewünschte Antwort oder Ausgabe zu erhalten. Im Wesentlichen ist ein Prompt der Text oder die Information, die Sie dem Modell vorlegen, damit es darauf reagiert. Prompts können sehr einfach sein, wie zum Beispiel eine einzelne Frage oder ein Satzfragment, oder sie können komplexe Anweisungen und Kontextinformationen enthalten.
Beispiele für Prompts:
Der Himmel istErkläre den Begriff "Künstliche Intelligenz" in einfachen Worten.Q: Was ist Prompt-Engineering?
A:Prompts sind die Grundlage der Interaktion mit großen Sprachmodellen (Large Language Models, LLMs) und bestimmen maßgeblich die Qualität und Relevanz der generierten Antworten.
Was bedeutet Prompting?
Prompting bezeichnet den Prozess, bei dem Sie einem Sprachmodell gezielt Prompts geben, um eine bestimmte Aufgabe zu erfüllen oder Informationen zu erhalten. Dabei geht es darum, den Prompt so zu gestalten, dass das Modell die gewünschte Antwort liefert. Je nachdem, wie gut ein Prompt formuliert ist, kann die Qualität der Ausgabe stark variieren.
Beim Prompting können Sie verschiedene Elemente verwenden, wie zum Beispiel:
- Eine klare Anweisung oder Frage
- Kontextinformationen, die das Modell unterstützen
- Beispiele, die zeigen, wie die Antwort aussehen soll
Durch geschicktes Prompting können Sie das Verhalten von Sprachmodellen steuern und sie für vielfältige Anwendungen nutzen, von der Textgenerierung über Übersetzungen bis hin zu komplexen Analyseaufgaben.
Was ist Prompt-Engineering?
Das sogenannte Prompt-Engineering ist eine noch junge, aber zunehmend zentrale Disziplin im Umgang mit großen Sprachmodellen. Es befasst sich mit der systematischen Gestaltung, Analyse und Optimierung von Prompts, um das Verhalten von Sprachmodellen gezielt zu steuern und ihre Leistungsfähigkeit bestmöglich auszuschöpfen.
Ziel des Prompt-Engineerings ist es, ein tieferes Verständnis darüber zu erlangen, wie LLMs auf Spracheingaben reagieren, welche Grenzen ihr Verständnis und ihre Generierungslogik aufweisen und wie sich diese Grenzen durch geeignete Strategien überwinden lassen. Forschende nutzen entsprechende Methoden, um die Genauigkeit, Kohärenz und Zuverlässigkeit von Modellen bei komplexen Aufgaben, etwa in der Fragebeantwortung, beim wissenschaftlichen Schreiben oder in der Wissensextraktion, zu verbessern.
Für Entwicklerinnen und Entwickler eröffnet das Prompt-Engineering die Möglichkeit, robuste und reproduzierbare Prompt-Strategien zu entwerfen, die eine kontrollierte Interaktion mit LLMs und anderen KI-Systemen erlauben. Dabei geht es nicht allein um das Formulieren geeigneter Prompts, sondern auch um die Integration zusätzlicher Wissensquellen, externer Werkzeuge und sicherheitsrelevanter Mechanismen.
Im Kontext von Forschung und Lehre trägt das Prompt-Engineering somit zu einem besseren Verständnis der Funktionsweise generativer Modelle bei. Es unterstützt sowohl die Entwicklung neuer Fähigkeiten von LLMs als auch die sichere und verantwortungsbewusste Anwendung dieser Technologie. Der vorliegende Leitfaden bietet eine strukturierte Einführung in die theoretischen Grundlagen, aktuellen Forschungsergebnisse, erprobten Techniken und praktischen Anwendungsbeispiele des Prompt-Engineerings.
Einfacher Prompt
Mit einfachen Prompts können Sie viel erreichen, aber die Qualität der Ergebnisse hängt davon ab, wie viele Informationen Sie bereitstellen und wie gut der Prompt formuliert ist. Ein einfacher Prompt ist oft nur eine kurze Anweisung oder ein Satzfragment, das das Modell vervollständigen soll.
Beispiel:
Der Himmel ist...blau ⛅ - meistens jedenfalls!
Möchtest du, dass ich den Satz fertigstelle (z. B. poetisch, grammatikalisch oder kreativ)?
Dieses Beispiel zeigt, wie ein Modell mit einer Sequenz von Token antwortet, die im Kontext „Der Himmel ist“ Sinn ergeben. Die Ausgabe könnte unerwartet oder weit von der gewünschten Aufgabe entfernt sein, was die Notwendigkeit verdeutlicht, Prompts gezielter zu formulieren.
Context Prompt
Um die Modellantwort besser zu steuern, können Sie zusätzliche Informationen in den Prompt aufnehmen, etwa eine klare Anweisung oder Kontext, der das Modell auf die gewünschte Aufgabe hinweist.
Beispiel:
Vervollständige diesen Satz:
Der Himmel istDer Himmel ist blau. 🌤️
Durch die Hinzufügung der Anweisung „Vervollständige diesen Satz:“ wird das Modell gezielt auf die Aufgabe hingewiesen, was zu einer präziseren und relevanteren Antwort führt. Dieser Ansatz ist ein grundlegendes Beispiel für das Prompt-Engineering, bei dem Prompts so gestaltet werden, dass sie das Modell effektiv anleiten.
Neuere OpenAI-Modelle wie GPT-5 ermöglichen zudem größere Kontextfenster, multimodale Eingaben und feinere Steuerungsoptionen, wodurch Prompts komplexere System- und Beispielnachrichten enthalten können, um das Verhalten noch gezielter zu beeinflussen.
QA-Prompt (Frage-Antwort-Prompt)
Eine häufig genutzte und effektive Technik beim Prompting ist das Frage-Antwort-Format (QA-Prompt), das in vielen QA-Datensätzen Standard ist. Dabei wird der Prompt in Form von Fragen und Antworten strukturiert, um das Modell zu einer spezifischen Antwort zu führen.
Ein einfaches QA-Prompt-Beispiel:
Q: Was ist Prompt-Engineering?
A:Man kann den Teil „Q:“ weglassen, wenn das Modell die Frage auch ohne diese Kennzeichnung als solche erkennt:
Was ist Prompt-Engineering?Neben dem Zero-Shot-Prompting, bei dem das Modell direkt zur Antwort aufgefordert wird, gibt es das Few-Shot-Prompting. Dabei werden Beispiele (Demonstrationen) im Prompt bereitgestellt, um dem Modell die gewünschte Aufgabe zu veranschaulichen.
Beispiel für Few-Shot-Prompting im QA-Format:
Q: Was ist KI?
A: KI steht für Künstliche Intelligenz und bezeichnet Maschinen, die menschenähnliche Aufgaben ausführen können.
Q: Was bedeutet Machine Learning?
A: Machine Learning ist ein Teilgebiet der KI, bei dem Maschinen aus Daten lernen, ohne explizit programmiert zu sein.
Q: Was ist Prompt-Engineering?
A:Oder im freien Format:
Das ist toll! // Positiv
Das ist schlecht! // Negativ
Wow, der Film war klasse! // Positiv
Was für eine fürchterliche Vorstellung! //Negativ ✅
Few-Shot-Prompts ermöglichen das sogenannte in-context learning, also die Fähigkeit von Sprachmodellen, Aufgaben anhand einiger Demonstrationen zu erlernen. Sowohl Zero-Shot- als auch Few-Shot-Prompting sind wichtige Techniken im Prompt-Engineering und werden in diesem Leitfaden weiter vertieft.
Wenn Sie beispielsweise GPT‑5 (oder GPT‑4.1 / GPT‑4o) in der ChatGPT‑App verwenden, können Sie dem Modell einen Prompt stellen, wie im folgenden Screenshot gezeigt. Die hier gezeigten Beispiele richten sich in erster Linie an einfache oder nicht‑technische Nutzer, die die ChatGPT‑App im Alltag verwenden möchten.