Beispiele für Prompts

Im vorherigen Abschnitt haben Sie ein grundlegendes Beispiel kennengelernt, wie Sie Prompts für große Sprachmodelle (LLMs) einsetzen.

In diesem Abschnitt erhalten Sie weitere praxisnahe Beispiele für Prompts, die verschiedene Aufgaben abdecken. Dabei werden wichtige Schlüsselkonzepte eingeführt, die Ihnen helfen, Prompts gezielt und effektiv zu gestalten. Sie lernen, wie Sie Prompts für unterschiedliche Anwendungsbereiche formulieren und erhalten Inspiration für eigene Experimente.

Textzusammenfassung

In diesem Beispiel geht es darum, wie Sie mit einem Prompt – also einer gezielten Eingabeanweisung an ein Sprachmodell – einen Text automatisch zusammenfassen lassen. Die Textzusammenfassung ist eine der klassischen Aufgaben der natürlichen Sprachverarbeitung und zeigt, wie leistungsfähig LLMs beim Verdichten von Informationen sind.

Stellen Sie sich vor, Sie möchten sich kurz und verständlich über das Thema Antibiotika informieren. Sie könnten das Modell mit folgendem Prompt beauftragen:

Erklären Sie Antibiotika.

A:

Antibiotika sind Medikamente, die zur Behandlung bakterieller Infektionen eingesetzt werden. Sie wirken, indem sie Bakterien abtöten oder deren Vermehrung verhindern, sodass das Immunsystem die Infektion bekämpfen kann. Antibiotika werden meist als Tabletten, Kapseln, Flüssigkeiten oder manchmal intravenös verabreicht. Sie helfen nicht gegen Viren, und falscher Gebrauch kann zu Resistenzen führen.

Das „A:“ im Prompt kennzeichnet, dass an dieser Stelle die Antwort erwartet wird. Mit solchen Formatierungen können Sie das Modell gezielt steuern und die Struktur der Ausgabe beeinflussen. In manchen Fällen ist dies besonders hilfreich, etwa wenn Sie konsistente Antworten benötigen.

Nehmen wir an, Sie möchten die Informationen noch stärker verdichten. Sie können das Modell bitten, die Erklärung in einem einzigen Satz zusammenzufassen:

Antibiotika sind Medikamente, die zur Behandlung bakterieller Infektionen eingesetzt werden. Sie wirken, indem sie Bakterien abtöten oder deren Vermehrung verhindern, sodass das Immunsystem die Infektion bekämpfen kann. Antibiotika werden meist als Tabletten, Kapseln, Flüssigkeiten oder manchmal intravenös verabreicht. Sie helfen nicht gegen Viren, und falscher Gebrauch kann zu Resistenzen führen.

Fassen Sie das oben Gesagte in einem Satz zusammen:

Antibiotika sind Medikamente zur Behandlung bakterieller Infektionen, wirken nicht gegen Viren und können bei falscher Anwendung Resistenzen verursachen.

Unabhängig von der inhaltlichen Genauigkeit – auf die wir in einem späteren Leitfaden eingehen – zeigt dieses Beispiel, wie Sie gezielt Anweisungen geben, um kompakte Zusammenfassungen zu erhalten. Experimentieren Sie gerne mit eigenen Prompts und prüfen Sie, wie sich die Ergebnisse verändern.

Informationsgewinnung

In diesem Abschnitt erfahren Sie, wie Sie mit Prompts gezielt Informationen aus einem Text extrahieren. Die Informationsgewinnung ist eine zentrale Aufgabe im Bereich der natürlichen Sprachverarbeitung und wird häufig eingesetzt, um Fakten oder spezifische Details aus längeren Texten herauszufiltern.

Das folgende Beispiel zeigt, wie Sie das Modell dazu bringen, ein bestimmtes Produkt aus einem Absatz zu benennen:

Erklärungen über Beitrag der Autoren und Danksagungen in Forschungsarbeiten sollten klar und spezifisch angeben, ob und inwieweit die Autoren KI-Technologien wie ChatGPT bei der Vorbereitung ihres Manuskripts und bei der Analyse verwendet haben. Es sollte auch angegeben werden, welche LLMs verwendet wurden. Dies wird Herausgeber und Gutachter darauf aufmerksam machen, Manuskripte sorgfältiger auf mögliche Voreingenommenheiten, Ungenauigkeiten und unsachgemäße Quellenangaben zu überprüfen. Ebenso sollten wissenschaftliche Zeitschriften transparent sein bezüglich ihrer Nutzung von LLMs, zum Beispiel bei der Auswahl eingereichter Manuskripte.

Nennen Sie das in dem Absatz oben erwähnte Produkt, das auf großen Sprachmodellen basiert:

Das in dem Absatz oben erwähnte auf großen Sprachmodellen basierende Produkt ist ChatGPT.

Dieses Beispiel zeigt, wie Sie gezielte Fragen stellen, um relevante Informationen aus längeren Abschnitten herauszufiltern. Sie können die Ergebnisse weiter verbessern, indem Sie die Prompts noch präziser formulieren.

Quelle des Absatzes: van Dis et al. (2023)¹

Fragenbeantwortung

Hier lernen Sie, wie Sie mit gezielten Prompts präzise Antworten auf konkrete Fragen erhalten. Die strukturierte Beantwortung von Fragen ist eine der wichtigsten Anwendungen von LLMs – etwa für Recherche, Support oder Wissensmanagement.

Eine bewährte Methode ist, das Prompt-Format klar zu strukturieren: Sie geben eine Anweisung, stellen Kontext bereit und kennzeichnen klar die erwartete Antwort. Je spezifischer Sie das gewünschte Verhalten beschreiben, desto zuverlässiger sind die Ergebnisse.

Beantworten Sie die folgende Frage basierend auf dem untenstehenden Kontext. Halten Sie die Antwort kurz und präzise. Falls Sie unsicher sind, antworten Sie mit „Unsicher bezüglich der Antwort“.

Kontext: Teplizumab hat seine Wurzeln in einem pharmazeutischen Unternehmen aus New Jersey namens Ortho Pharmaceutical. Dort haben Wissenschaftler eine frühe Version des Antikörpers erzeugt, der OKT3 genannt wurde. Ursprünglich aus Mäusen gewonnen, konnte das Molekül an die Oberfläche von T-Zellen binden und deren zellabtötendes Potenzial limitieren. Im Jahr 1986 wurde es zugelassen, um Organabstoßungen nach Nierentransplantationen zu verhindern und war damit der erste für den menschlichen Gebrauch zugelassene therapeutische Antikörper.

Frage: Woraus wurde OKT3 ursprünglich gewonnen?

Antwort:

Mäuse.

Kontext aus: Dolgin (2023)²

Textklassifizierung

In diesem Abschnitt erfahren Sie, wie Sie mit Prompts Texte automatisch klassifizieren lassen – etwa nach Stimmung oder Kategorie. Die Textklassifizierung ist eine häufige Aufgabe in der Praxis, zum Beispiel bei der Analyse von Kundenfeedback.

Sie können das Modell zunächst mit einer einfachen Anweisung beauftragen:

Klassifizieren Sie den Text als neutral, negativ oder positiv.

Text: Ich denke, das Essen war okay.
Stimmung:

Neutral

Das Modell hat den Text korrekt als „Neutral“ klassifiziert. Wenn Sie jedoch ein bestimmtes Ausgabeformat erwarten – zum Beispiel das Label in Kleinbuchstaben („neutral“) – können Sie das Modell gezielter anleiten. Hier hilft es, ein Beispiel im Prompt zu geben:

Klassifizieren Sie den Text als neutral, negativ oder positiv.

Text: Ich denke, der Urlaub ist okay.
Stimmung: neutral

Text: Ich denke, das Essen war okay.
Stimmung:

neutral

Das bereitgestellte Beispiel im Prompt hat dem Modell geholfen, das gewünschte Ausgabeformat zu erkennen und umzusetzen.

Speziellere Prompts helfen, Missverständnisse zu vermeiden. Sehen Sie sich das folgende Beispiel an, in dem ein Tippfehler im Label absichtlich eingebaut wurde:

Klassifizieren Sie den Text als nutral, negativ oder positiv.

Text: Ich denke, der Urlaub ist okay.
Stimmung:

Neutral

Das Modell ignoriert das erfundene Label „nutral“ und verwendet stattdessen das bekannte Label „Neutral“. Wenn Sie möchten, dass das Modell tatsächlich „nutral“ verwendet, sollten Sie die Labels beschreiben oder weitere Beispiele hinzufügen. Im weiteren Verlauf werden Sie Methoden kennenlernen, um solche Herausforderungen zu lösen.

Konversation

In diesem Abschnitt erfahren Sie, wie Sie das Verhalten und die Rolle eines Sprachmodells gezielt steuern können. Besonders bei Chatbots oder konversationellen Systemen ist es wichtig, dem Modell klare Anweisungen zu geben, wie es sich verhalten und kommunizieren soll. Diese Technik wird als Rollen-Prompting bezeichnet.

Nehmen wir an, Sie möchten einen KI-Forschungsassistenten simulieren, der auf technische und wissenschaftliche Weise antwortet:

Das Folgende ist ein Gespräch mit einem KI-Forschungsassistenten. Der Ton des Assistenten ist technisch und wissenschaftlich.

Mensch: Hallo, wer sind Sie?
KI: Guten Tag! Ich bin ein KI-Forschungsassistent. Wie kann ich Ihnen heute helfen?
Mensch: Können Sie mir erklären, wie Schwarze Löcher entstehen?
KI:

Natürlich! Schwarze Löcher sind Bereiche der Raumzeit mit einer so starken Gravitation, dass nichts, nicht einmal Licht, entkommen kann. Sie entstehen, wenn ein sehr massereicher Stern am Ende seines Lebenszyklus kollabiert und eine Singularität bildet. Die extreme Gravitation zieht Materie und Strahlung an, wodurch das Schwarze Loch entsteht.

Wenn Sie möchten, dass der Assistent einfacher und für Kinder verständlich antwortet, können Sie das Verhalten gezielt anpassen:

Das Folgende ist ein Gespräch mit einem KI-Forschungsassistenten. Die Antworten des Assistenten sollen für Grundschulkinder leicht verständlich sein.

Mensch: Hallo, wer sind Sie?
KI: Hallo! Ich bin ein KI-Forschungsassistent. Wie kann ich Ihnen helfen?
Mensch: Können Sie mir erklären, wie Schwarze Löcher entstehen?
KI:

Gerne! Ein Schwarzes Loch entsteht, wenn ein großer Stern keinen Treibstoff mehr hat und in sich zusammenfällt. Die Anziehungskraft ist dann so stark, dass nichts mehr entkommen kann – nicht einmal Licht. Deshalb nennen wir das einen „Schwarzen“ Loch.

Durch weitere Beispiele und gezielte Anweisungen können Sie die Konversation noch natürlicher und anwendungsbezogener gestalten.

Code-Generierung

In diesem Abschnitt sehen Sie, wie Sie mit Prompts automatisch Code generieren lassen können. Die Code-Generierung ist eine der beeindruckendsten Fähigkeiten moderner LLMs und findet zum Beispiel in Tools wie Copilot Anwendung.

Probieren Sie zunächst einen einfachen Prompt für ein Begrüßungsprogramm:

/*
Fragen Sie den Nutzer nach seinem Namen und geben Sie "Hallo" aus.
*/

let name = prompt("Wie ist Ihr Name?");
console.log('Hallo, ${name}!');

Sie mussten nicht einmal die Programmiersprache angeben – das Modell hat die Aufgabe verstanden und umgesetzt.

Mit etwas mehr Kontext können Sie noch komplexere Aufgaben lösen lassen. Im nächsten Beispiel geben Sie Informationen zum Datenbankschema und lassen sich eine SQL-Abfrage generieren:

Tabelle departments, Spalten = [DepartmentId, DepartmentName]
Tabelle students, Spalten = [DepartmentId, StudentId, StudentName]
Erstellen Sie eine MySQL-Abfrage für alle Studierenden der Informatik-Fakultät.

SELECT StudentId, StudentName
FROM students
WHERE DepartmentId IN (SELECT DepartmentId FROM departments WHERE DepartmentName = 'Informatik');

Das Modell nutzt die bereitgestellten Informationen zum Datenbankschema und erstellt eine passende Abfrage. So können Sie mit gezielten Prompts auch komplexere Programmieraufgaben lösen lassen.

Schlussfolgerung

In diesem Abschnitt geht es um Aufgaben, die logisches Schlussfolgern oder mathematische Fähigkeiten erfordern. Solche Aufgaben zählen zu den anspruchsvollsten Herausforderungen für große Sprachmodelle und zeigen, wie weit Sie mit gezieltem Prompt-Design kommen können.

LLMs können einfache Rechenaufgaben lösen, stoßen bei komplexeren Schlussfolgerungen aber oft an ihre Grenzen. Hier ist ein Beispiel für eine einfache Multiplikation:

Was ist 9.000 \* 9.000?

81.000.000

Nun eine etwas komplexere Aufgabe:

Die ungeraden Zahlen in dieser Gruppe ergeben eine gerade Zahl: 15, 32, 5, 13, 82, 7, 1.

A:

Nein, die ungeraden Zahlen in dieser Gruppe ergeben eine ungerade Zahl: 119.

Das Ergebnis ist nicht korrekt. Mit einem verbesserten Prompt können Sie das Modell jedoch zu einer besseren Herangehensweise anleiten:

Die ungeraden Zahlen in dieser Gruppe ergeben eine gerade Zahl: 15, 32, 5, 13, 82, 7, 1.

Lösen Sie das Problem Schritt für Schritt: Identifizieren Sie zuerst die ungeraden Zahlen, addieren Sie sie und geben Sie an, ob das Ergebnis ungerade oder gerade ist.

Ungerade Zahlen: 15, 5, 13, 7, 1
Summe: 41
41 ist eine ungerade Zahl.

Wie Sie sehen, führt eine klarere Anweisung zu einem besseren Ergebnis. Dennoch sind LLMs bei solchen Aufgaben nicht immer fehlerfrei. Mit zusätzlichen Beispielen und noch präziseren Anweisungen können Sie die Genauigkeit weiter steigern. Wir werden diesen Abschnitt fortlaufend mit weiteren Beispielen für typische Anwendungsfälle ergänzen.