OpenAI’s Prompt Engineering Guide: Mastering ChatGPT für erweiterte Anwendungen

Verständnis von Prompt Engineering

Prompt Engineering ist die Kunst und Wissenschaft, Eingaben (Prompts) zu erstellen, um die gewünschten Ausgaben von KI-Modellen wie ChatGPT zu erhalten. Es ist eine entscheidende Fähigkeit, um die Effektivität dieser Modelle zu maximieren.

ChatGPT, das auf OpenAI’s GPT-3- und GPT-4-Architekturen basiert, hat sich erheblich verbessert und ist nun responsiver und kontextbewusster. Das Verständnis seiner Entwicklung ist der Schlüssel zum Meistern von Prompt Engineering.

Wie ein erfahrener Dirigent, der ein Orchester leitet, ermöglicht Prompt Engineering es uns, diese Modelle zu komplexen Aufgaben zu führen, von der Erstellung detaillierter technischer Dokumente bis zur Generierung kreativer und ansprechender Inhalte. Dieser Leitfaden wird Sie durch Strategien und Taktiken führen, die Ihre Interaktion mit KI transformieren, von grundlegenden Austauschen zu nuancierten und bedeutungsvollen Gesprächen.

Betrachten Sie den Unterschied zwischen der Frage “Wie füge ich Zahlen in Excel hinzu?” und “Wie füge ich automatisch eine Spalte mit Dollarbeträgen in Excel hinzu, mit Summen, die auf der rechten Seite in einer ‘Summe’-Spalte angezeigt werden?” Die zweite, detailliertere Aufforderung, überlässt der KI weniger Interpretationsspielraum, was zu einer genauereren und hilfreicheren Antwort führt. Ebenso kann das Verständnis der Verwendung von Persönlichkeiten, Trennzeichen und schrittweisen Anweisungen den Ausgabegrad der KI, insbesondere für komplexe Aufgaben, erheblich beeinflussen.

Dieser Leitfaden zu Prompt Engineering wird nicht nur die theoretischen Aspekte abdecken, sondern auch praktische, handfeste Beispiele liefern. Sie werden lernen, wie Sie Taktiken wie die Bereitstellung von Referenztexten effektiv einsetzen, um die KI von Fiktionen abzulenken, oder wie die Aufteilung komplexer Aufgaben in einfachere Teilaufgaben genauere Ergebnisse liefern kann.

1. Klarheit und Detail

Die Erstellung effektiver Prompts für KI-Modelle wie GPT-4 erfordert eine Kombination aus Präzision, Kontext und Klarheit. Der Unterschied zwischen einem schlecht erstellten Prompt und einem gut durchdachten kann der Unterschied zwischen einer vagen, allgemeinen Antwort und einer hoch relevanten, spezifischen Antwort sein.

Beispiel 1: Nutzung von ChatGPTs Sprachverständnis für technische Anfragen

• Unwirksamer Prompt: “Wie behebe ich einen Fehler in meinem Code?”
• KI-Ausgabe: “Um einen Fehler in Ihrem Code zu beheben, müssen Sie zuerst den Fehler identifizieren, verstehen, warum er auftritt, und dann den Code ändern, um ihn zu korrigieren.”
• Effektive technische Anfrage: “Ich kode in Python und erhalte einen ‘KeyError’, wenn ich versuche, auf ein Dictionary zuzugreifen. Der Code-Snippet ist: [Code-Snippet]. Was verursacht diesen Fehler und wie kann ich ihn beheben?”
• KI-Ausgabe: “Der ‘KeyError’ in Ihrem Python-Code ist wahrscheinlich darauf zurückzuführen, dass Sie versuchen, auf einen Schlüssel im Dictionary zuzugreifen, der nicht existiert. Hier ist, wie Sie Ihren Code ändern können, um diesen Fehler zu beheben: [Modifizierter Code-Snippet mit Erklärung].”

Beispiel 2: Kreative Schreibweise mit Stil-Imitation

• Unwirksamer Prompt: “Schreiben Sie eine Kurzgeschichte.”
• KI-Ausgabe: “Es war einmal in einem fernen Land, ein Königreich, das vor einer großen Gefahr stand…”
• Effektiver Stil-Imitations-Prompt: “Schreiben Sie eine Kurzgeschichte im Stil von Ernest Hemingway, die sich auf ein Gespräch zwischen zwei alten Freunden konzentriert, die sich unerwartet treffen.”
• KI-Ausgabe: “Die Sonne schien auf der staubigen Straße, auf der Jack und Tom, zwei alte Freunde, sich zufällig trafen. ‘Es ist Jahre her’, sagte Jack, seine Stimme so trocken wie die Luft. ‘Jahre seit dem Krieg’, antwortete Tom. [Die Geschichte geht im Stil von Hemingway weiter].”

Beispiel 3: Reiseberatung

• Unwirksamer Prompt: “Was soll ich in Paris tun?”
• KI-Ausgabe: “In Paris können Sie Sehenswürdigkeiten wie den Eiffelturm, das Louvre-Museum und die Notre-Dame-Kathedrale besuchen.”
• Effektiver Prompt: “Ich besuche Paris für drei Tage im Sommer und konzentriere mich auf Kunst und Geschichte. Können Sie mir einen detaillierten Reiseplan vorschlagen?”
• KI-Ausgabe: “Tag 1: Besuchen Sie das Louvre-Museum am Morgen, gefolgt von einem Spaziergang zur Notre-Dame-Kathedrale. [Weiterer detaillierter Reiseplan].”

Einsichten für die Erstellung besserer Prompts

1. Spezifität: Seien Sie so spezifisch wie möglich. Je detaillierter Ihr Prompt, desto zugeschnittener wird die Antwort sein.
2. Kontextinformationen: Fügen Sie alle relevanten Kontextinformationen hinzu. Dies hilft der KI, die genaue Natur Ihrer Anfrage zu verstehen.
3. Klares Ziel: Stellen Sie klar, was Sie als Ausgabe erwarten. Ob es sich um ein Rezept, einen Reiseplan oder eine technische Lösung handelt, machen Sie Ihr Ziel deutlich.
4. Vermeiden von Mehrdeutigkeit: Mehrdeutige Prompts führen zu allgemeinen Antworten. Klären Sie Ihre Anfrage, um präzise Antworten zu erhalten.
5. Nutzen bekannter Formate: Wenn anwendbar, fragen Sie nach Informationen in einem bestimmten Format, wie einer Liste, einer schrittweisen Anleitung oder einem Diagramm.

2. Verbesserung der KI-Antworten mit Referenz

Die strategische Verwendung von Referenztexten in Prompt Engineering kann die Qualität und Genauigkeit der Antworten von KI-Modellen wie GPT-4 erheblich verbessern. Durch die Bereitstellung relevanter, vertrauenswürdiger Informationen neben Ihrer Anfrage können Sie die KI anleiten, Antworten basierend auf dem bereitgestellten Material zu komponieren, was die Antworten zuverlässiger und kontextuell genauer macht.

Beispiel 1: Wissenschaftliche Erklärung

• Herkömmlicher Prompt: “Wie entsteht ein Schwarzes Loch?”
• KI-Ausgabe: “Ein Schwarzes Loch entsteht aus den Resten eines großen Sterns, der in einer Supernova-Explosion stirbt. Wenn die Masse des Kerns ausreichend ist, kollabiert er unter seinem eigenen Gravitationsdruck in ein Schwarzes Loch.”
• Verbesserter Prompt mit Referenztext:
  • Referenztext bereitgestellt: “[Wissenschaftliche Arbeit über Sternentwicklung und Schwarze Löcher]”
  • Prompt: “Verwenden Sie die Informationen aus der bereitgestellten wissenschaftlichen Arbeit, um den Prozess der Schwarzen-Loch-Entstehung zu erklären.”
  • KI-Ausgabe: “Basierend auf der bereitgestellten wissenschaftlichen Arbeit entsteht ein Schwarzes Loch, wenn ein massiver Stern sein nukleares Brennstoff ausbrennt und sein Kern kollabiert. Die Arbeit beschreibt: [‘Relevante Auszüge aus der Arbeit’].”

Beispiel 2: Rechtliche Interpretation

• Herkömmlicher Prompt: “Was sind die rechtlichen Auswirkungen von geistigem Diebstahl?”
• KI-Ausgabe: “Geistiger Diebstahl kann zu rechtlichen Konsequenzen wie Klagen, Geldstrafen und in schweren Fällen zu Haftstrafen führen.”
• Verbesserter Prompt mit Referenztext:
  • Referenztext bereitgestellt: “[Rechtswissenschaftliche Zeitschriftenartikel über geistiges Eigentum]”
  • Prompt: “Beziehen Sie sich auf den bereitgestellten rechtswissenschaftlichen Artikel, um die spezifischen rechtlichen Auswirkungen von geistigem Diebstahl zu erklären.”
  • KI-Ausgabe: “Der rechtswissenschaftliche Artikel besagt, dass geistiger Diebstahl zu zivilrechtlichen Klagen, gesetzlichen Schadensersatzansprüchen und möglichen strafrechtlichen Anklagen führen kann. Insbesondere erwähnt der Artikel: [‘Direkte Zitate aus dem Artikel’].”

Einsichten für die Verwendung von Referenztexten in Prompts

1. Auswahl relevanter Texte: Wählen Sie Referenztexte, die direkt mit Ihrer Anfrage zusammenhängen.
2. Prompt-Spezifikation: Weisen Sie die KI klar an, den bereitgestellten Referenztext für die Ausgabe zu verwenden.
3. Zitate: Fordern Sie die KI auf, spezifische Teile des Referenztextes in ihrer Antwort zu zitieren, um Genauigkeit und Überprüfbarkeit zu gewährleisten.
4. Umgang mit unzureichenden Informationen: Weisen Sie die KI an, klar zu stellen, wenn der bereitgestellte Text nicht die notwendigen Informationen enthält, um die Frage zu beantworten.

3. Vereinfachung komplexer Aufgaben durch Teilaufgaben

Der Schlüssel zur effektiven Bewältigung komplexer Aufgaben mit KI-Modellen wie GPT-4 liegt in der Aufteilung in einfachere Teilaufgaben. Dieser Ansatz verbessert nicht nur den Prozess, sondern auch die Genauigkeit und Relevanz der KI-Antworten. Im Folgenden demonstrieren wir diese Strategie durch spezifische Beispiele, die die Vorteile der Verwendung von Intent-Klassifizierung, Zusammenfassungstechniken und strukturierten Gesprächen für komplexe Anfragen hervorheben.

Beispiel 1: Kundenanfrage

• Unwirksamer Ansatz: Eine einzelne Anfrage, die allgemeine Unterstützung erfordert.
• Benutzer-Prompt: “Ich habe Probleme mit meinem Konto.”
• KI-Ausgabe: “Könnten Sie bitte die Art Ihres Kontoproblems spezifizieren?”
• Effektiver Ansatz: Klassifizierung der Anfrage in Kategorien und gezielte Unterstützung.
• Benutzer-Prompt: “Ich habe Probleme beim Zugriff auf mein Konto.”
• KI-Direktive: “Klassifizieren Sie die Anfrage als ‘Kontomanagement’, dann bieten Sie spezifische Schritte für die Fehlerbehebung an.”
• KI-Ausgabe: “Es scheint, als hätten Sie Schwierigkeiten beim Zugriff auf Ihr Konto. Lassen Sie uns beginnen, indem wir Ihr Passwort zurücksetzen. [Detaillierte Schritte folgen].”

Beispiel 2: Zusammenfassung langer Dokumente

• Unwirksamer Ansatz: Versuch, ein langes Dokument in einem Schritt zusammenzufassen.
• Benutzer-Prompt: “Zusammenfassen Sie dieses 300-seitige Buch für mich.”
• KI-Ausgabe: “Es tut mir leid, aber ich kann Dokumente, die länger sind als mein Kontextfenster, nicht verarbeiten.”
• Effektiver Ansatz: Stückweise Zusammenfassung des Dokuments und rekursive Konstruktion einer vollständigen Zusammenfassung.
• KI-Direktive: “Zusammenfassen Sie jedes Kapitel separat, dann erstellen Sie eine Zusammenfassung der Zusammenfassungen, indem Sie rekursiv vorgehen.”
• Benutzer-Prompt: “Zusammenfassen Sie Kapitel 1 dieses Buches.”
• KI-Ausgabe: “Kapitel 1-Zusammenfassung: [Kurze Zusammenfassung von Kapitel 1].”
• Fortgesetzter Prozess: Der gleiche Prozess wird für jedes Kapitel angewendet, gefolgt von einer endgültigen Zusammenfassung, die alle einzelnen Zusammenfassungen kombiniert.

Vorteile der Teilaufgaben-Aufteilung und kontextueller Prompt-Engineering

1. Erhöhte Genauigkeit: Durch die Konzentration auf spezifische Aspekte einer komplexen Aufgabe kann die KI genauere und relevantere Antworten liefern.
2. Verbesserte Effizienz: Die Aufteilung von Aufgaben macht sie handhabbarer und reduziert die Wahrscheinlichkeit von Fehlern oder irrelevanten Ausgaben.
3. Bessere Benutzererfahrung: Benutzer erhalten gezielte, schrittweise Anleitungen, die hilfreicher sind als allgemeine Antworten.
4. Kosteneffizienz: Kleinere, gezielte Prompts können im Vergleich zu größeren, komplexeren Prompts kosteneffizienter sein.

4. ChatGPT Zeit zum Nachdenken geben

Die Strategie, dem Modell Zeit zum “Nachdenken” zu geben und komplexe Aufgaben in handhabbare Schritte zu unterteilen, verbessert die Qualität der Antworten von KI-Modellen wie GPT-4 erheblich.

Beispiel 1: Mathematisches Problem

• Unwirksamer Ansatz: Direkte Anfrage an das Modell, das Problem zu bewerten.
• Benutzer-Prompt: “Ist die Lösung des Schülers für dieses mathematische Problem korrekt?”
• KI-Ausgabe: “Die Lösung des Schülers scheint korrekt/inkorrekt zu sein.”
• Effektiver Ansatz: Anweisung an das Modell, zunächst seine eigene Lösung zu ermitteln, bevor es die Arbeit des Schülers bewertet.
• Benutzer-Prompt: “Lösen Sie zunächst das mathematische Problem. Vergleichen Sie dann Ihre Lösung mit der des Schülers und bewerten Sie deren Richtigkeit.”
• KI-Ausgabe: “Meine Lösung: [Detaillierte Lösung]. Im Vergleich mit der Lösung des Schülers fand ich einen Fehler in ihrer Berechnung von [spezifischem Teil]. Der korrekte Ansatz sollte [korrekte Methode] sein.”

Beispiel 2: Dokumentenanalyse

• Unwirksamer Ansatz: Versuch, ein langes Dokument in einer Anfrage zu analysieren.
• Benutzer-Prompt: “Zusammenfassen Sie die wichtigsten Punkte aus diesem gesamten Dokument.”
• KI-Ausgabe: “Es tut mir leid, aber ich kann Dokumente, die länger sind als mein Kontextfenster, nicht verarbeiten.”
• Effektiver Ansatz: Sequenzielle Extraktion von Auszügen und Folgeanfragen für eine umfassende Analyse.
• Benutzer-Prompt: “Extrahieren Sie wichtige Auszüge aus diesem Dokument, die sich auf [spezifisches Thema] beziehen.”
• KI-Ausgabe: “Auszug 1: [Relevanter Abschnitt]. Auszug 2: [Ein weiterer relevanter Abschnitt].”
• Fortgesetzter Benutzer-Prompt: “Gibt es weitere relevante Auszüge? Stellen Sie sicher, dass sie den vollständigen Kontext enthalten.”
• KI-Ausgabe: “Weiterer Auszug: [Ein weiterer relevanter Abschnitt].”

Vorteile und Einsichten

1. Tiefe der Analyse: Durch die Ermittlung von Lösungen oder Analysen kann die KI genauere und tiefere Auswertungen liefern.
2. Geleitetes Lernen: Im Tutoring-Szenario fördert die Verwendung von innerem Monolog und Hinweisen die Schüler, Lösungen selbstständig zu finden, was ihre Lernerfahrung verbessert.
3. Umfassende Abdeckung: Für die Dokumentenanalyse gewährleisten sequenzielle und rekursive Ansätze eine gründliche Abdeckung ohne wichtige Details zu verpassen.
4. Vermeidung von Voreingenommenheit: Durch die Generierung ihrer eigenen Lösung zuerst vermeidet die KI Voreingenommenheit, die durch die direkte Bewertung einer gegebenen Antwort entstehen könnte.

5. Nutzung externer Tools

Die Integration externer Tools und Ressourcen in KI-Interaktionen kann die Genauigkeit und Relevanz der von Modellen wie GPT-4 generierten Antworten erheblich verbessern. Dieser Abschnitt demonstriert die Verwendung von Embeddings-basierten Suchen für Wissensabruf, Code-Ausführung für genaue Berechnungen und Funktionsaufrufe, um die Fähigkeiten von KI-Modellen zu erweitern.

Beispiel 1: Genaue Berechnungen mit Code-Ausführung

• Ohne Code-Ausführung: Alleinige Abhängigkeit von den Rechenfähigkeiten des Modells.
• Benutzer-Prompt: “Berechnen Sie die Quadratwurzel von 529.”
• KI-Ausgabe: “Die Quadratwurzel von 529 ist ungefähr 23.”
• Mit Code-Ausführung: Sicherstellung der Präzision bei Berechnungen.
• Benutzer-Prompt: “Berechnen Sie die Quadratwurzel von 529.”
• KI-Direktive: “Schreiben und Ausführen Sie Python-Code, um dies zu berechnen.”
• KI-Ausgabe: “python import math math.sqrt(529) Die Quadratwurzel von 529 ist genau 23.”

Beispiel 2: Verwendung von API-Aufrufen für dynamische Interaktionen

• Ohne API-Aufrufe: Begrenzt auf statische, vorprogrammierte Antworten.
• Benutzer-Prompt: “Senden Sie eine Erinnerung an meinen Freund über unser Treffen morgen.”
• KI-Ausgabe: “Erinnerung: Vergessen Sie nicht, eine Nachricht an Ihren Freund über das Treffen morgen zu senden.”
• Mit API-Aufrufen: Interaktion mit externen Systemen für Echtzeit-Aktionen.
• Benutzer-Prompt: “Senden Sie eine Erinnerung an meinen Freund John über unser Treffen morgen.”
• KI-Direktive: “Verwenden Sie die Messaging-API, um eine Erinnerung zu senden.”
• KI-Ausgabe: “python import message message.write(to='John', message='Hey, denken Sie daran, unser Treffen morgen!') Erinnerung an John über das Treffen morgen gesendet.”

Vorteile und Einsichten

1. Erweiterter Wissensspeicher: Durch die Verwendung von Embeddings-basierten Suchen kann die KI auf eine umfangreiche Menge an aktuellen Informationen zugreifen und diese in ihre Antworten einbeziehen, was die Relevanz und Genauigkeit ihrer Antworten verbessert.
2. Präzision bei Berechnungen: Code-Ausführung ermöglicht der KI genaue mathematische Berechnungen, was insbesondere in technischen oder wissenschaftlichen Kontexten nützlich ist.
3. Interaktive Fähigkeiten: API-Aufrufe ermöglichen der KI, mit externen Systemen zu interagieren, was realweltliche Aktionen wie das Senden von Nachrichten oder das Setzen von Erinnerungen erleichtert.

6. Systematische Tests

Systematische Tests oder Bewertungsverfahren sind entscheidend, um die Effektivität von Änderungen in KI-Systemen zu bestimmen. Dieser Ansatz beinhaltet den Vergleich der Modellausgaben mit einem Satz vordefinierter Standards oder “Gold-Standard”-Antworten, um die Genauigkeit zu bewerten.

Beispiel 1: Identifizierung von Widersprüchen in Antworten

• Test-Szenario: Erkennung von Widersprüchen in der Antwort des Modells im Vergleich zu Experten-Antworten.
• System-Direktive: Bestimmen, ob die Antwort des Modells einen Teil der Experten-Antwort widerspricht.
• Benutzer-Eingabe: “Neil Armstrong wurde die zweite Person, die auf dem Mond landete, nach Buzz Aldrin.”
• Bewertungsprozess: Das System überprüft die Konsistenz mit der Experten-Antwort, die angibt, dass Neil Armstrong die erste Person auf dem Mond war.
• Modell-Ausgabe: Die Antwort des Modells widerspricht direkt der Experten-Antwort, was auf einen Fehler hinweist.

Beispiel 2: Vergleich der Detaillierungsgrade in Antworten

• Test-Szenario: Bewertung, ob die Antwort des Modells mit der Experten-Antwort übereinstimmt, diese übertrifft oder darunter bleibt, was den Detaillierungsgrad betrifft.
• System-Direktive: Vergleichen Sie die Tiefe der Informationen zwischen der Antwort des Modells und der Experten-Antwort.
• Benutzer-Eingabe: “Neil Armstrong landete als Erster auf dem Mond am 21. Juli 1969, um 02:56 UTC.”
• Bewertungsprozess: Das System bewertet, ob die Antwort des Modells mehr, gleich viel oder weniger Detail als die Experten-Antwort liefert.
• Modell-Ausgabe: Die Antwort des Modells liefert zusätzliche Details (die genaue Uhrzeit), was der Experten-Antwort entspricht und diese erweitert.

Vorteile und Einsichten

1. Genauigkeit und Zuverlässigkeit: Systematische Tests gewährleisten, dass die Antworten des KI-Modells genau und zuverlässig sind, insbesondere bei der Behandlung von Fakten.
2. Fehlererkennung: Sie helfen bei der Identifizierung von Fehlern, Widersprüchen oder Inkonsistenzen in den Antworten des Modells.
3. Qualitätssicherung: Dieser Ansatz ist für die Aufrechterhaltung hoher Qualitätsstandards bei KI-generierten Inhalten unerlässlich, insbesondere in Bildung, Geschichte oder anderen faktensensiblen Kontexten.

Schluss und Mitnahme

Durch die in diesem Leitfaden diskutierten Beispiele und Strategien haben wir gesehen, wie Spezifität in Prompts die Ausgabe dramatisch verändern kann und wie die Aufteilung komplexer Aufgaben in einfachere Teilaufgaben herausfordernde Aufgaben handhabbar machen kann. Wir haben die Macht externer Tools bei der Erweiterung der KI-Fähigkeiten und die Bedeutung systematischer Tests für die Gewährleistung der Zuverlässigkeit und Genauigkeit von KI-Antworten erkundet. Besuchen Sie OpenAI’s Prompt Engineering Guide, um grundlegende Kenntnisse zu erwerben, die unsere umfassende Erforschung von erweiterten Techniken und Strategien für die Optimierung von KI-Interaktionen ergänzen.