Prompt Engineering

OpenAI’s Prompt-Engineering-Leitfaden: Meistern Sie ChatGPT für erweiterte Anwendungen

mm
Veröffentlicht am
Aktualisiert am
Unite.AI zu deinen bevorzugten Quellen auf Google hinzufügen
Prompt Engineering

Prompt-Engineering verstehen

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 entscheidend, um Prompt-Engineering zu meistern.

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, sie von grundlegenden Austauschen zu nuancierten und bedeutungsvollen Gesprächen erheben.

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 rechts in einer ‘Summe’-Spalte angezeigt werden?” Die letztere, detailliertere Frage, überlässt weniger der KI-Interpretation, was zu einer genauereren und hilfreicheren Antwort führt. Ebenso kann das Verständnis von Personas, Trennzeichen und schrittweisen Anweisungen die Qualität der KI-Ausgaben erheblich beeinflussen, insbesondere bei komplexen Aufgaben.

Dieser Leitfaden zu Prompt-Engineering wird nicht nur die theoretischen Aspekte behandeln, sondern auch praktische, handfeste Beispiele liefern. Sie werden lernen, wie Sie Taktiken wie die Bereitstellung von Referenztexten einsetzen, um die KI von Fiktionen abzulenken, oder wie die Aufteilung komplexer Aufgaben in einfachere Subaufgaben 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, generischen Antwort und einer hoch relevanten, spezifischen Antwort sein.

Beispiel 1: Nutzen von ChatGPTs Sprachverständnis für technische Anfragen

  • Ungültiger 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.”
  • Effektiver technischer Prompt: “Ich kode in Python und erhalte einen ‘KeyError’, wenn ich auf ein Dictionary zugreife. 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 korrigieren: [Modifizierter Code-Snippet mit Erklärung].”

    • Beispiel 2: Kreative Schreibweise mit Stil-Imitation

    • Ungültiger Prompt: “Schreiben Sie eine Kurzgeschichte.”
    • KI-Ausgabe: “Es war einmal in einem fernen Land, gab es 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 zufällig treffen.”
  • KI-Ausgabe: “Die Sonne schien auf die staubige 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 weiter im Stil von Hemingway].”

    • Beispiel 3: Reiseberatung

    • Ungültiger 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 Sie Mehrdeutigkeit: Mehrdeutige Prompts führen zu generischen Antworten. Klären Sie Ihre Anfrage, um präzise Antworten zu erhalten.
    5. Nutzen Sie bekannte 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 Referenzen

    Die strategische Verwendung von Referenztexten im 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 dazu anleiten, Antworten auf der Grundlage der bereitgestellten Materialien zu erstellen, was die Antworten zuverlässiger und kontextuell genauer macht.

    Beispiel 1: Wissenschaftliche Erklärung

    • Üblicher 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: “Verwenden Sie den bereitgestellten wissenschaftlichen Artikel, um die Entstehung von Schwarzen Löchern zu erklären.”
  • KI-Ausgabe: “Basierend auf dem bereitgestellten wissenschaftlichen Artikel entsteht ein Schwarzes Loch, wenn ein massiver Stern sein nukleares Brennstoff ausbrennt und sein Kern kollabiert. Der Artikel beschreibt…”

    • Beispiel 2: Rechtliche Interpretation

    • Üblicher Prompt: “Was sind die rechtlichen Auswirkungen von geistigem Eigentum?”
    • KI-Ausgabe: “Die rechtlichen Auswirkungen von geistigem Eigentum können zu Klagen, Geldstrafen und in schweren Fällen zu Haftstrafen führen.”
  • Verbesserter Prompt mit Referenztext: “Verwenden Sie den bereitgestellten rechtlichen Artikel, um die spezifischen rechtlichen Auswirkungen von geistigem Eigentum zu erklären.”
  • KI-Ausgabe: “Der rechtliche Artikel besagt, dass die rechtlichen Auswirkungen von geistigem Eigentum zu zivilrechtlichen Klagen, gesetzlichen Schadensersatzansprüchen und möglichen strafrechtlichen Anklagen führen können. Insbesondere erwähnt der Artikel…”

    • Einsichten für die Verwendung von Referenzen in Prompts

    1. Auswahl relevanter Texte: Wählen Sie Referenztexte, die direkt relevant für Ihre Anfrage sind.
    2. Prompt-Spezifikation: Weisen Sie die KI klar an, den bereitgestellten Referenztext für die Erstellung ihrer Antwort zu verwenden.
    3. Zitate: Fordern Sie die KI auf, spezifische Teile des Referenztextes in ihrer Antwort zu zitieren, um Genauigkeit und Verifizierung 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 Subaufgaben

    Der Schlüssel zur effektiven Bewältigung komplexer Aufgaben mit KI-Modellen wie GPT-4 liegt in der Aufteilung in einfachere Subaufgaben. Dieser Ansatz nicht nur den Prozess, sondern auch die Genauigkeit und Relevanz der KI-Antworten.

    Beispiel 1: Kundenservice-Anfrage

    • Ungültiger Ansatz: Eine einzelne Anfrage um allgemeine Unterstützung.
    • Benutzer-Prompt: “Ich habe Probleme mit meinem Konto.”
    • KI-Ausgabe: “Könnten Sie bitte die Art Ihrer Kontoprobleme 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 in ‘Kontomanagement’ und bieten Sie spezifische Schritte für die Fehlerbehebung an.”
  • KI-Ausgabe: “Es scheint, als hätten Sie Probleme beim Zugriff auf Ihr Konto. Beginnen Sie mit dem Zurücksetzen Ihres Passworts. [Detaillierte Schritte folgen].”

    • Beispiel 2: Langdokument-Zusammenfassung

    • Ungültiger 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 Erstellung 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 Subaufgaben und kontextuellen Prompt-Engineering

    1. Erhöhte Genauigkeit: Durch die Konzentration auf spezifische Aspekte einer komplexen Aufgabe kann die KI genauere und relevantere Antworten liefern.
    2. Erhöhte 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 generische Antworten.
    4. Kosteneffizienz: Kleinere, gezielte Prompts können kosteneffizienter sein als größere, komplexere Prompts.

    4. ChatGPT Zeit zum Nachdenken geben

    Die Strategie, ChatGPT 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

    • Ungültiger Ansatz: Direkte Anfrage an die KI, das Problem zu lösen.
    • 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 die KI, zunächst ihre eigene Lösung zu erstellen, bevor sie die Lösung des Schülers bewertet.
  • Benutzer-Prompt: “Lösen Sie zunächst das mathematische Problem. Vergleichen Sie dann Ihre Lösung mit der Lösung 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 [spezifischer Teil]. Die korrekte Vorgehensweise sollte [korrekte Methode] sein.”

    • Beispiel 2: Dokumentanalyse

    • Ungültiger Ansatz: Versuch, ein großes 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 Prozess: Der gleiche Prozess wird angewendet, um weitere relevante Auszüge zu extrahieren und eine umfassende Analyse zu erstellen.

    • Vorteile und Einsichten

    1. Tiefe der Analyse: Durch die Erstellung eigener Lösungen kann die KI tiefere und genauere Analysen liefern.
    2. Geleitetes Lernen: Im Tutoring-Szenario fördert die Verwendung von inneren Monologen und Hinweisen die Schüler, Lösungen selbstständig zu finden, was ihre Lernerfahrung verbessert.
    3. Umfassende Abdeckung: Bei der Dokumentanalyse gewährleisten sequenzielle und rekursive Ansätze eine gründliche Abdeckung ohne wichtige Details zu verpassen.
    4. Vermeidung von Voreingenommenheit: Durch die Erstellung ihrer eigenen Lösung 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 Suchfunktionen 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 der KI.
    • Benutzer-Prompt: “Berechnen Sie die Quadratwurzel von 529.”
    • KI-Ausgabe: “Die Quadratwurzel von 529 ist ungefähr 23.”
  • Mit Code-Ausführung: Gewährleistung von Präzision in Berechnungen.
  • Benutzer-Prompt: “Berechnen Sie die Quadratwurzel von 529.”
  • KI-Direktive: “Schreiben und Ausführen Sie Python-Code, um diese Berechnung durchzuführen.”
  • KI-Ausgabe: “python import math math.sqrt(529) Die Quadratwurzel von 529 ist exakt 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, Ihrem Freund eine Nachricht 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 Suchfunktionen kann die KI auf eine umfassende, aktuelle Informationsmenge zugreifen, was die Relevanz und Genauigkeit ihrer Antworten verbessert.
    2. Präzision in 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 Echtzeit-Aktionen wie das Senden von Nachrichten oder das Setzen von Erinnerungen ermöglicht.

    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 KI-Ausgaben 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 den Antworten der KI im Vergleich zu Experten-Antworten.
    • System-Direktive: “Bestimmen Sie, ob die Antwort der KI irgendwelche Teile 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 besagt, dass Neil Armstrong die erste Person auf dem Mond war.
    • KI-Ausgabe: Die Antwort der KI widerspricht direkt der Experten-Antwort, was auf einen Fehler hinweist.

    Beispiel 2: Vergleich der Detailtiefe in Antworten

    • Test-Szenario: Beurteilung, ob die Antwort der KI mit der Experten-Antwort in Bezug auf die Detailtiefe übereinstimmt, diese übertrifft oder darunter bleibt.
    • System-Direktive: “Vergleichen Sie die Tiefe der Informationen zwischen der Antwort der KI und der Experten-Antwort.”
    • Benutzer-Eingabe: “Neil Armstrong trat als erster Mensch am 21. Juli 1969 um 02:56 UTC auf dem Mond auf.”
    • Bewertungsprozess: Das System bewertet, ob die Antwort der KI mehr, gleich viel oder weniger Detail als die Experten-Antwort bietet.
    • KI-Ausgabe: Die Antwort der KI bietet 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 der KI 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 der KI.
    3. Qualitätssicherung: Dieser Ansatz ist entscheidend, um hohe Standards bei KI-generierten Inhalten zu gewährleisten, insbesondere in Bildung, Geschichte oder anderen faktenorientierten Kontexten.

    Schlussfolgerung und Takeaway-Nachricht

    Durch die diskutierten Beispiele und Strategien haben wir gesehen, wie Spezifität in Prompts die Ausgabe dramatisch verändern kann und wie die Aufteilung komplexer Aufgaben in einfachere Subaufgaben Herausforderungen handhabbar macht. 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-Leitfaden für grundlegende Kenntnisse, die unsere umfassende Erforschung von erweiterten Techniken und Strategien für die Optimierung von KI-Interaktionen ergänzen.

    mm

    Ich habe die letzten fünf Jahre damit verbracht, mich in die faszinierende Welt des Machine Learning und Deep Learning zu vertiefen. Mein Engagement und meine Expertise haben mich dazu geführt, an über 50 verschiedenen Software-Entwicklungsprojekten mit einem besonderen Fokus auf AI/ML beizutragen. Meine anhaltende Neugier hat mich auch zum Bereich der Natural Language Processing hingezogen, einem Feld, das ich weiter erforschen möchte.