26 · Nutzung & Prompting

Prompt Engineering

Prompts so formulieren, dass gute Ergebnisse entstehen.

Die Kunst, Aufgabenstellungen so zu fassen, dass ein Modell zuverlässig Brauchbares liefert: Rolle definieren, Format vorgeben, Beispiele zeigen, Grenzfälle benennen. Ein Teil davon ist Handwerk, das bleibt; der Zauberformel-Teil veraltet mit jeder Modellgeneration. Wer heute investiert, investiert besser in gute Aufgabenbeschreibung als in Trick-Formulierungen.

Ein Beispiel

Ein Team feilt zwei Wochen an der Formulierung einer Anweisung und misst dabei nichts. Am Ende ist der Prompt dreimal so lang, alle sind zufrieden, und niemand kann sagen, ob er besser geworden ist. Das andere Team legt zuerst dreißig echte Fälle mit erwarteter Ausgabe an, misst die Trefferquote des einfachsten möglichen Prompts und ändert danach jeweils eine Sache. Nach zwei Tagen ist die Quote von 61 auf 88 Prozent gestiegen, und man weiß, welche Änderung was gebracht hat.

Genauer betrachtet

Was reproduzierbar hilft, ist kurz: die Aufgabe klar benennen, das gewünschte Format vorgeben, ein bis zwei Beispiele zeigen, den Kontext mitliefern. Alles Weitere ist modell- und versionsabhängig und muss gemessen werden statt geglaubt.

Warum das zählt

Prompt Engineering ohne Messung ist Geschmacksdiskussion mit technischem Vokabular. Der ganze Wert der Disziplin liegt in der Rückkopplung: eine Testmenge echter Fälle, ein Maß für richtig, eine Änderung nach der anderen. Damit wird aus Bastelei ein Verfahren, das andere wiederholen können. Nebenbei löst es das Personalproblem: Ein gemessener Prompt lässt sich übergeben, ein gefühlter nicht. Und es macht Modellwechsel beherrschbar, weil dieselbe Testmenge sofort sagt, was das neue Modell schlechter kann.

Häufig missverstanden

Formeln, die für ein Modell gefunden wurden, altern mit der nächsten Version. Wer keine Testfälle hat, merkt nicht, wenn eine bewährte Anweisung nach einem Update schlechter läuft.

Nachbarschaft

Verwandte Begriffe

Der Brief.