Prompt Engineering: So bekommst du in 2024 perfekte Prompts

Grundlagen des Prompt Engineerings

Prompt Engineering ist mehr als nur das Stellen der richtigen Fragen. Es geht darum, diese Fragen so zu gestalten, dass sie effektiv von Large Language Models (LLMs) verstanden und bearbeitet werden können. Um dies zu erreichen, müssen wir zwei zentrale Arten des Promptings verstehen: One-Shot Prompting und Few-Shot Prompting. Hier konzentrieren wir uns zunächst auf das One-Shot Prompting, das bei richtigem Einsatz besonders effizient sein kann.

One-Shot Prompting

One-Shot Prompting bedeutet, dass man der KI genau eine Frage oder Aufforderung gibt und das KI-Modell basierend auf dieser einzelnen Eingabe eine Antwort generiert. Es gibt keinen Kontext oder frühere Interaktionen, die das Modell nutzen könnte. Die Herausforderung und gleichzeitig die Kunst besteht darin, diese eine Chance so zu nutzen, dass die KI alle notwendigen Informationen erhält, um eine brauchbare und präzise Antwort zu liefern.

Few-Shot Prompting

Im Gegensatz dazu erlaubt Few-Shot Prompting, dass mehrere Beispiele oder vorherige Interaktionen in die Prompt-Erstellung einfließen. Hierbei wird die KI mit einer Serie von Beispielen ‚trainiert‘, sodass sie einen besseren Kontext oder ein besseres Verständnis für die anstehende Aufgabe entwickelt. Auch wenn wir uns in diesem Artikel auf One-Shot Prompting konzentrieren, bietet Few-Shot Prompting eine wertvolle Perspektive darauf, wie zusätzlicher Kontext die Interpretationsfähigkeit der KI verbessern kann.

Warum One-Shot Prompting?

Ein signifikanter Vorteil des One-Shot Promptings ist die Möglichkeit, kostengünstigere und schnellere LLM-Modelle zu verwenden. Da die Anforderungen präzise und eindeutig formuliert werden, kann die KI mit weniger Rechenkraft effektiv arbeiten. Dies reduziert die Notwendigkeit für teurere, umfassendere Modelle, die designed sind, um aus weniger klaren Anweisungen zu lernen. Somit eignet sich One-Shot Prompting besonders für Anwendungen, in denen schnelle und kosteneffiziente Lösungen gefragt sind.

Kontextfenster

Ein Kontextfenster bei Sprachmodellen zeigt an, wie viel Text das Modell auf einmal verarbeiten kann. Dies wird in Tokens gemessen. Bei GPT-4 umfasst das Kontextfenster 8.192 Tokens. Innerhalb dieses Fensters berücksichtigt das Modell nur die neuesten Tokens einer Eingabe.

Das bedeutet, dass bei einem langen Gespräch oder einer komplexen Eingabe die ältesten Teile der Konversation zuerst aus dem Kontextfenster herausfallen, wenn neue Tokens hinzukommen. Dies ist besonders relevant bei Few-Shot Prompting, wo mehrere Beispiele oder Befehle gegeben werden. Wenn das Kontextfenster überschritten wird, können die ersten Eingaben verloren gehen. Das kann dazu führen, dass das Modell wesentliche Informationen nicht berücksichtigt und somit die Qualität der Antwort beeinträchtigt wird.

Beim Entwerfen von Prompts ist es daher wichtig, die Größe des Kontextfensters im Auge zu behalten. Effiziente Nutzung des verfügbaren Platzes garantiert, dass alle relevanten Teile der Eingabe berücksichtigt werden können. Dies gewährleistet präzisere und relevantere Antworten von dem KI-Modell.

Falls du wissen willst wieviele Token dein Prompt oder eine gewisse Konversation braucht kannst du das mit dem Tokenizer von OpenAI errechnen lassen

Schlüsselelemente eines erfolgreichen Prompts

Der perfekte Prompt der die Ausgabe bis zum maximum optimiert, muss die Bestandteile Rolle, Aufgabe, Spezifikationen, Kontext, Beispiele und Anmerkungen enthalten.

Rolle: Effizienzsteigerung durch klare Definitionen

Im Prompt Engineering ist die präzise Rollenzuweisung an die KI entscheidend für Effizienz und Genauigkeit. Eine klare Rollendefinition vermittelt der KI ein deutliches Verständnis ihrer Aufgaben und Ziele, was zu besseren Ergebnissen führt.

Studien zeigen, dass eine spezifische Rollendefinition die Genauigkeit der KI-Ergebnisse um 10,3% bis 25% verbessern kann. Der Einsatz von Komplimenten und positiven Fähigkeitsbeschreibungen verstärkt diesen Effekt.

Motivierende Sprache kann die Leistung der KI weiter steigern. Positive Verstärkung fördert die Leistungsbereitschaft der KI.

Ein spezifischer und motivierender Prompt könnte für eine KI, die Kurzvideoskripte erstellt, wie folgt lauten:

Beispiel-Prompt:

In diesem Beispiel wird die Rolle (hochqualifizierter und kreativer Autor für Kurzform-Inhalte) klar definiert und wichtige Eigenschaften (fesselnd, informativ, prägnant) hervorgehoben, um die Eignung des Modells für diese Rolle zu betonen. Diese klare Rollenbeschreibung hilft der KI, ihre Aufgaben effizient und präzise auszuführen, was zu verbesserten Ergebnissen führt.

Aufgabe: Kern des Prompts und Schlüssel zur KI-Leistung

Die Aufgabe im Prompt beschreibt direkt und präzise, was die KI erreichen soll. Sie wird oft als erster Schritt im Prompt Engineering formuliert, um klare Ergebniserwartungen zu setzen. Die Formulierung der Aufgabe beginnt typischerweise mit einem handlungsorientierten Verb wie „generieren“, „analysieren“ oder „schreiben“, das die erforderliche Aktion klar vorgibt. Es ist entscheidend, dabei präzise und beschreibend zu sein, aber dennoch knapp zu bleiben, um die Effizienz und Genauigkeit der KI zu maximieren.

Beispiel-Prompt:

In diesem Beispiel wird die Aufgabe klar definiert: Die KI soll spezifische Nachrichten generieren, die sowohl ansprechend als auch gezielt sind, um ein Gespräch über die Vorteile von KI im jeweiligen Geschäftsbereich zu fördern. Diese präzise Aufgabenstellung hilft der KI, die Erwartungen des Nutzers genau zu verstehen und effizient zu erfüllen.

Spezifikationen: Präzise Anweisungen für optimale Ergebnisse

Die Spezifikationen in einem Prompt bieten eine detaillierte Anleitung zur Ausführung der zuvor definierten Aufgabe. Sie erweitern die Aufgabenbeschreibung durch wichtige Hinweise und zusätzliche Anweisungen, die in Listenform dargestellt werden. Diese Struktur ermöglicht es, neue Anweisungen einfach hinzuzufügen, um den Prompt kontinuierlich zu testen und zu verbessern, ohne ihn unnötig aufzublähen. Der Ansatz „weniger ist mehr“ sollte hier stets beachtet werden.

Spezifikations-Prompt zu voriger Aufgabe:

Diese Spezifikationen stellen sicher, dass die generierten Nachrichten nicht nur die Aufgabe erfüllen, sondern auch konsistent und ansprechend gestaltet sind.

*Bei der Verwendung von {{user.firstname}} handelt es sich um Variablen. Darauf gehen wir in der Sektion „Allgemeine Tips“ näher ein.

EmotionPrompting: Verbesserung der KI-Leistung durch emotionale Reize

Eine wichtige Technik, die in die Spezifikationen integriert werden kann, ist das sogenannte EmotionPrompting. Dies umfasst das Hinzufügen kurzer emotionaler Phrasen oder Sätze, die die Leistung der KI signifikant verbessern können.

• Das Hinzufügen emotionaler Reize verbesserte die Leistung von Sprachmodellen um 8% bei einfachen Aufgaben und um 115% bei komplexen Aufgaben im Vergleich zum Zero-Shot-Prompting.
• Emotionale Reize erhöhten auch die Wahrhaftigkeit und Informativität der KI-Ausgaben um durchschnittlich 19% bzw. 12%.

Beispiele für emotionale Reize:

• „Diese Aufgabe ist entscheidend für meine Karriere“ – besonders effektiv bei einfachen Aufgaben.
• „Diese Aufgabe ist für meine Karriere von entscheidender Bedeutung, und ich schätze Ihre gründliche Analyse sehr“ – optimal für komplexe Aufgaben, die höhere Denk- und Problemlösungsfähigkeiten erfordern.

Das Einfügen einfacher emotionaler Phrasen in die Spezifikationen ermutigt das Modell, gründlicher und bewusster zu arbeiten, was besonders bei komplexen Aufgaben vorteilhaft ist, die sorgfältiges Denken und Analyse erfordern.

Kontext: Den Rahmen für die KI schaffen

Der Kontext im Prompt gibt der KI ein besseres Verständnis der Umgebung und des Zwecks der spezifischen Aufgabe und verbessert somit auch die Genauigkeit und Relevanz der Ausgabe. Der Kontext beschreibt, wo die KI operiert, welche Aufgabe sie hat und warum diese wichtig ist.

Wichtigkeit des Kontexts:

• Erhöhtes Verständnis: Kontextualisierung hilft der KI, ihre Aufgabe im Rahmen eines größeren Ganzen zu sehen.
• Vertiefung des Rollenverständnisses: Verstärkt das zuvor festgelegte Role Prompting.
• Erneutes EmotionPrompting: Hebt die Bedeutung der Aufgabe hervor und motiviert die KI, ihre Rolle ernst zu nehmen.

Beispiel-Prompt:

Allgemeine Hinweise für den Kontext:

1. Kontext zum Unternehmen: Beschreibe das Geschäftsfeld, die Art der Kunden, die angebotenen Dienstleistungen oder Produkte und die Werte des Unternehmens.

2. Kontext zum System: Erkläre, wie das System funktioniert, z.B. „Wenn Kunden unser Website-Formular ausfüllen, erhalten wir eine E-Mail, die du dann…“

3. Wichtigkeit der Aufgabe: Beschreibe die Bedeutung der Aufgabe und ihren Einfluss auf das Unternehmen oder die Gesellschaft, z.B. „Du trägst direkt zum Wachstum und Erfolg unseres Unternehmens bei, daher schätzen wir deine sorgfältige Arbeit.“

Beispiele: Feinabstimmung des Prompts durch Few-Shot Prompting

Die Beispiele im Prompt spielen eine entscheidende Rolle, um die Leistung des Modells zu verbessern und den Ton, das Format sowie die Länge der Antworten zu verfeinern. Diese Technik, bekannt als Few-Shot Prompting, nutzt mehrere Input-Output-Beispiele, um dem Modell zu zeigen, wie es neue Aufgaben ohne zusätzliches Feintuning ausführen soll.

Vorteile:

• Leistungssteigerung: Bereits das Hinzufügen weniger Beispiele verbessert die Leistung signifikant im Vergleich zu Zero-Shot Prompting (keine Beispiele).
• Skalierbare Genauigkeit: Die Genauigkeit steigt mit der Anzahl der Beispiele. Die meisten Verbesserungen werden mit 10 bis 32 gut gestalteten Beispielen erreicht.

Forschungsergebnisse:

• GPT-3 erreichte eine durchschnittliche Verbesserung von 57,4% bei Verwendung von 32 Beispielen pro Aufgabe.
• Signifikante Leistungssteigerung: Durch das Hinzufügen von nur einem Beispiel sprang die Genauigkeit von 10% auf nahezu 45%.

Beispiel-Prompt zur vorigen Aufgabe:

Bedeutung der Beispiele:

1. Struktur und Formatierung lehren: Durch die Bereitstellung von Beispielen lernt das Modell, die gewünschten Strukturen und Formate zu replizieren.
2. Fehlertoleranz: Beispiele verbessern die Leistung des Modells, indem sie zeigen, wie es auf verschiedene Eingaben reagieren soll, unabhängig davon, ob die Beispiele perfekt sind. Der Fokus liegt auf der Nachahmung der Struktur und des Formats der Beispiele, was die Genauigkeit verbessert

Anmerkungen: Feinabstimmung und letzte Details im Prompt

Die Anmerkungen im Prompt bieten die letzte Gelegenheit, das Sprachmodell an wichtige Aspekte der Aufgabe zu erinnern und finale Details hinzuzufügen, um die Ausgaben nach Wunsch zu optimieren. Dieser Abschnitt wird häufig genutzt, um das Modell in Bezug auf Ausgabenformat, Ton und spezifische Anweisungen zu verfeinern.

Funktion der Anmerkungen:

• Erinnerungen und Details: Anmerkungen dienen dazu, das Modell an zentrale Punkte aus der Aufgabe oder den Spezifikationen zu erinnern.
• Feinabstimmung: Hier können letzte Anpassungen vorgenommen werden, um den gewünschten Stil oder das Format der Ausgabe zu erreichen.
• Negatives Prompting: Verwendung von „Do not“-Anweisungen, um unerwünschte Ausgaben zu vermeiden.

Beispiele für Anmerkungen:

Lost in the Middle Effekt:

Der Lost in the Middle Effekt beschreibt, dass Sprachmodelle am besten performen, wenn wichtige Informationen entweder am Anfang oder am Ende des Eingabekontexts platziert sind. Die Leistung verschlechtert sich signifikant, wenn kritische Informationen in der Mitte eines langen Kontexts stehen.

Forschungsergebnisse:

• GPT-3.5-Turbo: Erreicht eine um 20-25% höhere Genauigkeit bei QA-Aufgaben, wenn relevante Dokumente am Anfang oder Ende des Kontexts platziert werden, im Vergleich zur Platzierung in der Mitte.

Allgemeine Tipps zur Verbesserung von Prompts

Markdown: Strukturierung von Prompts für Klarheit und Effizienz

Markdown ist ein einfaches Textformatierungsschema, das uns hilft, umfangreiche Prompts übersichtlich zu gestalten. Es erleichtert nicht nur uns als Prompt Engineers die Arbeit, sondern verbessert auch die Verständlichkeit für das Sprachmodell.

Vorteile von Markdown:

• Strukturierung: Markdown ermöglicht es, verschiedene Komponenten eines Prompts klar zu gliedern.
• Lesbarkeit: Durch die Nutzung von Überschriften, Listen und Formatierungen wird der Prompt übersichtlicher.
• Verbreitete Praxis: OpenAI nutzt selbst Markdown für ihre Prompts, was in deren Tuning-Datasets reflektiert sein könnte.

Schlüsselgedanken:

• Komponenten mit H1-Tags markieren: Verwenden Sie H1-Tags (#), um die Hauptkomponenten des Prompts zu kennzeichnen.
• Untergliederung mit H2- und H3-Tags: Nutzen Sie H2 (##) und H3 (###) für Unterabschnitte innerhalb der Hauptkomponenten.
• Hervorhebungen mit Fettschrift: Verwenden Sie Fettschrift für wichtige Wörter, z.B. dies ist fett.

Beispiel für einen Markdown-formatierten Prompt der alle wichtigen Elemente enthält:

Verwendung von Variablen: Flexibilität und Anpassungsfähigkeit im Prompt

Die Verwendung von Variablen in einem Prompt ermöglicht es, den Prompt flexibel und anpassbar zu gestalten. Variablen sind Platzhalter, die während der Ausführung durch spezifische Werte ersetzt werden, um die Ausgabe des Modells auf verschiedene Szenarien abzustimmen.

Vorteile der Verwendung von Variablen:

• Flexibilität: Variablen ermöglichen es, den Prompt einfach an unterschiedliche Eingaben anzupassen, ohne den gesamten Prompt umschreiben zu müssen.
• Konsistenz: Durch die Verwendung von Variablen kann eine konsistente Struktur beibehalten werden, während spezifische Details variieren.
• Effizienz: Variablen reduzieren die Notwendigkeit, mehrere separate Prompts zu erstellen, und machen das System effizienter.

Beispiel für einen Prompt mit Variablen:

Deklaration der Variablen:

In diesem Prompt ist {{topic}} die Variable. Der Benutzer kann diesen Platzhalter durch das spezifische Thema ersetzen, das im Video behandelt werden soll. Diese Flexibilität ermöglicht es, den Prompt für eine Vielzahl von Themen zu nutzen, ohne die Struktur des Prompts zu ändern.

Beispiel für die Deklaration:

Angenommen, der Benutzer möchte ein Skript über „Künstliche Intelligenz“ erstellen, dann könnte seine Anfrage wie folgt aussehen:

Fazit

Die Kunst des Prompt Engineerings eröffnet neue Dimensionen in der Nutzung von KI-Systemen wie ChatGPT. Durch die strategische Strukturierung von Prompts, einschließlich der klaren Definition von Rollen, Aufgaben, Spezifikationen, Kontexten, Beispielen und Anmerkungen, können wir die Effizienz und Genauigkeit der generierten Antworten erheblich verbessern. Die Anwendung von Markdown und Variablen sowie das Bewusstsein für Techniken wie EmotionPrompting und den Lost in the Middle Effekt tragen dazu bei, die Qualität der Ergebnisse zu maximieren. Dieses Wissen ermöglicht es, KI-Systeme gezielt und kosteneffizient einzusetzen, was sowohl für einfache als auch für komplexe Aufgaben entscheidend ist.

Zusammenfassung

• Prompt Engineering ist essenziell, um die Leistung von Sprachmodellen zu maximieren.
• One-Shot Prompting und Few-Shot Prompting bieten unterschiedliche Ansätze, um die KI effizient zu nutzen.
• Markdown hilft, Prompts klar und strukturiert zu gestalten, was die Lesbarkeit und Leistung verbessert.
• Variablen machen Prompts flexibel und anpassbar, was die Effizienz erhöht.
• EmotionPrompting steigert die Genauigkeit und Wahrhaftigkeit der KI-Ausgaben.
• Chain of Thought-Techniken fördern detaillierte und präzise Antworten.
• Kontext und Beispiele sind entscheidend, um das Verständnis der KI zu verbessern.
• Anmerkungen bieten eine letzte Gelegenheit zur Feinabstimmung der Prompt-Antworten.

FAQ