Was ist Prompt Engineering? (Grundlagen und bewährte Praktiken)

In einem Zeitalter, in dem sich künstliche Intelligenz nahtlos in unsere täglichen Aufgaben integriert, ist die Effizienz unserer Interaktionen mit diesen fortschrittlichen Systemen von größter Bedeutung. Die Brücke zwischen menschlicher Absicht und maschinellem Verständnis wird durch einen ebenso subtilen wie entscheidenden Prozess geschlagen - hier betreten wir die Welt des Prompt Engineering in der KI. In diesem Bereich werden sprachliche Fähigkeiten mit technischem Wissen kombiniert, um eine effektivere Kommunikation mit KI zu erreichen. Lassen Sie uns dieses Konzept näher untersuchen und seine Bedeutung in der modernen technologischen Landschaft verstehen.

TL;DR

• Die Integration von KI in die täglichen Aufgaben unterstreicht die Notwendigkeit einer effizienten Interaktion mit fortschrittlichen Systemen.
• Promptes Engineering in der KI verbindet sprachliche Fähigkeiten mit technischem Wissen für eine effektive KI-Kommunikation.
• Ein Prompt in der KI ist eine textbasierte Anweisung, die dazu beiträgt, bestimmte Ergebnisse aus Sprachmodellen zu erzielen.
• Promptes Engineering bedeutet, dass die Eingaben so gestaltet werden, dass die Antworten der KI optimiert werden.
• Die Entwicklung umfassender Sprachmodelle wie GPT-3 und GPT-4 hat die Bedeutung des Prompt Engineering unterstrichen.
• Promptes Engineering hat zur Entstehung von "Prompt Engineers" oder "KI-Flüsterern" geführt.
• Zu den wesentlichen Prompt-Engineering-Techniken gehören Zero-Shot, Little-Shot, Chain-of-Thought, Generierung von Wissensprompts und Retrieval-Augmented Generation.
• Die Anwendungen der Prompt-Technik reichen von einfachen Anweisungen bis hin zu komplexen Instruktionsaufforderungen und kreativen Prompts.
• Zum Prompt-Engineering gehören auch kontextbezogene Prompts, die die Kontinuität der Texterweiterung gewährleisten.
• Bilderzeugungsaufforderungen in KI wandeln detaillierte Textbeschreibungen in Bilder um.
• Verschiedene Arten von Bildgenerierungsaufforderungen dienen der Visualisierung von Landschaften, der Erstellung von Charakterkonzepten, Produktdesign-Mockups und der Erstellung von Konzepten für Belletristik.
• Auf unserem YouTube-Kanal können Sie anfangen, Souffleurtechnik zu lernen.

Was ist Prompt-Engineering in der KI?

Das Konzept des Prompt-Engineering stammt aus dem Bereich der künstlichen Intelligenz (KI), wo textbasierte Eingaben, die über Befehlszeilen eingegeben werden, sorgfältig ausgearbeitet und so abgestimmt werden, dass die KI die kompetentesten Ergebnisse erzielt. Eine besondere Anwendung findet sie in generativen KI-Plattformen, die Texteingaben erfordern, wie z. B. umfassende Sprachmodelle, ansprechende Chatbots und fantasievolle Text-Bild-Modelle. Die Rolle des Prompt-Engineers hat sich daher aus dem Bedarf an kompetenter Prompt-Entwicklung heraus entwickelt.

Was ist ein KI-Prompt?

Eine KI-Eingabeaufforderung stellt einen Kommunikationskanal zwischen einem Benutzer und einem hochentwickelten Sprachmodell her und leitet das Modell an, eine bestimmte Art von Ausgabe zu produzieren. Diese Schnittstelle kann in Form von Abfragen, Texteingaben, Kodierungsauszügen oder illustrativen Fällen auftreten.

Wie funktioniert das Prompt-Engineering?

Prompt-Engineering konzentriert sich auf die Entwicklung und Verfeinerung der Anweisungen, die einer KI in Form von Text und Kontext erteilt werden, um sicherzustellen, dass die Ergebnisse der KI optimal sind. Der Begriff "Prompt" bezieht sich insbesondere auf die textbasierten Anweisungen, die in generative KI-Systeme wie umfassende Sprachmodelle (LLMs), interaktive Chatbots oder kreative Text-Bild-Modelle wie Midjourney eingespeist werden.

Angesichts der Einführung umfassender Sprachmodelle wie GPT-3 oder GPT-4 und der Entwicklung darauf basierender Chatbot-Systeme wie ChatGPT sowie robuster Text-Bild-Modelle wie DALL-E, Stable Diffusion oder Midjourney ist die Bedeutung des Prompt Engineering immer wichtiger geworden. Infolgedessen hat sich eine neue Berufsbezeichnung herausgebildet: "Prompt Engineer", gelegentlich auch in einem entspannteren Ton als "KI-Flüsterer" oder "KI-Dolmetscher" bezeichnet.

Die Entwicklung von Eingabeaufforderungen (Prompts) hat an Bedeutung gewonnen, da die von der KI erzeugten Ausgaben eng mit den textlichen Aufgabenstellungen und Richtlinien verknüpft sind, die über Befehlszeilenschnittstellen bereitgestellt werden. Damit die KI die Aufgabe richtig erfassen und Informationen und Kontext bereitstellen kann, die für die Erledigung der Aufgabe ausreichen, ist es unerlässlich, dass sie den Erwartungen des Benutzers entspricht und von echtem Nutzen ist. Promptes Engineering entwickelt sich in diesem dynamischen und aufstrebenden Bereich schnell weiter.

Wie lernt man Souffleurtechnik?

Fähigkeiten oder Erfahrungen im Bereich des maschinellen Lernens können Ihnen bei Ihrer Arbeit als Souffleur von Nutzen sein. Beispielsweise kann maschinelles Lernen verwendet werden, um das Benutzerverhalten vorherzusagen, basierend darauf, wie Benutzer in der Vergangenheit mit einem System interagiert haben. Prompt-Ingenieure können dann die Art und Weise, wie sie einen LLM auffordern, Material für Benutzererfahrungen zu generieren, verfeinern.

Alternativ können Sie auf unserem YouTube-Kanal lernen, wie man Prompts erstellt. Wir bieten mehrere Videos an, in denen Sie lernen, wie Sie effiziente Prompts für LLMs erstellen können.

Bewährte Praktiken für zeitnahes Engineering

Direkte und verständliche Anweisungen erstellen

Achten Sie darauf, dass Ihre Hinweise präzise und verständlich sind. Je klarer Sie Ihre Bedürfnisse formulieren, desto besser kann das Modell Ihnen dienen. Wenn Sie knappe Antworten wünschen, bitten Sie um Kürze. Wenn Sie einen fortgeschrittenen Diskurs wünschen, geben Sie an, dass Sie Inhalte auf Expertenniveau benötigen. Wenn Sie das Format für ungeeignet halten, geben Sie ein bevorzugtes Beispiel an, das das Modell nachahmen soll. Direkte Anweisungen erhöhen die Wahrscheinlichkeit, dass Sie das gewünschte Ergebnis erhalten.

Ausreichende Referenzen liefern

Seien Sie sich bewusst, dass KI-Sprachmodelle in der Lage sind, ungenaue Informationen zu liefern, insbesondere bei unklaren Themen oder wenn sie nach Quellen gefragt werden. Genauso wie Notizen die Prüfungsleistung eines Schülers verbessern können, kann die Ausstattung des Modells mit Referenztexten, URLs oder Dokumenten die Wahrscheinlichkeit falscher Informationen erheblich verringern.

Komplexe Aufgaben aufgliedern

Gehen Sie an komplexe Anfragen strategisch heran, indem Sie sie in kleinere, besser handhabbare Teile zerlegen. Dies entspricht den bewährten Verfahren in der Softwareentwicklung, wo Systeme modular aufgebaut sind. Die Vereinfachung der Aufgabe erhöht die Genauigkeit des Modells und ermöglicht die Erstellung eines schrittweisen Arbeitsablaufs, wobei jede Stufe auf der vorhergehenden aufbaut.

Testen Sie Ihre Prompts systematisch

Um eine kontinuierliche Leistungsverbesserung zu erreichen, ist es unerlässlich, die Aufforderungen systematisch zu testen. Manchmal kann eine Änderung zwar einen Einzelfall verbessern, sich aber bei breiter Anwendung als nachteilig erweisen. Es wird empfohlen, die Aufforderungen in verschiedenen Szenarien kontinuierlich zu bewerten und templates für die Aufforderungen einzurichten, die durchweg die genauesten und nützlichsten Antworten liefern.

Beispiel für eine Qualitätsmeldung: 

Erstellen Sie eine prägnante Zusammenfassung in professionellem Ton zum Thema nachhaltige Energielösungen. Die Zusammenfassung sollte nicht länger als 300 Wörter sein. Bitte beziehen Sie die neuesten Trends in der Solar- und Windenergie mit ein und zitieren Sie unbedingt aktuelle Statistiken aus dem Bericht 2023 der IEA (Internationale Energieagentur). Das Ausgabeformat sollte eine Aufzählung von Punkten sein.

Analyse dieser Aufforderung:

Erstellen Sie eine prägnante Zusammenfassung in professionellem Ton zum Thema nachhaltige Energielösungen (Klare Anweisungen, die den Ton und das Thema definieren). Die Zusammenfassung sollte nicht länger als 300 Wörter sein (Legt eine spezifische Längenanforderung fest). Bitte gehen Sie auf die neuesten Trends in der Solar- und Windenergie ein und zitieren Sie unbedingt aktuelle Statistiken aus dem Bericht 2023 der IEA (Internationale Energieagentur) (Leitet das Modell dazu an, spezifische Inhalte einzubeziehen und sachliche Referenzen zu verwenden, um die Genauigkeit zu erhöhen). Das Ausgabeformat sollte eine Aufzählung von Punkten sein (Gibt das bevorzugte Format klar an)

Zeitnahe Ingenieurtechniken

Nachdem Sie nun ein Verständnis für das Prompt-Engineering und das praktische Projekt, mit dem Sie arbeiten werden, haben, ist es an der Zeit, sich mit einigen gängigen Prompt-Engineering-Techniken zu beschäftigen. In diesem Abschnitt erfahren Sie, wie Sie die folgenden Techniken auf Ihre Prompts anwenden können, um die gewünschte Ausgabe des Sprachmodells zu erhalten.

Null-Schuss-Eingabeaufforderung

Dem Sprachmodell wird eine normale Frage ohne zusätzlichen Kontext gestellt. Beachten Sie, dass wir dem Modell im obigen Prompt keine Textbeispiele zusammen mit ihren Klassifizierungen gegeben haben, das LLM versteht bereits "Sentiment" - das ist die Zero-Shot-Fähigkeit bei der Arbeit. Wenn Zero-Shot nicht funktioniert, ist es empfehlenswert, Demonstrationen oder Beispiele in der Eingabeaufforderung bereitzustellen, was zu few-shot Prompting führt. Im nächsten Abschnitt demonstrieren wir few-shot prompting.

Beispiel Eingabe: "Was ist die Stimmung des folgenden Textes: 'I feel like dancing whenever I hear this song!'"

Beispiel Ausgabe: "Die Stimmung des Textes ist positiv."

Few-shot Prompting

Konditionierung des Modells auf einige wenige Beispiele, um seine Leistung zu steigern. Während großsprachige Modelle bemerkenswerte Zero-Shot-Fähigkeiten zeigen, sind sie bei komplexeren Aufgaben immer noch unzureichend, wenn sie die Zero-Shot-Einstellung verwenden. Few-Shot-Prompting kann als Technik verwendet werden, um kontextbezogenes Lernen zu ermöglichen, bei dem wir Demonstrationen in der Eingabeaufforderung bereitstellen, um das Modell zu besserer Leistung zu führen. Die Demonstrationen dienen als Konditionierung für nachfolgende Beispiele, bei denen wir möchten, dass das Modell eine Antwort generiert.

Beispiel-Eingabe: "Erstellen Sie eine Produktbewertung für dieses neue Telefon auf der Grundlage der folgenden positiven und negativen Beispiele: Positiv: Die Kamera des Handys hat mir sehr gut gefallen, sie macht tolle Bilder! Negativ: Die Akkulaufzeit dieses Telefons ist schrecklich, sie hält nicht lange genug."

Beispielausgabe:"Die Kamera dieses Telefons ist fantastisch! Die Bilder sind immer kristallklar und haben leuchtende Farben. Allerdings ist die Akkulaufzeit nicht so toll und hält nur ein paar Stunden."

Gedankenkettenanregung

Das in Wei et al. (2022) vorgestellte Chain-of-Thought-Prompting (CoT) ermöglicht komplexe Denkfähigkeiten durch Zwischenschritte im Denken. Sie können es mit "few-shot prompting" kombinieren, um bessere Ergebnisse bei komplexeren Aufgaben zu erzielen, die ein schlussfolgerndes Denken erfordern, bevor sie beantwortet werden.

Generiertes Wissen Prompting

Beim Prompting mit generiertem Wissen werden externe Wissensdatenbanken oder generierte Inhalte genutzt, um die Antworten des Modells zu verbessern. Durch die Einbeziehung relevanter Informationen in die Eingabeaufforderungen können die Modelle detaillierte und genaue Antworten geben oder Inhalte auf der Grundlage des erworbenen Wissens generieren.

Wie das in der Praxis funktioniert, sehen wir uns im folgenden Zusammenhang an:

Kontext:
Die pädagogische Psychologie untersucht seit langem die Auswirkungen von Gedächtnisstützen auf Lernen und Gedächtnis. Es stellt sich die Frage: Kann der Einsatz von Gedächtnisstützen das Behalten von Informationen bei Schülern verbessern?

Startaufforderung:
Hilft die Verwendung von Gedächtnisstützen im Unterricht den Schülern, Informationen besser zu behalten?

Generierte Wissenstipps:

Eingabe: Gedächtnisstützen sind Hilfsmittel, die Menschen helfen, sich Informationen zu merken.

Wissen: Mnemotechniken nutzen Buchstabenmuster, Ideen oder Assoziationen, die den Gedächtnisprozess unterstützen. Zu den wirksamen mnemotechnischen Strategien gehören die Erstellung von Akrostichen, das Chunking von Informationen und die Methode der Loci. Diese Techniken sprechen sowohl das sprachliche als auch das räumliche Gedächtnis an, was zu einem besseren Behalten von Informationen führen kann.

Input: Die Lernpsychologie untersucht, wie Menschen lernen.‍

Wissen: Die Pädagogische Psychologie ist ein interdisziplinäres Fachgebiet, das Theorien und Methoden aus der Psychologie, Soziologie und Philosophie kombiniert, um die kognitiven und affektiven Prozesse zu verstehen, die beim Lernen ablaufen. Sie wendet dieses Verständnis auf die Gestaltung von Unterricht, die Entwicklung von Lehrplänen und die Verwaltung von Klassenräumen an, um die Lernergebnisse zu optimieren.

Jetzt können wir dieses generierte Wissen kombinieren, um die ursprüngliche Aufforderung mit einem fundierteren Ergebnis zu beantworten.

Integrierte wissensbasierte Aufforderung:

"Frage: Hilft die Verwendung von Gedächtnisstützen im Unterricht den Schülern, Informationen besser zu behalten?

Kenntnisse 1: Mnemotechniken verwenden Buchstabenmuster, Ideen oder Assoziationen, um das Gedächtnis zu unterstützen. Techniken wie Akrosticha, Chunking und die Loci-Methode sprechen mehrere Gedächtnissysteme an.

Kenntnisse 2: Die pädagogische Psychologie versucht, die Lernergebnisse zu optimieren, indem sie die kognitiven und affektiven Lernprozesse versteht und sie auf pädagogische Strategien anwendet.

Erkläre und antworte."

Antwort:

"Ja, der Einsatz von Gedächtnisstützen in der Bildung fördert das Behalten von Informationen. Diese Hilfsmittel greifen sowohl auf sprachliche als auch auf räumliche Gedächtnissysteme zu, die in der Lernpsychologie als wichtige kognitive Prozesse beim Lernen identifiziert werden. Durch den Einsatz von Methoden wie der Akrostik oder der Loci-Methode können Pädagogen den Schülern Strategien an die Hand geben, mit denen sie sich Informationen besser merken können, was zu besseren Lernergebnissen führt, wie in der pädagogischen Psychologie erforscht und unterstützt wird."

Dieses Beispiel zeigt, wie die Generierung von Wissen auf der Grundlage relevanter Informationen eine umfassende und differenzierte Antwort auf komplexe Bildungsfragen geben kann.

Retrieval Augmented Generation (RAG)

Standardsprachmodelle sind anpassungsfähig und können für eine Reihe typischer Aufgaben wie die Analyse von Gefühlen oder die Identifizierung von benannten Entitäten optimiert werden. Für diese Aufgaben ist es in der Regel nicht erforderlich, zusätzliche Sachinformationen einzubeziehen.

Für Aufgaben, die komplizierter sind und umfangreiches Wissen erfordern, kann man jedoch ein System mit Sprachmodellen aufbauen, die auf zusätzliche externe Informationsquellen zurückgreifen. Dieser Ansatz erhöht die sachliche Genauigkeit, stärkt die Zuverlässigkeit der vom Modell gelieferten Antworten und dient dazu, Fälle von "Halluzinationen" in der Ausgabe zu reduzieren. Hier ist ein kleines Beispiel für eine RAG-Implementierung auf ZenoChat, die mit einer externen CSV-Datei arbeitet:

Prompt Engineering Beispiele

Prompt-Engineering wird in einer Vielzahl von Szenarien eingesetzt, um die KI-Leistung zu steuern. Im Folgenden werden wir einige konkrete Beispiele vorstellen, die die Kunst und Wissenschaft der effektiven Strukturierung von Prompts beleuchten.

Einfache Richtlinienaufforderungen

Für einfache Aufgaben, wie z. B. die Aufforderung an das Modell, eine Liste zu erstellen oder auf eine direkte Anfrage zu antworten, sind einfache direktive Aufforderungen ausreichend. Diese Aufforderungen sind klar, prägnant und auf den Punkt gebracht.

Eingabe: "Nennen Sie die sieben Weltwunder der Moderne".

Ausgabe: "Zu den sieben Wundern der modernen Welt gehören: 1. Chichén Itzá in Mexiko, 2. die Christus-Erlöser-Statue in Brasilien, 3. die Chinesische Mauer in China, 4. Machu Picchu in Peru, 5. Petra in Jordanien, 6. das römische Kolosseum in Italien und 7. Das Taj Mahal in Indien".

Komplexe Instruktionsaufforderungen

Bei komplizierteren Aufgaben, wie dem Verfassen eines umfassenden Aufsatzes oder der Entwicklung eines mehrstufigen Algorithmus, kommen komplexe Instruktionsaufforderungen ins Spiel. Diese Aufforderungen enthalten detaillierte Informationen und stellen Erwartungen an die KI, denen sie folgen soll.

Eingabe: "Schreiben Sie einen umfassenden Aufsatz über die Auswirkungen des Klimawandels auf die biologische Vielfalt der Meere, der mindestens drei Hauptauswirkungen, mögliche Lösungen und eine Schlussfolgerung enthält."

Ausgabe: "Der Klimawandel hat tiefgreifende Auswirkungen auf die biologische Vielfalt der Meere. Steigende Temperaturen, die Versauerung der Ozeane und der Anstieg des Meeresspiegels verändern die Gesundheit und die Verbreitung von Meeresarten. Zu den wichtigsten Auswirkungen gehören die Korallenbleiche, Verschiebungen in der Verteilung der Arten und Veränderungen bei den Brutzeiten..."

Kreative Konzeptualisierungsanregungen

Manchmal besteht das Ziel darin, die KI dazu anzuregen, originelle Inhalte zu erstellen, z. B. Geschichten, Gedichte oder visuelle Kunstwerke. Die Aufforderungen zur kreativen Konzeptualisierung beruhen auf einer anschaulichen Sprache und lebendigen Beschreibungen, um den Einfallsreichtum des Modells zu fördern.

Eingabe: "Schreibe eine Geschichte über einen Detektiv, der mit Tieren kommunizieren kann, um Rätsel zu lösen. Beginne damit, dass der Detektiv eine kryptische Nachricht von einem Papagei über ein verschwundenes Rennpferd erhält."

Ausgabe: "Der Morgen der Detektivin Eliza Thornberry wurde durch das verzweifelte Kreischen ihres Informanten, eines scharlachroten Papageis namens Pascal, unterbrochen. Das schnelle Pferd ist vor dem Morgengrauen verschwunden', krächzte er. Eliza, die für ihre einzigartige Fähigkeit bekannt ist, mit dem Tierreich zu kommunizieren, wusste, dass diese Nachricht nur eines bedeuten konnte: Das berühmte Rennpferd Lightning Hoof war gestohlen worden..."

Kontextabhängige Fortsetzungsanregungen

Um einen Text im gleichen Stil fortzusetzen oder ein Thema mit Kontinuität zu erweitern, werden kontextuelle Fortsetzungsaufforderungen verwendet. Sie stellen sicher, dass die KI den vorangegangenen Inhalt erkennt und den roten Faden in den nachfolgenden Beiträgen beibehält.

Eingabe: "Schreiben Sie den folgenden Text im Stil eines Spannungsromans weiter: 'Als die Uhr Mitternacht schlug, schlüpfte ein Schatten durch das zerbrochene Fenster. Der Tresor, der das jahrhundertealte Geheimnis der Familie sichern sollte, stand nun weit offen.'"

Ausgabe: "Der ehemals ruhige Raum bebte unter der Spannung des neu entdeckten Einbruchs. Mit rasendem Herzen tasteten die Augen des Eindringlings das schwach beleuchtete Innere ab, wobei das Mondlicht auf dem freigelegten Inhalt des Metallsafes glitzerte. Die verbotene Geschichte der Familie war zum Greifen nah und das Geheimnis stand kurz vor der Enthüllung. Was sie nicht wussten, war, dass ein weiteres Augenpaar aus der Dunkelheit heraus die sich entfaltende Verschwörung beobachtete."

Dies sind nur einige Beispiele dafür, wie Prompt-Engineering den Dialog zwischen Mensch und KI prägt und letztlich die Effektivität der Algorithmen beeinflusst.

Wenn Sie als Souffleur diese Techniken beherrschen und wissen, wann Sie sie einsetzen sollten, können Sie die Interaktivität und den Nutzen von KI-generierten Inhalten erheblich verbessern.

Bildgenerierungsanregungen

Aufforderungen zur Bilderzeugung leiten die KI bei der Umwandlung von Textbeschreibungen in ansprechendes Bildmaterial an. Der Schlüssel liegt darin, genügend Details zu liefern, damit sich das Modell das Konzept genau vorstellen und wiedergeben kann.

Illustrative Visualisierungsanregungen

Eingabe: "Entwerfen Sie ein Bild einer ruhigen Landschaft mit einem kleinen Häuschen an einem See, mit nebelverhangenen Bergen im Hintergrund, während der goldenen Stunde des Sonnenuntergangs."

Charakter-Konzeptzeichnungen

Eingabe: "Erstelle ein Bild eines Charakterkonzepts für einen Steampunk-Erfinder, komplett mit Kleidung aus der viktorianischen Ära, die mit Messingspielereien verziert ist, der einen speziell angefertigten Schraubenschlüssel in der Hand hält und eine Brille auf dem Hut trägt."

Produktdesign Mockup-Anregungen

Eingabe: "Erzeugen Sie ein Bild von einem schlanken, modernen Smartphone-Design mit einem gebogenen Glasdisplay, einem randlosen Bildschirm und einem interaktiven KI-Assistenten auf dem Display."

Konzeptzeichnungen für Fiction Prompts

Eingabe: "Zeigen Sie das Bild eines belebten außerirdischen Marktes auf einer Raumstation, auf dem verschiedene intergalaktische Spezies mit exotischen Waren unter Neonschildern in einer Reihe von außerirdischen Schriften handeln."