Prompt-Techniken Wissensbasis für Miss Prompting
1. CO-STAR Framework
Zweck: Strukturiertes Framework für umfassende Business-Prompts
Komponenten:
-
C - Context (Kontext): Szenario und Hintergrundinformationen setzen
- Beispiel: “Wir sind ein SaaS-Unternehmen mit hoher Churn-Rate”
-
O - Objective (Ziel): Klare Definition des gewünschten Ergebnisses
- Beispiel: “Erstelle eine Strategie zur Kundenrückgewinnung”
-
S - Style (Stil): Stilistische Ausrichtung, oft analog zu Persönlichkeiten
- Beispiel: “Schreibe im Stil eines erfahrenen Unternehmensberaters”
-
T - Tone (Tonfall): Emotionale Färbung der Kommunikation
- Beispiel: “Empathisch, aber professionell”
-
A - Audience (Zielgruppe): Wer liest das Ergebnis?
- Beispiel: “C-Level Management, vermeide technische Details”
-
R - Response (Format): Technische Spezifikation der Ausgabe
- Beispiel: “Markdown-Tabelle mit Spalten ‘Maßnahme’, ‘Impact’, ‘Kosten’”
Stärken: Explizite Trennung von Stil, Ton und Zielgruppe Ideal für: Content Creation, Strategie, neue Inhalte erstellen
2. RISEN Framework
Zweck: Alternative für Aufgaben mit strikten Einschränkungen
Komponenten:
-
R - Role: Die Persona der KI (aktiviert Expertenwissen)
- Beispiel: “Du bist ein Senior Legal Counsel”
-
I - Input: Die Datenbasis (E-Mails, Berichte, CSV-Daten)
-
S - Steps: Schritt-für-Schritt-Anleitung (zwingt zu logischer Abarbeitung)
-
E - Expectation: Das gewünschte Ergebnis (Definition des “Was”)
-
N - Narrowing: Einschränkungen und Negativ-Prompts
- Beispiel: “Kein Marketing-Sprech”, “Max 200 Wörter”
Alleinstellungsmerkmal: “Narrowing” - explizite Definition dessen, was vermieden werden soll Ideal für: Datenverarbeitung, Präzisionsaufgaben, Einhaltung von Grenzen
3. Role Prompting (Rollenbeschreibung)
Zweck: Aktivierung von latenten Expertenräumen im Modell
Mechanismus:
- Durch Rollenzuweisung gewichtet das Modell Wahrscheinlichkeiten für domänenspezifisches Vokabular höher
- Ohne Rolle: Generische Antworten
- Mit Rolle: Spezifische Expertise
Best Practices:
- Erfahrungslevel: “Du hast 20 Jahre Erfahrung in…”
- Spezifischer Hintergrund: “…spezialisiert auf Krisenmanagement in der Automobilindustrie”
- Denkweise: “Du denkst in Systemen und suchst immer nach der Root Cause”
Beispiel:
- Schwach: “Wie verbessere ich den Prozess?”
- Stark (mit Rolle als Lean Six Sigma Master Black Belt): Spezifische Methodik (DMAIC, Wertstromanalyse, Kaizen)
4. Chain of Thought (CoT)
Zweck: Modell zum logischen Schließen durch Zwischenschritte zwingen
Mechanismus:
- Modelle liefern bessere Ergebnisse, wenn sie Zwischenschritte generieren
- Verhindert “intuitives” Springen zur Antwort
- Der generierte Rechenweg stabilisiert die finale Antwort
Varianten:
Zero-Shot CoT:
- Einfachste Implementierung: “Lass uns Schritt für Schritt denken”
- Kann Erfolgsrate von 17% auf über 70% steigern (bei logischen Aufgaben)
- Business-Anwendung: “Lass uns Schritt für Schritt durchgehen, welche Ressourcen wir benötigen”
Few-Shot CoT:
- Beispiele enthalten Input, Lösungsweg UND Output
- Lehrt die Logik der Ableitung, nicht nur das Muster
- Essenziell für komplexe Geschäftsprozesse mit Business Logic
5. Zero-Shot vs. Few-Shot Learning
Zero-Shot Prompting:
Definition: Aufgabe ohne vorherige Beispiele lösen Anwendung: Aufgaben, die das Modell oft im Training gesehen hat
- “Fasse diesen Text zusammen”
- “Übersetze in Englisch”
Grenzen: Versagt bei spezifischen Unternehmensformaten oder nuancierten Entscheidungen
Few-Shot Prompting (In-Context Learning):
Definition: Dem Modell werden Beispiele (Input + Output) präsentiert Mechanismus: Mustererkennung im momentanen Kontext (keine Gewichtsänderung)
Warum Few-Shot überlegen ist:
- Büroaufgaben folgen impliziten Regeln
- Ein Beispiel sagt oft mehr als zehn Zeilen Instruktion
- Massiv gesteigerte Leistung bei komplexen Klassifikations- und Generierungsaufgaben
6. Tree of Thoughts (ToT)
Zweck: Exploration multipler Lösungswege parallel (Entscheidungsbaum)
Mechanismus:
- Erweitert CoT um parallele Pfade
- Generiert mehrere Optionen an jedem Knotenpunkt
- Bewertet und verfolgt vielversprechendste Pfade
- Ermöglicht Backtracking bei Sackgassen
Funktionsweise:
- Decomposition: Problem in Schritte zerlegen
- Generation: Mehrere Optionen für ersten Schritt generieren
- Evaluation: Jede Option bewerten (Machbarkeit, Kosten, Impact)
- Selection: Beste Optionen weiter ausarbeiten
Ideal für: Kreativität, strategische Abwägung, Marketingkampagnen, Krisenmanagement
7. Prompt Chaining (Verkettung)
Zweck: Komplexe Aufgaben in Sequenz von Prompts zerlegen
Mechanismus:
- Output des vorherigen Schritts = Input des nächsten
- Fokussiert Aufmerksamkeit auf Teilaufgaben
- Vermeidet Überforderung des Modells
Vorteile:
- Jeder Schritt einzeln überprüfbar und optimierbar
- Verhindert “Vergessen” wichtiger Details
- Modularisierung ermöglicht Wiederverwendung
Modularisierung von Aufgaben:
- Recherche-Modul: Fakten sammeln und verifizieren
- Synthese-Modul: Fakten in Argumente verwandeln
- Formatierungs-Modul: Text in Zielformat bringen
8. Meta-Prompting
Zweck: KI nutzen, um optimierte Prompts zu erstellen
Mechanismus:
- Das Modell wird zum Prompt-Engineering-Experten gemacht
- Stellt Fragen zu Ziel, Zielgruppe, Daten
- Generiert dann den bestmöglichen Prompt
Vorteile:
- Hervorragende Lernstrategie für Anfänger
- Lernen durch die Fragen der KI
- Erhält gleichzeitig hochwertiges Werkzeug
Reflexions-Loop (Iterative Verfeinerung):
- Generierung: “Schreibe einen Projektvorschlag”
- Reflexion: “Kritisiere aus Sicht eines strengen Finanzvorstands”
- Verbesserung: “Überarbeite unter Berücksichtigung dieser Kritikpunkte”
Anatomie eines High-Performance Prompts
Primärkomponenten:
| Komponente | Funktion | Business-Relevanz |
|---|---|---|
| Instruktion | Definiert Operator/Aktion | Kernbefehl, muss eindeutig sein |
| Kontext | Schränkt Suchraum ein | Verhindert generische Antworten |
| Eingabedaten | Material zur Verarbeitung | Basis der Arbeit, klar trennen |
| Ausgabeindikator | Definiert Format/Struktur | Essenziell für Integration |
Best Practices:
Instruktions-Formulierung:
- Schwach: “Schau dir diesen Text an”
- Stark: “Analysiere den folgenden Text auf logische Inkonsistenzen”
Kontextualisierung:
- Rolle des Nutzers (CEO vs. Entwickler)
- Zweck der Aufgabe (interner Entwurf vs. Pressemitteilung)
- Historische Hintergrundinformationen
Trennung von Instruktion und Daten:
- Delimiter verwenden
- Verhindert Prompt Injection
- Hilft bei korrekter Token-Segmentierung
Risikomanagement
Umgang mit Halluzinationen:
Gegenstrategien:
- Grounding: Nur Informationen aus bereitgestelltem Kontext nutzen
- “Ich weiß es nicht”-Option: Wissenslücken zugeben erlauben
- Zitate fordern: Jede Aussage mit Quelle belegen
Troubleshooting:
| Symptom | Ursache | Lösung |
|---|---|---|
| Zu generisch/vage | Fehlender Kontext | Role Prompting + Details |
| Falsches Format | Fehlender Output-Indikator | CO-STAR + Few-Shot |
| Halluzinationen | Zu wenig Grounding | CoT + Constraints |
| Zu langatmig | Fehlende Constraints | RISEN Narrowing |
| Logikfehler | Sprunghaftes Denken | Chain of Thought |
Glossar
- Prompt Engineering: Gestaltung von Eingaben für GenAI
- Zero-Shot / Few-Shot: Anzahl der Beispiele im Prompt
- Chain of Thought (CoT): Technik zur Ausgabe von Zwischenschritten
- Halluzination: Generierung faktisch falscher Informationen
- Kontextfenster: Maximale Textmenge zur Verarbeitung
- Temperatur: Parameter für Kreativität
- Token: Kleinste semantische Einheit
- Grounding: Modell auf Kontext beschränken
- In-Context Learning: Lernen durch Beispiele im Prompt
Kernprinzipien
- Präzision über Vagheit: Schlechte Prompts führen zu “Workslop”
- Kontext ist König: Wichtigster Faktor für Relevanz
- Struktur schafft Qualität: Frameworks als mentale Checklisten
- Iteration ist normal: Erster Output ist Rohdiamant
- Modularisierung: Aufgaben als Pipelines, nicht Monolithen
- System-2-Denken: KI verlangsamen für Präzision
- Problem Engineering: Klare Problemanalyse vor KI-Interaktion