Prompt Engineering

Prompt Engineering ist die Kunst, präzise und kreative Eingabeaufforderungen für KI-Modelle wie ChatGPT zu entwickeln, um gute Antworten zu generieren und die Fähigkeiten dieser Modelle optimal zu nutzen.

Prinzipien des Prompt Engineerings

Um das volle Potenzial eines KI-Modells auszuschöpfen, reicht es nicht, eine einfache Anfrage zu stellen. Ähnlich wie bei einem menschlichen Assistenten ist die Qualität der Ergebnisse stark davon abhängig, wie präzise und durchdacht die Anweisungen sind. Im Bereich des Prompt Engineerings gibt es dafür einige Schlüsselkonzepte, die eine Grundlage dafür schaffen, wie wir Anweisungen formulieren können, um die gewünschte Antwortqualität zu erreichen.

Kontexteinstellung ist dabei von zentraler Bedeutung: Durch das Bereitstellen von Hintergrundinformationen helfen wir der KI, unsere Anfrage besser zu verstehen und die Antwort zielgerichtet zu gestalten.

Details zur Kontexteinstellung

Definition: Kontexteinstellung bezieht sich auf das Bereitstellen von Hintergrundinformationen oder spezifischen Details, um der KI zu helfen, den Rahmen und die Zielrichtung der Aufgabe besser zu verstehen.

Zweck: Die Kontexteinstellung hilft der KI, die Antwort auf die jeweilige Zielgruppe, das Thema oder den Zweck auszurichten. Sie kann Vorgaben zu Zielpublikum, Anwendungsbereich, geografischem oder zeitlichem Kontext enthalten, um die Relevanz und Präzision der Antwort zu erhöhen.

Beispiele für Kontexteinstellung:

• „Erkläre die Bedeutung des Klimawandels für Grundschüler im Alter von 10 bis 12 Jahren.“ (Zielgruppenspezifischer Kontext)
• „Diskutiere die wirtschaftlichen Auswirkungen der Pandemie in den Jahren 2020 bis 2022.“ (Zeitlicher Kontext)
• „Beschreibe die Herausforderungen der künstlichen Intelligenz in einem akademischen Umfeld.“ (Themenfokussierter Kontext)

Durch Kontexteinstellung erhält die KI Hinweise darauf, welche Art von Informationen relevant sind und wie sie präsentiert werden sollen.

Die Aufgabenspezifikation geht noch einen Schritt weiter und stellt sicher, dass die gewünschte Aktion oder Ausgabe klar definiert ist – ob es sich nun um eine Erklärung, eine Analyse oder eine Zusammenfassung handelt.

Details zur Aufgabenspezifikation

Die Aufgabenspezifikation bezieht sich auf die genaue Definition dessen, was die KI tun soll – also die spezifische Aufgabe oder Aktion, die ausgeführt werden soll. Sie gibt der KI Anweisungen darüber, welche Art von inhaltlicher Bearbeitung gewünscht ist.

Beispiele für Aufgabenspezifikation:

• „Erkläre die Bedeutung des Klimawandels.“
• „Analysiere die Auswirkungen von KI auf die Arbeitswelt.“
• „Vergleiche die Theorien von Freud und Jung in Bezug auf das Unterbewusstsein.“
• „Gib eine Schritt-für-Schritt-Anleitung zur Installation von Python.“

In der Aufgabenspezifikation wird also der inhaltliche Fokus definiert – ob die KI z. B. etwas erklären, analysieren, vergleichen oder zusammenfassen soll. Die Aufgabenspezifikation hilft der KI, die erwartete Art der Antwort zu verstehen.

Ein weiteres Konzept ist das Few-Shot-Lernen. Hierbei geben wir der KI einige Beispiele, um ihr eine klare Richtung vorzugeben und sie dazu zu bringen, auf ähnliche Weise zu antworten.

Details zum Few-Shot Lernen

Few-Shot Lernen bezieht sich auf das Geben von wenigen Beispielen im Prompt, um der KI zu zeigen, wie die Antwort strukturiert oder formuliert werden soll. Diese Beispiele lenken die KI-Antwort in eine gewünschte Richtung.

Zweck: Few-Shot Lernen hilft der KI, das gewünschte Format, den Stil oder die Art der Antwort besser zu verstehen, indem es ihr eine Art „Vorlage“ bietet. Dadurch wird die KI in der Lage, ähnliche Antworten zu liefern, die den angegebenen Beispielen folgen. Dies ist besonders hilfreich, wenn die KI sich an einem spezifischen Muster orientieren soll.

Beispiele für Few-Shot Lernen:

• Prompt: „Hier sind einige Beispiele für gute Produktbeschreibungen. Erstelle eine ähnliche Beschreibung für ein neues Produkt.“
  • Beispiel 1: „Dieser Laptop bietet eine lange Akkulaufzeit und ein schlankes Design, ideal für unterwegs.“
  • Beispiel 2: „Dieses Smartphone verfügt über eine leistungsstarke Kamera und ein hochauflösendes Display.“
• Prompt: „Erkläre die Grammatikregeln ähnlich wie in diesen Beispielen.“
  • Beispiel 1: „Das Subjekt ist derjenige, der die Handlung ausführt.“
  • Beispiel 2: „Das Prädikat beschreibt die Handlung, die das Subjekt ausführt.“

Few-Shot Lernen gibt der KI durch Beispiele eine Struktur, an der sie sich orientieren kann, und fördert eine konsistente und zielgerichtete Antwort.

Bei komplexeren Aufgaben hilft Chain-of-Thought-Prompting, indem es die KI zu einer schrittweisen Argumentation anleitet, sodass die Antwort strukturierter und nachvollziehbarer wird.

Details zum Chain-of-Thought-Prompting

Chain-of-Thought (CoT) Prompting ist eine Technik, die darauf abzielt, die KI zu einer schrittweisen Argumentation anzuregen, um komplexe oder mehrstufige Aufgaben besser zu bearbeiten.

Zweck: Chain-of-Thought Prompting ermöglicht es der KI, die Lösung einer Aufgabe in einzelnen, aufeinander aufbauenden Schritten zu entwickeln. Dies ist besonders nützlich bei komplexen Fragestellungen, die eine logische Struktur oder mehrere Überlegungen erfordern. Die KI kann so systematisch argumentieren und liefert oft detailliertere und fundiertere Antworten.

Beispiele für Chain-of-Thought Prompting:

• „Beschreibe Schritt für Schritt, wie der Photosyntheseprozess in Pflanzen funktioniert.“
• „Erkläre die Ursachen und Folgen des Klimawandels in einzelnen Schritten.“
• „Analysiere die wirtschaftlichen Auswirkungen der Globalisierung, indem du zunächst auf die Vorteile und dann auf die Nachteile eingehst.“

Chain-of-Thought Prompting unterstützt die KI dabei, komplexe Zusammenhänge strukturiert und nachvollziehbar darzustellen, indem sie die einzelnen Gedankenschritte auflistet.

Schließlich gibt es die Ausgabeformatierung, die die gewünschte Form der Antwort festlegt – ob es sich um einen kurzen Überblick, eine detaillierte Analyse oder eine stichpunktartige Aufzählung handeln soll.

Details zur Ausgabeformatierung

Die Ausgabeformatierung gibt der KI vor, in welcher Form die Antwort erscheinen soll – also das gewünschte Format, die Struktur oder den Stil der Ausgabe. Während die Aufgabenspezifikation beschreibt, was die KI tun soll, beschreibt die Ausgabeformatierung, wie das Ergebnis aussehen soll.

Beispiele für Ausgabeformatierung:

• „Fasse den Text in 200 Wörtern zusammen.“ (Längenangabe)
• „Formuliere die Antwort in Stichpunkten.“ (Strukturangabe)
• „Erstelle eine tabellarische Übersicht der Vor- und Nachteile.“ (Formatangabe)
• „Schreibe die Antwort im Stil einer wissenschaftlichen Arbeit.“ (Stilangabe)
• „Beschreibe das Thema wie in einer Präsentationsfolie.“ (Medienorientierte Formatierung)

In der Ausgabeformatierung wird also festgelegt, wie die Antwort aufgebaut sein soll, ob sie in einer bestimmten Länge, als Liste, als Tabelle oder in einem spezifischen Stil erscheint.

Alle diese Konzepte haben eines gemeinsam: Sie verbessern die Präzision und Qualität der KI-Antwort, indem sie die Anforderungen klar und verständlich formulieren.

A.C.T. Prinzip

Wir können all diese Prinzipien auf einen relativ einfachen Satz herunterbrechen:

Dahinter steht das sogenannte ACT-Prinzip, das auf den oben genannten Grundideen des Prompt Engineerings aufbaut. Es bietet eine strukturierte Methode, um diese Konzepte in die Praxis umzusetzen.

Aim & Action (Ziel und Aktion)

Aim und Action legt das Ziel des Prompts fest und definiert, welche spezifische Aufgabe der Assistent übernehmen soll. Beim wissenschaftlichen Arbeiten gibt es viele verschiedene Aktionen, die je nach Phase und Bedarf unterschiedlich ausfallen können. Eine klare Angabe der Aktion hilft dem Assistenten, genau die richtige Unterstützung zu leisten.

Beispiele für Aktionen im wissenschaftlichen Kontext:

• „Erkläre den Begriff ‚Paradigmenwechsel‘ in einfacher Sprache.“
• „Analysiere die Hauptaussagen des Artikels ‚Künstliche Intelligenz in der Medizin‘.“
• „Vergleiche die Methodiken qualitativer und quantitativer Forschung.“

Durch die Festlegung der Aktion weiß der Assistent, ob er eine Einführung, eine detaillierte Analyse, einen Vergleich oder eine Zusammenfassung liefern soll.

Context (Kontext)

Der Kontext gibt dem Assistenten wichtige Hintergrundinformationen, die seine Antwort relevanter und gezielter machen. Im wissenschaftlichen Arbeiten kann der Kontext das Zielpublikum (z. B. Studierende oder Fachleute), den spezifischen Bereich der Forschung oder das Format der Arbeit (z. B. Seminararbeit, Bachelorarbeit, Forschungsbericht) umfassen. Kontexteinstellung hilft, die Antwort so anzupassen, dass sie den spezifischen Anforderungen und dem Wissensstand der Leser*innen entspricht.

Besonders wichtig ist die Zuweisung einer bestimmten Rolle an Ihren Assistenten, die sich natürlich für jeden Prompt ändern kann. Die Rollenzuweisung aktiviert eine Art Expertenwissen innerhalb der KI. Indem Sie eine spezifische Rolle festlegen, wie beispielsweise „Historiker“, „Literaturkritiker“ oder „Linguist“, wird die KI angewiesen, ihre Antwort aus der Perspektive dieser Fachperson zu gestalten und auf das relevante Expertenwissen zurückzugreifen. Das bedeutet:

1. Fachliche Perspektive: Die KI nutzt Wissen und Begriffe, die für diese Fachperson typisch sind, und filtert irrelevante Informationen heraus. Dadurch erhält die Antwort eine höhere Spezialisierung und ist fachlich gezielter.
2. Einsatz spezifischer Methoden und Theorien: Eine zugewiesene Rolle beeinflusst, dass die KI Methoden und Theorien verwendet, die für das Fachgebiet üblich sind. Ein „Linguist“ könnte beispielsweise auf Sprachtheorien eingehen, während ein „Historiker“ die Antwort chronologisch und analytisch strukturiert.
3. Sprache und Terminologie: Durch die Rollenzuweisung wird auch die Fachsprache angepasst, was die Präzision der Antwort erhöht. Ein „Mediziner“ würde beispielsweise medizinische Begriffe verwenden, die ein Laie nicht unbedingt kennt, während ein „Sozialwissenschaftler“ theoretische Konzepte aus der Soziologie verwenden könnte.

Prompt: „Als Historiker, analysiere die Auswirkungen der Französischen Revolution auf die europäische Gesellschaft.“

Auswirkung: Die KI wird hier Expertenwissen über die Französische Revolution und deren gesellschaftliche Folgen aktivieren und eine historische Perspektive einnehmen, indem sie z. B. Ursachen und Wirkungen auf politische, kulturelle und soziale Ebenen in Europa beschreibt.

Weitere Möglichkeiten für Hintergrundinformationen:

Mit diesen Kontextangaben kann der Assistent die Antwort so anpassen, dass sie optimal zum Zweck der wissenschaftlichen Aufgabe passt.

Tone (Ton)

Der Ton bestimmt, in welcher Stilrichtung oder Form die Antwort gegeben werden soll. Wissenschaftliches Arbeiten erfordert oft einen formellen, präzisen und sachlichen Ton. Doch je nach Ziel und Leser kann der Ton angepasst werden, um die Antwort besser verständlich oder zugänglicher zu machen.

Beispiele für Ton im wissenschaftlichen Kontext:

• „Erkläre den Einfluss von Sozialen Medien auf das Lernen in einem formellen und wissenschaftlichen Stil.“
• „Fasse die Ergebnisse der Studie ‚Klimawandel und Biodiversität‘ in einfacher und verständlicher Sprache zusammen.“
• „Schreibe eine kritische Diskussion der Ergebnisse der Umfrage zur Mediennutzung in einem argumentativen und reflektierenden Ton.“

Durch die Angabe des Tons wird die Antwort im passenden Stil formuliert – von akademisch-formell bis hin zu einfacher und verständlicher Sprache.

Beispiel-Prompt nach dem ACT-Prinzip

Angenommen, Sie brauchen Unterstützung bei der Einleitung Ihrer Seminararbeit zum Thema „Digitalisierung in der Bildung“. Ein vollständiger Prompt nach dem ACT-Prinzip könnte so aussehen:

• Aim & Action: „Erkläre“
• Context: „für eine wissenschaftliche Einleitung zum Thema ‚Digitalisierung in der Bildung‘, geeignet für ein akademisches Publikum, als Experte für Digitalisierung und Medienpädagogik
• Tone: „im formellen und sachlichen Stil“

Kombinierter Prompt: „Du bist Experte für Digitalisierung und Medienpädagogik. Erkläre, wie Digitalisierung das Bildungssystem verändert hat, für eine wissenschaftliche Einleitung zum Thema ‚Digitalisierung in der Bildung‘, geeignet für ein akademisches Publikum, und formuliere die Antwort im formellen und sachlichen Stil.“

Durch diesen ACT-basierten Prompt wird der Assistent genau verstehen, was er tun soll (Erklären), für wen die Antwort gedacht ist (akademische Leser*innen), in welchem Kontext (Einleitung zur Digitalisierung in der Bildung für akademische Leser) sowie in welchem Ton die Antwort formuliert werden soll (formell und sachlich). So wird die Antwort präzise, relevant und optimal für die wissenschaftliche Aufgabe gestaltet.