Prompting und Prompt Engineering

Prompting und Prompt Engineering#

Was ist ein Prompt?#

In der Informatik bezeichnet ein Prompt die Aufforderung an Nutzer*innen, eine Eingabe (input) zu tätigen. Im Kontext von KI-Chatbots versteht man unter einem Prompt die Frage bzw. Aufgabe, die man stellt.

Überlegen Sie:

Wie stellen Sie eine Anfrage an einen KI-Chatbot?
Haben Sie Strategien, die Sie anwenden?
Was funktioniert besonders gut? Was funktioniert nicht gut?
Was macht aus Ihrer Sicht einen guten Prompt aus?

Prompt Engineering#

Prompt Engineering beschreibt die Optimierung der Kommunikation mit einem KI-Tool (d. h. des Prompts), um eine optimale oder zumindest zufriedenstellende Ausgabe bzw. Antwort zu erhalten. Verschiedene Faktoren beeinflussen die Qualität des Outputs. Einige sehr wesentliche hängen mit den zugrundeliegenden Trainingsdaten, der Funktionsweise und den Anpassungen des Sprachmodells zusammen und können nicht von Nutzer*innen beeinflusst werden. Der Faktor, den Nutzer*innen beeinflussen können, ist allein die Anfrage.

Hierfür gibt es übergeordnete Strategien, die je nach eingesetztem Werkzeug – nachfolgend am Beispiel von ChatGPT (vgl. hierzu Prompt engineering best practices for ChatGPT) – etwas unterschiedlich ausfallen. Diese sind: Kontext, Rolle, Erwartung.

Einen effektiven Prompt formulieren#

Eine zentrale Strategie beim Schreiben effektiver Prompts besteht darin, der KI möglichst genau mitzuteilen, worum es geht (Kontext), wer man selbst ist (Rolle) und welches Ziel man verfolgt (Erwartung).

../_images/prompting.drawio.png — Fig. 13 Ein guter Prompt definiert Kontext, Rolle und Erwartung.#

Beispiel für die Formulierung von Kontext, Rolle und Erwartung#

Kontext: Sachverhalt beschrieben. z. B. „Es geht um vier noch nicht erschlossene Quellen aus dem 19. Jahrhundert, die ich für eine Seminararbeit analysieren möchte.“
Rolle: Informationen zur eigenen Rolle, Vorwissen oder Erfahrungshorizont geben, z. B. „Ich bin Geschichtsstudent*in im zweiten Semester und kenne mich mit Quellenkritik noch nicht so gut aus.“
Ziel oder Aufgabe: Formulieren, was benötigt wird, z. B. „Ich suche Unterstützung bei der Strukturierung meiner Analyse und brauche außerdem Hinweise zur Einordnung der Quellen.“

Beispiel für einen ausformulierten Prompt nach dem Schema:

„Ich bin Student*in im Fach Geschichte und schreibe eine Hausarbeit über vier bisher wenig erforschte Briefe aus dem frühen 19. Jahrhundert. Ich bin mir unsicher, wie ich sie methodisch einordnen und analysieren soll. Kannst du mir helfen, eine sinnvolle Gliederung zu entwickeln und auf mögliche Analyseansätze hinweisen?“

Weitere Strategien#

Weitere Strategien, um die Ausgabe präzise an die eigenen Bedarfe anzupassen, sind:

Einsatz von Delimiters (Trennungszeichen, z. B. Doppelpunkt oder Anführungszeichen), um deutlich zu machen, welche Teile der Eingabe eine Aufforderung und welche etwa Textteile, die überarbeitet werden sollen, darstellen
Formulierung einer Schritt-für-Schritt-Anleitung
Angabe eines Output-Formats (z. B. Tabelle, bestimmtes Datenformat)
Benennung einer Tonalität (z. B. sachlicher, wissenschaftlicher Stil)

Zusammenfassung: Grund„regeln“ für effektive Prompts#

Rolle definieren („Du bist ein/e Expert*in für…“)
Zielgruppe nennen („erkläre das für Schüler:innen einer Grundschule“)
Format festlegen (Liste, Gliederung, ausformulierter Text…)
Kontext geben (Fachrichtung, Tonfall, Anwendungsziel)

Worauf kann Prompt Engineering keinen Einfluss nehmen?#

Auch wenn klar formulierte Prompts helfen können, eine bessere Ausgabe zu erhalten, gibt es Grenzen, auf die Prompt Engineering keinen Einfluss hat. Diese betreffen grundlegende Eigenschaften und Beschränkungen von KI-Modellen, sowie die Daten, auf denen sie trainiert wurden.

Diese Daten sind somit nur ein Ausschnitt und können gesellschaftliche, kulturelle oder politische Verzerrungen enthalten, die sich auch in den Antworten widerspiegeln – unabhängig davon, wie der Prompt formuliert ist. Bias in den Trainingsdaten hat somit einen großen Einfluss auf die Ergebnisse. Weitere Faktoren sind begrenztes Wissen („Cut off“, sich danamisch veränderndes Echtzeit-Wissen) und Halluzinationen (Modell kann Inhalte generieren, die zwar plausibel klingen, aber faktisch falsch oder frei erfunden sind) sowie grundlegende (statistische) „Fähigkeit“ des Modells.

Literatur und Hinweise#

Prompt engineering best practices for ChatGPT, OpenAI: https://help.openai.com/en/articles/6654000-best-practices-for-prompt-engineering-with-the-openai-api

Introduction to ChatGPT Edu: Your AI-Powered Academic Companion https://academy.openai.com/home/collections/chatgpt-on-campus-2025-03-20