Zum Hauptinhalt springen

Prompt Engineering

1. Methodik der Anweisungsformulierung (Prompt Engineering)​

Die Qualität der KI-generierten Ergebnisse skaliert direkt proportional zur Klarheit der Eingabe (dem "Prompt"). Der Prompt fungiert als Pflichtenheft für den digitalen Assistenten.

Fünf Maximen für effiziente Anweisungen:

  1. Festlegung einer Persona: "Sie agieren als erfahrener Senior IT-Berater..." oder "Sie sind ein analytischer Supply-Chain-Experte..." (Hinweis: Die direkte Anrede "Sie" im Prompt-Text stellt die korrekte Anweisung an die KI dar).
  2. Kontextualisierung: "Das Dokument richtet sich an technisch versierte Stakeholder. Der Schreibstil ist sachlich, prägnant und lösungsorientiert."
  3. Operationale Präzision: Anstatt "Erstellen Sie einen Text über Cloud-Migration", sollte formuliert werden: "Analysieren Sie die vorliegenden Daten und listen Sie die fünf kritischsten Latenz-Probleme der Cloud-Migration auf."
  4. Referenzierung (Few-Shot Prompting): "Beachten Sie folgendes Muster für eine Statusmeldung: '[Datum] - System stabil. Keine Anomalien detektiert.' Generieren Sie drei Meldungen in diesem Format."
  5. Strukturvorgaben: "Stellen Sie das Ergebnis in einer Markdown-Tabelle dar. Spalten: Server, Status, Downtime." (Siehe auch Markdown-Grundlagen).

Die Strukturierung des System-Prompts​

Die Effizienz des Systems basiert auf der Trennung von System-Prompt (der Basis-Konfiguration des Mitarbeiters) und User-Prompt (den laufenden Chat-Eingaben). Die Rollendefinition bildet das dauerhafte Fundament.

Um aus abstrakten Konzepten funktionierende Instruktionen zu formen, müssen diese Elemente implementiert werden:

1. Rollen-Zuweisung (System Behavior) Dies definiert die Wissensbasis und die Tonalität des Modells.

  • Beispiel: "Sie sind Lead-Developer für Backend-Architekturen."

2. Zieldefinition (Objective) Beschreibt das Endresultat des Prozesses.

  • Beispiel: "Ihre Aufgabe ist es, ineffiziente SQL-Queries in den übermittelten Logs zu identifizieren und Optimierungsvorschläge zu erarbeiten."

3. Format-Spezifikation (Output Formatting) Ohne strikte Vorgaben erfolgt die Ausgabe oft als unstrukturierter Fließtext. Formatvorgaben erleichtern die Weiterverarbeitung.

  • Beispiele:
    • "Antworten erfolgen ausschließlich in Stichpunkten."
    • "Nutzen Sie Tabellen mit den Spalten 'Problem', 'Ursache' und 'Lösung'."
    • "Beschränken Sie die Antwortlänge strikt auf einen Absatz mit maximal 100 Wörtern."

4. Pattern Matching (Beispielvorgaben) Der effektivste Weg, unerwünschte Formatierungen zu unterbinden, ist die Bereitstellung eines Blaupausen-Musters direkt in der Mitarbeiter-Konfiguration.

  • Struktur-Beispiel: 
    Hier ist eine Beispielausgabe zur Orientierung:

    ### Auswertung: E-Mobilität Logistik
    *   **Emissionsreduktion:** Einsatz senkt lokale CO₂-Ausstoßwerte auf Null.
    *   **TCO-Vorteil:** Geringere Wartungsintervalle durch Reduktion mechanischer Verschleißteile.
    *   **Ladeinfrastruktur:** Das Depot erfordert einen Ausbau der Lastenverteilung (Smart Grid).

Fazit: Eine systematische Herangehensweise an die Formulierung von Prompts transformiert das abstrakte KI-Modell in ein hochspezialisiertes, berechenbares Werkzeug.