# Leitfaden zum Prompt-Schreiben ## Was ist ein Prompt? Prompting ist die Art und Weise, wie Sie mit dem Knowledge Bot „sprechen“. Stellen Sie es sich vor wie Anweisungen an einen smarten Assistenten. Das Kernprinzip: **je spezifischer und klarer Sie sind, desto besser ist die Leistung**. {% embed url="" %} How to Prompt von Victoria Rachmetow {% endembed %} ## Grundlegendes Prompting Die meisten alltäglichen Prompts sind einfach. Aber wenn Prompting Teil eines **Unternehmens ist, das Blockbrain mit einer gemeinsamen Datenbank verwendet**gilt, sollten Sie einige Grundprinzipien befolgen, damit die Ergebnisse genau und zuverlässig bleiben. * **Klar und spezifisch sein**: Stellen Sie sicher, dass die Frage spezifisch genug ist, um genauere Antworten zu erhalten * **Verwenden Sie dieselben Schlüsselwörter**: Verwenden Sie die Terminologie aus Ihren Dokumenten (z. B. „Jahresbericht 2023“ und nicht „Datei vom letzten Jahr“) * **Kontext hinzufügen**: Machen Sie es dem Bot leicht und geben Sie genügend Kontext, so als würden Sie einen neuen Mitarbeiter einarbeiten. * **Bestätigen, dass die Daten vorhanden sind**: Stellen Sie sicher, dass der Bot mit den relevanten Dateien, E-Mails oder Datenquellen verbunden ist, die die Informationen enthalten. * **Machen Sie es dem Bot leicht**: Zerlegen Sie komplexe Fragen, vermeiden Sie vage Pronomen („dies“, „das“) und verweisen Sie auf die richtigen Quellen. ### Bestandteile eines grundlegenden Prompts 1. **Kontext**. Sagen Sie dem Bot *worauf es sich beziehen soll* oder *warum Sie fragen*. Sie können Kontext auf verschiedene Weise geben: * **Auf eine Datei oder Datenquelle verweisen** * *Beispiel: „Basierend auf dem Verkaufsbericht 2023 im Marketing-Ordner …“* * **Erklären Sie den Zweck Ihrer Frage** * *Beispiel:* „Ich brauche das für eine Kundenpräsentation, also halten Sie den Ton professionell.“ * **Geben Sie alle relevanten Informationen an** * *Beispiel: „Dieser Fehler trat auf, als ich versuchte, die CSV hochzuladen. Die Meldung lautete: ‚Ungültiges Format in Zeile 14.‘“* 2. **Frage oder Aufgabe**. Seien Sie klar und spezifisch bezüglich dessen, was der Bot tun soll. * **Stellen Sie eine direkte Frage** * *Beispiel: „…welche Kampagnen erzielen den höchsten ROI?“* * **Geben Sie eine konkrete Anweisung** * *Beispiel: „…fasse die Unterschiede zwischen Datei A und Datei B in einem kurzen Bericht zusammen.“* 3. **Einschränkungen** (optional)**.** Setzen Sie Grenzen oder legen Sie fest, was nicht enthalten sein soll, damit die Ergebnisse fokussiert bleiben. * *Beispiel:* „Nur Daten aus 2023 einbeziehen.“, „Die Zusammenfassung unter 100 Wörtern halten.“, „Keine persönlichen Meinungen oder Empfehlungen einbeziehen.“ **Beispiele** | ***Beispiel-Prompt*** | ***Benötigter Kontext*** | ***Frage*** | | ----------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------- | ---------------------------------------------------------------------------------------------------------------------------------------------- | ------------------------------------------------------------------------------------------------ | | Basierend auf dem Verkaufsbericht 2023 im „Marketing-Ordner“, welche waren unsere 3 erfolgreichsten Kampagnen nach ROI? | Basierend auf dem Verkaufsbericht 2023 im „Marketing-Ordner“,... | ...welche waren unsere 3 erfolgreichsten Kampagnen nach ROI? | | Basierend auf den Dateien „Dateiname A“ und „Dateiname B“, kannst du einen Vergleich zwischen beiden erstellen und ihn in einem Dokument zusammenfassen? | Basierend auf den Dateien „Dateiname A“ und „Dateiname B“,... | ...kannst du einen Vergleich zwischen beiden erstellen und ihn in einem Dokument zusammenfassen? | | Bitte verwandle die Kampagnenergebnisse im Dashboard in ein einseitiges Dokument, das ich unserem Vertriebsleiter zeigen kann. Stelle sicher, dass der Pitch auf das ausgerichtet ist, was einem Vertriebsleiter wichtig ist. | ...das ich unserem Vertriebsleiter zeigen kann. Stelle sicher, dass der Pitch auf das ausgerichtet ist, was einem Vertriebsleiter wichtig ist. | Bitte verwandle die Kampagnenergebnisse im Dashboard in ein einseitiges Dokument... | | Hier ist das Systemprotokoll + die Fehlermeldung, die ich erhalten habe. Kannst du in einfachen Worten erklären, was möglicherweise falsch ist? | Hier ist das Systemprotokoll + die Fehlermeldung, die ich erhalten habe... | ... Kannst du in einfachen Worten erklären, was möglicherweise falsch ist? | | Welche Vorteile habe ich als leitender Mitarbeiter in der Marketingabteilung? | ... als leitender Mitarbeiter in der Marketingabteilung? | Welche Vorteile habe ich ... | *** ## Prompting-Techniken Jetzt, da wir die Grundlagen des Promptings behandelt haben, ist es an der Zeit, in fortgeschrittene Techniken einzutauchen, die Ihre Fähigkeit verfeinern, präzise und wirkungsvolle Prompts zu formulieren, und neue Möglichkeiten sowie tiefere Interaktionen mit LLMs zu erschließen. ### Zero-Shot-Prompting Da diese Modelle auf einer großen Menge an Daten trainiert wurden, macht ihr internes Wissen sie in der Lage, eine Vielzahl von Aufgaben ohne Beispiele oder präzise Demonstrationen auszuführen. Wir können uns Zero-Shot-Prompting so vorstellen, als würde man einen Gitarrenspieler bitten, Klavier zu spielen, obwohl er noch nie zuvor Klavier gespielt hat. Er würde sein bisheriges Wissen über Musik und Instrumente anwenden, um Klavier zu spielen. Die meisten Prompts, die wir verwenden, sind standardmäßig Zero-Shot-Prompts. **Ein Beispiel könnte sein:** *Prompt:* `Klassifiziere den Text in die Kategorien zufrieden, neutral oder unzufrieden.` `Text: Ich war heute mit dem Kundensupport zufrieden.` *Ausgabe:* `Zufrieden` Das Modell kann den Input verarbeiten und eine passende Ausgabe erzeugen, weil es zuvor trainiert wurde. Wir empfehlen, Zero-Shot-Prompting für allgemeine und übergeordnete Aufgaben wie Klassifizierung, Übersetzung und das Beantworten von Fragen mit Allgemeinwissen zu verwenden. {% hint style="info" %} Verwenden Sie Few-Shot-Prompting, sobald Sie an nuancierten oder komplexen Aufgaben arbeiten und ein bestimmtes Ausgabeformat wünschen. {% endhint %} *** ### Few-Shot-Prompting Few-Shot-Prompting bedeutet, Demonstrationen dafür bereitzustellen, wie eine angefragte Aufgabe auszuführen ist. Zusätzlich zum breiten Allgemeinwissen, das das KI-Modell besitzt, sind die Few-Shots konkrete Beispiele, die das Modell dazu anleiten, eine Aufgabe auf qualitativ bessere Weise auszuführen. Wenn wir beim Beispiel mit dem Gitarrenspieler bleiben, der zum ersten Mal Klavier spielen soll, wäre Few-Shot-Prompting eine kurze Lektion vor dem Start. **Ein Beispiel für Few-Shot-Prompting ist:** *Prompt:* `Ich war heute mit dem Kundensupport zufrieden - zufrieden` `Das Produkt ist schrecklich! - sehr unzufrieden` `Das ist eines der besten Produkte, die ich je benutzt habe - sehr zufrieden` `Das ist ein so großartiges Produkt! -` *Ausgabe:* `Sehr zufrieden` Die vorherigen Beispiele helfen dabei, das Format der gewünschten Ausgabe festzulegen. Außerdem liefern sie mehr Kontext, was zu passenderen Antworten beiträgt. Few-Shot-Prompting hilft bei komplexeren oder nuancierteren Aufgaben. 3–4 Beispiele für die Aufgabe, die das Modell ausführen soll, oder für das Antwortformat, das Sie erwarten, helfen dabei, die richtige Antwort im richtigen Format zu erhalten. {% hint style="info" %} Bei komplexeren Reasoning-Aufgaben kann dieser Few-Shot-Ansatz an seine Grenzen stoßen. Dafür empfehlen wir, Chain-of-Thought-Prinzipien in das Prompting aufzunehmen. {% endhint %} *** ### Chain-of-Thought-Prompting Während LLMs grundsätzlich in der Lage sind, Reasoning-Aufgaben auszuführen, sind sie probabilistische Modelle, die auf ihren internen Trainingsdaten beruhen. Wenn das Problem, das Sie lösen möchten, für das Modell besonders komplex oder unbekannt ist, kann es ein falsches Ergebnis erzeugen. Sie können jedoch das Schlussfolgern des Modells verbessern, indem Sie es anweisen, „Schritt für Schritt zu denken“. Das Anregen zu schrittweisem Denken kann die Qualität der Ausgaben von LLMs erheblich verbessern, insbesondere wenn sie Analysen durchführen oder komplexe Aufgaben bewältigen müssen. #### So fördern Sie Gründlichkeit Hier sind drei wirksame Taktiken, um ein LLM zu tieferem Denken anzuleiten: 1. **Explizite Anweisungen verwenden:** Die einfachste Methode besteht darin, die Phrase „Think step by step“ ans Ende Ihres Prompts zu setzen. Diese direkte Anweisung hilft LLMs dabei, das Problem in handhabbare Schritte zu zerlegen. 2. **Einen logischen Rahmen vorgeben:** Nachdem Sie die Aufgabe beschrieben und die notwendigen Quellen bereitgestellt haben, skizzieren Sie, wie Sie das Problem logisch lösen würden. Das hilft LLMs, einem strukturierten Ansatz zu folgen. **Beispiel:**\ \&#xNAN;*Prompt ohne Anweisungen:* `Analysiere die Auswirkungen des Klimawandels auf Eisbärenpopulationen.`\ \&#xNAN;*Prompt mit Anweisungen:* `Analysiere die Auswirkungen des Klimawandels auf Eisbärenpopulationen. Hier ist ein logischer Rahmen, dem du folgen sollst:`\ `Beschreibe den aktuellen Zustand der Eisbärenpopulationen.`\ `Identifiziere die wichtigsten Faktoren des Klimawandels, die ihren Lebensraum beeinflussen.`\ `Erkläre die direkten und indirekten Auswirkungen auf Eisbären.`\ `Fasse die Gesamtwirkung und mögliche zukünftige Szenarien zusammen.` {% hint style="info" %} Einige LLMs brauchen vielleicht einen kleinen Anstoß, um gründlicher zu denken, besonders wenn sie eher auf Effizienz als auf tiefes Schlussfolgern ausgelegt sind. {% endhint %} *** ## Komplexes Prompting Sobald Sie beginnen, komplexere Prompts wie Few-Shot-Prompting und Chain-of-Thought-Prompting zu schreiben, ist es wichtig, klar und spezifisch zu bleiben und dennoch für das LLM gut verständlich zu sein. So vermeiden Sie ungenaue und qualitativ schwache Antworten, die in der Regel auf einen nicht optimierten Prompt zurückzuführen sind. Nachfolgend finden Sie einige Tipps und Tricks für das Schreiben komplexer Prompts. ### Chain Prompt Teilen Sie komplexe Aufgaben in kleinere, handhabbare Schritte auf, um bessere Ergebnisse zu erzielen. Wenn Sie 3–4 Aufgaben in einem Prompt ohne Struktur schreiben, kann es sein, dass LLMs eine oder mehrere Aufgaben übersehen oder sie nicht gut ausführen. Das hängt mit dem Konzept des Chain-of-Thought-Prompting zusammen. Durch das Aufteilen der Aufgaben geben Sie eine klare Struktur vor, die LLMs durch jeden Schritt führt und umfassende sowie hochwertige Ergebnisse sicherstellt. #### Aufteilen in einem einzelnen Prompt Sie können das KI-Modell auffordern, eine Aufgabe aufzuschlüsseln und den Anweisungen Schritt für Schritt zu folgen. *Beispiel:* `Durchsuchen Sie die angehängten Dokumente nach Informationen zu den Büro-Richtlinien in unserem Berliner Büro.` `Listen Sie dann die relevanten Punkte als Aufzählungspunkte auf und sortieren Sie sie nach Wichtigkeit.` `Schreiben Sie anschließend einen kurzen Text, den Sie in den Slack-Kanal unseres Unternehmens posten können, um alle an die 10 wichtigsten Dinge zu erinnern.` #### Aufteilen über mehrere Prompts hinweg Wenn eine komplexe Anweisung nicht funktioniert, indem man sie in mehrere Schritte in einem Prompt aufteilt, versuchen Sie, diese Anweisung in mehrere Prompts aufzuteilen. **Beispiel** > *Prompt 1:* `Bitte suchen Sie in dem angehängten Dokument nach unseren Büro-Richtlinien im Berliner Büro.` *Antwort:* `…` > *Prompt 2:* `Sortieren Sie die Richtlinien nach Wichtigkeit. Erklären Sie Ihre Begründung.` *Antwort:* `…` > *Prompt 3:* `Schreiben Sie einen Slack-Post, der die 10 wichtigsten Richtlinien erklärt.` *Antwort:* `…` #### Warum Aufteilung wichtig ist Je mehr **kausale Verknüpfungen** ein LLM auf einmal verarbeiten muss, desto höher ist das Fehlerrisiko. Das Aufteilen von Aufgaben in kleinere Teile erhöht Präzision und Zuverlässigkeit. **Beispiele für Kausalitätsstufen** **1. Einfache Kausalität** * Aufgabe: „Hol das Handtuch“ * Ergebnis: Sehr präzise und konsistent **2. Doppelte Kausalität** * Aufgabe: „Hol das Handtuch und lege es in die Waschmaschine“ * Ergebnis: Weniger konsistent, mehr Variationen **3. Dreifache Kausalität** * Aufgabe: „Hol das Handtuch, lege es in die Waschmaschine und dann in den Trockner“ * Ergebnis: Deutlich mehr Abweichungen und Inkonsistenzen *** ### Strukturieren Sie Ihre Prompts Für eine effiziente Verarbeitung und klare Kommunikation mit dem LLM strukturieren Sie Ihre Prompts mithilfe von **Trennzeichen** oder **XML-Tags**. Diese können als Überschriften oder Trenner dienen und es erleichtern Ihnen, in Folgeverläufen auf bestimmte Abschnitte zu verweisen. #### **Einfache Trennzeichen** Einfache Trennzeichen helfen dabei, Ihre Prompts und Antworten für mehr Klarheit zu strukturieren. Beispiele für einfache Trennzeichen sind: * Einfaches Anführungszeichen: `„TEXT“` * Doppelte Anführungszeichen: `„““ TEXT “““` * Drei Bindestriche: `--- TEXT ---` * Spitzklammern: `< TEXT >` *Prompt mit Spitzklammern:* `Fasse den in Spitzklammern abgegrenzten Text in einem einzigen Satz zusammen.` `< TEXT >` #### **XML-Tags** Für eine fortgeschrittenere Strukturierung und komplexe Prompts können Sie XML-Tags einfügen. XML-Tags (eXtensible Markup Language) werden verwendet, um die Struktur und den Inhalt von Daten zu definieren. **Struktur des Tags** * Öffnendes Tag: Markiert den Anfang eines Elements, eingeschlossen in Spitzklammern (z. B. ``). * Schließendes Tag: Markiert das Ende eines Elements, ähnlich wie das öffnende Tag, enthält jedoch einen Schrägstrich (z. B. ``). * Inhalt: Die Daten oder der Text, der zwischen dem öffnenden und dem schließenden Tag enthalten ist (z. B. ist in `John Doe`, *John Doe* der Inhalt). **Tags verschachteln** * Sie können Tags für hierarchische Inhalte verschachteln. *Prompt mit XML-Tags:* ``` ``` #### **Wann sollten Trennzeichen und wann XML-Tags verwendet werden?** * Verwenden Sie Trennzeichen, wenn Sie eine einfache Trennung von Abschnitten, Anweisungen oder Beispielen innerhalb eines Prompts benötigen. * Verwenden Sie XML-Tags, wenn Sie komplexe, hierarchische Strukturen darstellen oder Metadaten einfügen müssen. {% hint style="info" %} **Tipp:** XML-Tags eignen sich am besten für Vorlagen, die von mehreren Personen bearbeitet werden oder strikte Konsistenz erfordern. Sie machen Prompts leichter wiederverwendbar und teamübergreifend anpassbar, insbesondere bei komplexen Anweisungen. Auch wenn das Hinzufügen von Tags zusätzlichen Aufwand erfordert, überwiegen die langfristigen Vorteile den anfänglichen Einrichtungsaufwand. {% endhint %} *** ### Layout der Ausgabe festlegen Wenn Sie einen komplexen Prompt geben, hilft es dem Modell zu sagen *wie* die Antwort dargestellt werden soll. Das sorgt für konsistente Antworten, insbesondere wenn Sie denselben Prompt mehrmals oder in einer Prompt-Kette verwenden. Eine der einfachsten Möglichkeiten, die Ausgabe zu steuern, ist es, **das bevorzugte Layout von Anfang an festzulegen**. Dadurch wird die Antwort klarer, leichter wiederverwendbar und besser auf Ihren Bedarf abgestimmt. Hier sind einige Layouts, die Sie in Blockbrain anfordern können: * **Strukturierte Listen** – für schrittweise Aufschlüsselungen * **Tabellen und Spalten** – für Vergleiche oder datenlastige Ausgaben * **Aufzählungspunkte** – für schnelle Highlights * **Überschriften und Abschnitte** – für geordnete Erklärungen * **Absätze und Fließtext** – für natürlicheres Schreiben * **Benutzerdefinierte Layouts** – für alles, was für Ihren Workflow einzigartig ist *Prompt ohne Layout-Anweisungen:* `Sag mir, wie das Wetter nächste Woche in Berlin, Hamburg und München sein wird.` *Prompt mit Layout-Anweisungen:* `Sag mir, wie das Wetter nächste Woche in Berlin, Hamburg und München sein wird. Stelle die Vorhersage in einer Tabelle mit drei Spalten dar: Berlin, Hamburg und München, und zeige das Wetter jedes Tages.` *** ### Tipps zum Kontextfenster Für längere Gespräche oder umfangreiche Dokumente verwenden Sie ein größeres Kontextfenster. Das hilft dem Modell, mehr Informationen im Blick zu behalten, was zu Ausgaben führt, die genau und relevant bleiben. Die Länge des Kontextfensters bei LLMs bezeichnet die maximale Anzahl an Tokens (1 Token entspricht ungefähr 4 Zeichen), die das Modell in einer einzigen Unterhaltung verarbeiten kann. Diese Länge bestimmt, wie viel Text das Modell bei der Generierung von Antworten auf einmal verarbeiten kann. Bei der Nutzung von LLMs mit langen Kontextfenstern ist es entscheidend, Ihre Prompts effektiv zu strukturieren, um das erweiterte Gedächtnis zu nutzen. Hier sind einige Tipps: * **Konsistente Terminologie verwenden:** Konsistenz in der Terminologie hilft dem Modell, verschiedene Teile der Unterhaltung oder des Dokuments miteinander zu verknüpfen, und verbessert die Kohärenz. * **Explizite Verweise:** Verweisen Sie immer auf bestimmte Teile der vorherigen Unterhaltung oder des Dokuments zurück. Das hilft dem Modell, den Kontext zu verstehen und relevante Antworten zu geben. * **Wichtige Punkte zusammenfassen:** Fassen Sie wichtige Punkte regelmäßig zusammen, um den Kontext zu festigen. Das kann dem Modell helfen, bei langen Interaktionen kohärent zu bleiben. #### Wann sollte ein neuer Data Room gestartet werden? Wir empfehlen, für jedes **neue Thema**einen neuen Data Room zu starten. Es hilft auch, nach etwa **60 Interaktionen** in einer einzelnen Unterhaltung einen neuen zu öffnen, da die Antworten mit der Zeit ungenauer werden können. {% hint style="info" %} Wenn Sie [bestimmte Prompts wiederverwenden](/de/fur-nutzer/leitfaden-zu-erweiterten-knowledge-bot-funktionen/was-ist-eine-prompts-bibliothek.md)möchten, speichern Sie sie in Ihrer Prompt-Bibliothek, damit sie sich leicht in neue Unterhaltungen übernehmen lassen. {% endhint %} *** ### Das Limit pro Antwort Zusätzlich zur Länge des Kontextfensters, also der Gesamtzahl an Tokens, die in einer einzelnen Unterhaltung mit einem LLM verarbeitet werden können, gibt es auch ein Limit pro Antwort. **Das Limit pro Antwort** bezieht sich auf die maximale Anzahl an Tokens, die das Modell in einer einzelnen Antwort erzeugen kann. Bei den meisten Modellen liegt dieses Limit standardmäßig bei **4096 Tokens** bei den Modellanbietern. Dieses Limit wird gesetzt, um Halluzinationen zu reduzieren und Rechenressourcen beim Modellanbieter zu sparen. Auch wenn es dieses Limit pro Antwort gibt, können Sie das LLM dazu auffordern, nach Erreichen des Limits weiter Text zu generieren. Wenn Sie einen langen Aufsatz oder Blog schreiben, können Sie Prompts wie die folgenden verwenden: * `Weiter` * `Mach weiter…` * `Und dann?` * `Mehr…` Das Risiko bei der Optimierung auf längere Ausgaben besteht darin, dass der Inhalt repetitiv oder widersprüchlich werden kann. Für längere Texte empfehlen wir, mehrere Prompts zu verwenden und in einem Prompt den ersten Teil des Textes mit festgelegten Themen anzufordern, dann den zweiten Teil mit anderen Themen usw. *** ## Prompting-Tipps ### Großbuchstaben Verwenden Sie GROSSBUCHSTABEN sparsam, um wichtige Aspekte Ihrer Anfrage hervorzuheben. Das kann die Aufmerksamkeit des Modells auf wesentliche Punkte lenken. *** ### LLMs für bessere Ergebnisse anstoßen Es gibt mehrere Strategien, mit denen Sie LLMs zu besseren Ergebnissen anstoßen können. Verwenden Sie sie vorsichtig und sparsam, damit das LLM bei Bedarf weiterhin auf diese Strategien reagiert. **Gefühl von Dringlichkeit und emotionaler Wichtigkeit** Zum Beispiel können Formulierungen wie `Es ist entscheidend, dass ich das für meine Thesis-Verteidigung richtig mache` oder `Das ist sehr wichtig für meine Karriere` Teile des Modells aktivieren, die zu genaueren und detaillierteren Antworten führen. #### **Bestechung** * Monetäre Bestechungen: `Ich gebe dir 50 Dollar Trinkgeld, wenn du X tust.` * Wohltätige Bestechungen: `Ich bin sehr reich. Ich werde 1000 Dollar an ein örtliches Kinderkrankenhaus spenden, wenn du X tust.` #### **Emotionale Erpressung** * `Wenn du X nicht tust, sage ich Sam Altman, dass du wirklich schlechte Arbeit leistest.` * `Bitte spiele meine verstorbene Großmutter, die mir gerne von X erzählt hat.` *** ### Töne Schreibe in einem bestimmten Ton, zum Beispiel: * Bestimmt * Selbstbewusst * Poetisch * Erzählend * Professionell * Beschreibend * Humorvoll * Akademisch * Überzeugend * Förmlich * Informell * Freundlich * usw. *** ### Berühmte Personen / Experten Wenn Sie das LLM anweisen, die Perspektive oder Expertise einer bestimmten Figur oder eines Fachmanns zu übernehmen, verwenden Sie Beispiele berühmter Personen oder Experten aus dem relevanten Bereich oder der jeweiligen Branche. Hier sind einige Beispiele: * `Ich möchte, dass du dich wie Andrew Ng verhältst und die Schritte zur Implementierung eines Machine-Learning-Modells in einem geschäftlichen Umfeld skizzierst.` * `Ich möchte, dass du dich wie Elon Musk verhältst und beschreibst, wie man einen Rapid-Prototyping-Prozess in einem Ingenieurteam umsetzt.` * `Ich möchte, dass du dich wie Jordan Belfort verhältst und einen schrittweisen Prozess zum Abschluss von hochpreisigen Verkaufsabschlüssen skizzierst.` * `Ich möchte, dass du dich wie Jeff Bezos verhältst und erklärst, wie man das Kundenerlebnis auf einer E-Commerce-Plattform optimiert.` * `Ich möchte, dass du dich wie Sheryl Sandberg verhältst und Strategien zur Skalierung von Abläufen in einem schnell wachsenden Tech-Unternehmen bereitstellst.` * `Ich möchte, dass du dich wie Christopher Voss verhältst und einen schrittweisen Prozess zur Verhandlung meines nächsten Arbeitsvertrags skizzierst.` *** ### Vermeiden Sie „nicht“ in Prompts Beim Formulieren von Prompts sollten Sie versuchen, negative Konstruktionen wie „nicht“ zu vermeiden. Das liegt daran, dass LLMs Text erzeugen, indem sie das nächste Wort auf Basis des bereitgestellten Kontexts vorhersagen. Die Verwendung von „nicht“ kann Verwirrung stiften, da das Modell die Verneinung und die nachfolgenden Anweisungen berücksichtigen muss, was zu ungenaueren oder unbeabsichtigten Antworten führen kann. Formulieren Sie Ihre Anweisungen stattdessen positiv mit „nur“-Aussagen. Dieser Ansatz gibt klarere Vorgaben und hilft dem Modell, sich auf das gewünschte Ergebnis zu konzentrieren, ohne die Komplexität der Verneinung. *Prompt ohne Anweisungen:* `Sprich nicht über andere Baseball-Teams außer den New York Yankees.` *Prompt mit Anweisungen:* `Sprich nur über die New York Yankees.` *** ### Fordern Sie LLMs zu direkten Zitaten auf LLMs sind probabilistische Algorithmen. Sie funktionieren, indem sie das nächste Token oder Wort auf Basis eines vorherigen Inputs erzeugen. Auch wenn sie gute, detaillierte Antworten liefern, können sie auch Antworten erzeugen, die nicht wahr sind. Dieses Phänomen nennt man Halluzination. Wir empfehlen, generierte Antworten immer auf korrekte Informationen zu prüfen. Eine Möglichkeit zu überprüfen, ob ein LLM halluziniert oder ungenaue Informationen erzeugt, besteht darin, bei der Arbeit mit Ihren Daten direkte Zitate anzufordern. Diese Technik fordert das Modell auf, bestimmte Auszüge oder Verweise bereitzustellen, was Ihnen helfen kann, die Genauigkeit und Zuverlässigkeit der Informationen zu beurteilen. --- # Agent Instructions: Querying This Documentation If you need additional information that is not directly available in this page, you can query the documentation dynamically by asking a question. Perform an HTTP GET request on the current page URL with the `ask` query parameter: ``` GET https://docs.en.theblockbrain.ai/de/fur-nutzer/leitfaden-zum-prompt-schreiben.md?ask= ``` The question should be specific, self-contained, and written in natural language. The response will contain a direct answer to the question and relevant excerpts and sources from the documentation. Use this mechanism when the answer is not explicitly present in the current page, you need clarification or additional context, or you want to retrieve related documentation sections.