Diese Fragen prüfen nicht einzelne Seiten, sondern die Einordnung: welches Vorgehen zu welcher Aufgabe passt, wo die Grenze des Werkzeugs liegt und was vor der Weiterverwendung eines Ergebnisses zu tun ist. Die Sammlung wächst mit jeder fertigen Themenseite.
Einordnung
Eine Auswertung soll monatlich wiederholt werden und jedes Mal dieselbe Kennzahl liefern. Was ist der richtige Weg?
Einen sehr guten Prompt formulieren und ihn jedes Mal wiederverwenden
Die Zahl entstünde jedes Mal neu und könnte jedes Mal anders ausfallen.
Die Auswertung als Code schreiben und den Code wiederverwenden
Richtig. Wiederholbarkeit ist eine Eigenschaft von Code, nicht von Prompts. Ein Modell kann den Code entwerfen; ausgeführt wird er reproduzierbar, siehe Reproduzierbarkeit.
Ein Reasoning-Modell verwenden, das rechnet zuverlässiger
Auch dieses erzeugt Text, solange es kein Werkzeug ausführt.
Eine Frage betrifft eine interne Vorgabe, die nirgends veröffentlicht ist. Das Modell antwortet trotzdem detailliert. Was ist passiert?
Es hat die plausibelste Fortsetzung erzeugt
Richtig. Fehlendes Wissen wird nicht gemeldet, sondern ergänzt. Die Vorgabe gehört in den Kontext, und die Antwort ist darauf zu beschränken.
Es hat die Vorgabe im Training gesehen
Bei internen Dokumenten praktisch ausgeschlossen.
Es hat im Internet nachgeschlagen
Nur, wenn ein Werkzeug dafür angebunden ist; sonst gibt es keinen Nachschlagevorgang.
Patterns
Für welche Aufgabe bringt die Aufforderung “denke Schritt für Schritt” am wenigsten?
Für eine Aufgabe mit mehreren Bedingungen
Dort bringt sie am meisten.
Für ein Reasoning-Modell, das ohnehin in Schritten arbeitet
Richtig. Dort verschiebt sich der Nutzen zur präzisen Aufgabenbeschreibung: Zielformat, Randbedingungen, Abgrenzung.
Für eine Planungsaufgabe
Auch dort hilft sie, wenn das Modell nicht von sich aus plant.
Drei mitgegebene Beispiele sind alle eindeutig, die Ergebnisse bei Grenzfällen schwanken trotzdem. Woran liegt das?
Die Beispiele definieren die Entscheidungsgrenze nicht
Richtig. Beispiele wirken als Definition der Grenze. Wer nur klare Fälle zeigt, überlässt die schwierigen dem Modell.
Es sind zu wenige Beispiele
Die Auswahl ist wichtiger als die Anzahl.
Die Beispiele stehen an der falschen Stelle im Prompt
Die Position wirkt, erklärt aber nicht das Verhalten bei Grenzfällen.
Grenzen und Prüfung
Eine Antwort wirkt sprachlich souverän und ist in einem Detail falsch. Was sagt die Souveränität über die Richtigkeit?
Nichts
Richtig. Optimiert wird die Fortsetzung, nicht die Korrektheit. Falsche Sätze sind genauso flüssig wie richtige, und das ist der Grund, weshalb jede tragende Aussage geprüft gehört.
Sie spricht für Richtigkeit, weil das Modell bei Unsicherheit zögert
Es zögert nicht; Unsicherheit ist nicht Teil des Ausgabeformats, solange man sie nicht ausdrücklich verlangt.
Sie spricht gegen Richtigkeit
Auch das nicht; die Formulierung ist schlicht kein Signal.
Auf die Rückfrage “Bist du sicher?” ändert das Modell seine zuvor richtige Antwort. Was folgt daraus für das Prüfen?
Die erste Antwort war falsch
Die Änderung ist kein Befund über die erste Antwort.
Die Rückfrage prüft nichts, sie signalisiert Unzufriedenheit
Richtig. Wirksam sind inhaltliche Prüffragen: das stärkste Gegenargument, die Bedingung, unter der die Aussage falsch wäre, oder ein Abgleich gegen mitgegebenes Material.
Man sollte dreimal nachfragen und mehrheitlich entscheiden
Mehrere unabhängige Durchläufe helfen bei eindeutig lösbaren Aufgaben; wiederholtes Nachhaken im selben Gespräch ist etwas anderes.
Welche Aussage über ein statistisches Ergebnis darf man aus einer Modellantwort ungeprüft übernehmen?
Die Interpretation des p-Werts, die ist standardisiert
Gerade hier sind Verwechslungen häufig, auch in Trainingsdaten.
Die Zahlen, wenn sie aus dem mitgegebenen Output stammen
Auch dann lohnt der Abgleich: Werte werden beim Abschreiben vertauscht.
Keine
Richtig. Zahlen werden gegen den Output geprüft, Aussagen gegen die Datenlage. Das Modell beschleunigt die Formulierung, nicht die Verantwortung.