Grundlegende Patterns

Prompting
Sprachmodelle
Kommunikation
Persona, Rückfragen, Beispiele, Ballast entfernen und Umformulieren, mit fertigen Prompts.

Kernideen

  • Eine Rolle verschiebt Perspektive, Tonfall und Tiefe der Antwort
  • Umgekehrte Befragung dreht die Richtung: das Modell fragt, man selbst antwortet
  • Wenige Beispiele legen Format und Stil zuverlässiger fest als jede Beschreibung
  • Ballast im Prompt senkt die Antwortqualität, ein Filterschritt hebt sie wieder
  • Die eigene Frage vom Modell umformulieren zu lassen deckt Mehrdeutigkeiten auf
  • Zwischenfragen zulassen schlägt eine sofortige Antwort auf eine unklare Frage

Erklärung

Welche Aufgabe welches Vorgehen braucht, klärt Wann was verwenden; der Aufbau der Eingabe steht unter Bausteine eines Prompts. Die Prompts hier lassen sich über das Symbol oben rechts am Block kopieren und mit eckigen Klammern als Platzhalter füllen.

Persona: eine Rolle zuweisen

Das Modell antwortet aus der Perspektive einer Rolle. Das verändert nicht das Wissen, aber die Auswahl: Was gilt als erwähnenswert, welche Fachbegriffe fallen, welche Risiken kommen zur Sprache. Wirksam, wenn man eine bestimmte Sicht braucht oder mehrere Sichten vergleichen will.

Du bist [Rolle mit Erfahrungshintergrund, z. B. Reviewer für statistische
Auswertungen in einem Fachjournal].

Beurteile aus dieser Perspektive: [Material oder Frage]

Nenne, was dir in dieser Rolle zuerst auffällt, und was du zurückweisen
würdest.

Zwei Rollen nacheinander auf dasselbe Material anzusetzen ist oft aufschlussreicher als eine ausführliche Einzelantwort:

Beurteile den folgenden Abschnitt nacheinander aus zwei Perspektiven:
1. als Methodenprüferin, die auf Voraussetzungen und Fehlerquellen achtet
2. als Fachperson des Anwendungsgebiets, die auf Relevanz achtet

Halte die beiden Sichten getrennt und nenne am Ende, wo sie sich
widersprechen.

Abschnitt: [Text]

Umgekehrte Befragung: das Modell fragt

Statt selbst alles zu beschreiben, lässt man sich befragen. Das ist der wirksamste Weg, wenn die eigene Aufgabe noch unscharf ist, und er verhindert die lange Liste von Annahmen, die das Modell sonst still trifft.

Ich möchte [Ziel, z. B. eine Auswertung meiner Messdaten planen].

Stelle mir nacheinander die Fragen, die du brauchst, um mir dabei zu helfen.
Eine Frage pro Nachricht, warte jeweils auf meine Antwort. Beginne mit der
Frage, deren Antwort am meisten verändert.

Few-Shot: mit Beispielen zeigen statt beschreiben

Zwei bis fünf Beispiele legen Format, Granularität und Tonfall fest. Das wirkt besonders bei Klassifikationen und bei wiederkehrenden Formulierungen.

Ordne jeden Befund einer der Kategorien "gesichert", "unklar" oder
"widerlegt" zu.

Beispiele:
Befund: Intervall 10.8 bis 13.1, p < 0.001, n = 200  -> gesichert
Befund: Intervall -0.2 bis 8.4, p = 0.06, n = 40     -> unklar
Befund: Intervall -0.4 bis 0.3, p = 0.71, n = 5000   -> widerlegt

Jetzt:
[eigene Befunde, einer pro Zeile]

Die Beispiele sollen die Grenzfälle abdecken, nicht die einfachen Fälle. Wer nur eindeutige Beispiele gibt, bekommt bei Grenzfällen eine Zufallsentscheidung.

Ballast entfernen, bevor gearbeitet wird

Lange, unstrukturierte Eingaben enthalten Nebensächliches, und das senkt die Antwortqualität. Ein vorgeschalteter Filterschritt hilft.

Schritt 1: Entferne aus dem folgenden Text alles, was für die Frage
"[Frage]" nicht gebraucht wird. Gib den gekürzten Text aus.

Schritt 2: Beantworte die Frage nur auf Basis des gekürzten Textes.

Text: [Material]

Die Frage umformulieren lassen

Das Modell formuliert die Frage zuerst in eigenen Worten und beantwortet dann die umformulierte Fassung. Damit werden Mehrdeutigkeiten sichtbar, bevor sie in die Antwort einfliessen.

Formuliere meine Frage zuerst in eigenen Worten und präzisiere dabei, wie du
sie verstehst. Antworte danach auf die präzisierte Fassung.

Frage: [Frage]

Eine schlichte, aber wirksame Variante ist die Aufforderung, die Aufgabe vor der Bearbeitung ein zweites Mal zu lesen:

Lies die Aufgabenstellung zweimal, bevor du antwortest. Prüfe beim zweiten
Lesen, ob eine Bedingung darin steht, die du beim ersten Lesen übersehen
hättest.

Aufgabe: [Aufgabe]

Zwischenfragen zulassen

Bei komplexen oder schlecht definierten Aufgaben liefert das Modell bessere Ergebnisse, wenn es sich selbst Zwischenfragen stellen und beantworten darf.

Wenn du Zwischenfragen brauchst, um die Hauptfrage zu beantworten: Stelle sie
dir selbst, beantworte sie sichtbar, und komme dann zur Hauptfrage zurück.

Hauptfrage: [Frage]

Typische Aufgaben

Text für eine bestimmte Zielgruppe umschreiben

Du bist Redakteur für Fachtexte. Schreibe den folgenden Abschnitt für
[Zielgruppe] um. Erhalte alle Zahlen und Einschränkungen, ersetze Fachbegriffe
nur dort, wo sie für diese Zielgruppe entbehrlich sind. Höchstens [n] Wörter.

Abschnitt: [Text]

Aus unsortierten Notizen eine Gliederung machen

Entferne zuerst alles Nebensächliche aus den folgenden Notizen. Erstelle
danach eine Gliederung mit höchstens fünf Hauptpunkten und je zwei
Unterpunkten. Ordne jeder Zeile der Notizen einen Gliederungspunkt zu; was
nirgends passt, listest du am Ende unter "übrig".

Notizen: [Material]

Einen Sachverhalt in zwei Tiefen erklären lassen

Erkläre [Begriff] zweimal:
1. in drei Sätzen für jemanden ohne Vorkenntnisse
2. in fünf Sätzen für jemanden, der [verwandtes Thema] kennt

Nenne danach die häufigste Fehlvorstellung zu diesem Begriff.

Eine Entscheidung vorbereiten lassen

Ich muss zwischen [Option A] und [Option B] entscheiden.

Stelle mir zuerst die Fragen, die du zur Beurteilung brauchst. Wenn ich
geantwortet habe: Nenne je Option die zwei stärksten Argumente dafür und das
stärkste dagegen, und benenne die Bedingung, unter der sich die Entscheidung
umkehrt.

Verständnisfragen

Diese Seite rechnet nichts: Im Build gibt es keinen Modellzugriff, und Modellantworten wären auch damit nicht reproduzierbar, weil dasselbe Prompt je nach Modellstand und Zufall verschieden beantwortet wird. Die Beispiele sind deshalb Prompts und Antwortauszüge zum Lesen, nicht ausgeführte Chunks. Was sich dagegen reproduzieren lässt, ist die Prüfung einer Antwort an den Daten, siehe Prompts für die Datenarbeit.

Für eine Klassifikation werden drei Beispiele mitgegeben, alle eindeutig. Die Ergebnisse bei Grenzfällen schwanken. Woran liegt das?

Zu wenige Beispiele, es braucht mindestens zehn
Die Anzahl ist selten das Problem, die Auswahl schon.
Die Beispiele decken die Grenzfälle nicht ab
Richtig. Beispiele definieren die Entscheidungsgrenze. Wer nur klare Fälle zeigt, überlässt genau die schwierigen Fälle dem Modell.
Das Modell ist zu klein
Möglich, aber die Grenzfälle blieben auch bei einem grösseren Modell undefiniert.

Wann ist die umgekehrte Befragung, bei der das Modell fragt, dem normalen Prompt überlegen?

Wenn die eigene Aufgabe noch unscharf ist
Richtig. Statt Annahmen still zu treffen, macht das Modell sie zu Fragen. Der Aufwand verschiebt sich vom Nachbessern nach hinten zum Klären nach vorn.
Immer, weil mehr Interaktion besser ist
Bei einer klaren, kleinen Aufgabe kostet sie nur Zeit.
Wenn das Modell keinen Kontext hat
Fehlender Kontext wird durch Fragen nicht ersetzt, sondern nur sichtbar.

Verlinkte Ressourcen