Prompt Engineering Grundlagen: Effektive reduktive Prompts für ChatGPT & Co.
Die Ergebnisse von KI-Tools wie ChatGPT hängen stark von der Präzision Ihrer Anweisungen ab – den Prompts. Für Einsteiger ist die Formulierung oft schwierig. Dieser Blogpost erklärt die erste grundlegende Kategorie: reduktive Prompts. Wir zeigen konkrete Beispiele, zerlegen ihre Bestandteile und erklären, wie Sie Texte zusammenfassen, extrahieren, beschreiben und bewerten lassen.
Überblick: Reduktive Prompts
Reduktive Prompts sind eine von drei grundlegenden Arten von Anweisungen an KI-Modelle. Ihr Ziel ist die Vereinfachung, Verdichtung oder Fokussierung von vorhandenem Text. Sie erschaffen keinen neuen Inhalt, sondern arbeiten mit dem Gegebenen, um den Kern herauszuarbeiten. Man kann sie als Filter verstehen: Aus einem komplexen Input wird das Wesentliche isoliert und in handlicher Form geliefert. Diese Operationen sind nützlich für die Informationsverarbeitung oder das schnelle Erfassen von Dokumenten.
Prompt-Analyse: Vom Befehl zum Ergebnis
Ein guter Prompt definiert klar die Rolle der KI, setzt den Kontext, formuliert eine eindeutige Aufgabe, spezifiziert das Ausgabeformat und nennt Einschränkungen. Die folgenden Analysen basieren auf den im Video genannten Kategorien.
Der Prompt: Text zusammenfassen
Fasse den folgenden Text für mich auf maximal 5 Bullet Points zusammen: [Hier Text einfügen]Bestandteile
Rolle/Persona: Implizit ein präziser Assistent. Der Prompt setzt allgemeine Kompetenz in Textverständnis voraus.
Kontext: Der Kontext wird durch den einzufügenden Text geliefert. Der Prompt schafft den Rahmen: Es geht um die Reduktion von Information.
Aufgabe: Die Hauptaufgabe ist das Zusammenfassen. Die sekundäre Aufgabe ist die Begrenzung auf eine bestimmte Form (Bullet Points) und Menge (maximal 5).
Output-Format: Explizit vorgegeben als Bullet Points. Dies erzwingt eine stichwortartige Darstellung.
Constraints: Die zahlenmäßige Begrenzung („maximal 5“) ist das zentrale Constraint. Es zwingt zur Priorisierung der wichtigsten Informationen.
Der Prompt: Informationen extrahieren
Extrahiere alle genannten Personen, Orte und Daten aus dem folgenden Nachrichtenartikel und liste sie tabellarisch auf: [Hier Artikel einfügen]Bestandteile
Rolle/Persona: Die KI agiert als strukturierter Datenextraktor.
Kontext: Der Kontext ist ein „Nachrichtenartikel“, was faktische und zeitliche Information erwarten lässt.
Aufgabe: Die Aufgabe ist die gezielte Extraktion spezifischer Entitätstypen: Personen, Orte und Daten. Es geht um Identifikation, nicht Interpretation.
Output-Format: Vorgabe einer Tabelle. Dies ist optimal für die Übersicht strukturierter Daten.
Constraints: Die Constraints liegen in der Definition der zu extrahierenden Elemente („Personen, Orte, Daten“). Alles andere wird ignoriert. „Alle genannten“ fordert Vollständigkeit.
Der Prompt: Text beschreiben und einordnen
Beschreibe den Schreibstil und die Zielgruppe des folgenden Blogposts in drei Sätzen: [Hier Blogpost einfügen]Bestandteile
Rolle/Persona: Die KI wird in die Rolle eines Stilanalysten versetzt.
Kontext: Der Kontext ist ein „Blogpost“, was auf einen informellen bis semi-professionellen Text schließen lässt.
Aufgabe: Die Aufgabe ist zweigeteilt: 1. Beschreiben des Schreibstils. 2. Einordnen der mutmaßlichen Zielgruppe.
Output-Format: Begrenzung auf drei Sätze. Dies zwingt zu Knappheit.
Constraints: Der Haupt-Constraint ist die Fokussierung auf genau zwei Analysekategorien: „Schreibstil“ und „Zielgruppe“. Andere Aspekte bleiben außen vor.
Der Prompt: Text bewerten
Bewerte die Argumentationsstruktur im folgenden Kommentar auf einer Skala von 1-10 (10=sehr schlüssig). Gib eine kurze Begründung: [Hier Kommentar einfügen]Bestandteile
Rolle/Persona: Hier agiert die KI als Gutachter, der logische Konsistenz beurteilt.
Kontext: Der Kontext ist ein „Kommentar“, was oft eine kürzere und weniger strukturierte Textform vermuten lässt.
Aufgabe: Die primäre Aufgabe ist die Bewertung der Argumentationsstruktur. Die sekundäre Aufgabe ist die Lieferung einer Begründung.
Output-Format: Das Format ist hybrid: eine numerische Bewertung (1-10) gefolgt von einer textuellen Begründung.
Constraints: Das zentrale Constraint ist die enge Fokussierung auf „Argumentationsstruktur“, nicht auf Stil oder Fakten. Die Begründung muss sich darauf beziehen. „Kurz“ ist ein zusätzliches Längen-Constraint.
Häufig gestellte Fragen
Was ist der größte Fehler bei reduktiven Prompts?
Der häufigste Fehler ist mangelnde Präzision. Ein Prompt wie „Fasse das zusammen“ ohne Angabe von Länge oder Format führt zu unbrauchbaren Ergebnissen. Die KI benötigt klare Grenzen. Spezifizieren Sie immer das gewünschte Output-Format und relevante Constraints.
Kann ich mehrere reduktive Operationen in einem Prompt kombinieren?
Ja, aber mit Vorsicht. Kombinationen wie „Fasse zusammen und extrahiere dann alle Daten“ können die KI überfordern. Besser ist es, die Operationen zu sequenzieren: Verwenden Sie das Ergebnis des ersten Prompts als Input für einen zweiten, separaten Prompt. Dies gibt Ihnen mehr Kontrolle über jeden Schritt.
Wie lang sollte der Input-Text für einen reduktiven Prompt sein?
Moderne KI-Modelle haben große Kontextfenster. Dennoch gilt: Je länger und komplexer der Input, desto spezifischer muss der Prompt sein, um den Fokus zu lenken. Für sehr lange Dokumente ist es oft effektiver, zunächst eine hochgradige Zusammenfassung zu generieren und dann auf diesem verdichteten Text weiterzuarbeiten.
Eignen sich reduktive Prompts auch für technische oder wissenschaftliche Texte?
Ja. Reduktive Prompts sind hier besonders wertvoll. Sie können angepasst werden, um z.B. „die zentrale Hypothese und die drei Hauptbeweise aus der Forschungsarbeit zu extrahieren“. Der Schlüssel liegt darin, die Fachsprache in der Aufgabenstellung zu nutzen und das Output-Format an das Zielpublikum anzupassen.
Warum liefert die KI manchmal bei scheinbar gleichen Prompts unterschiedliche Ergebnisse?
KI-Modelle haben ein probabilistisches Element; sie generieren keine deterministischen Ausgaben. Kleine Änderungen im Prompt-Wording oder im Input-Text können zu Variationen führen. Für konsistentere Ergebnisse bei reduktiven Aufgaben sollte die „Temperatur“ niedrig eingestellt sein. Vor allem aber: Je präziser und enger gefasst der Prompt ist, desto geringer ist die Varianz.
Quelle
Basiert auf diesem YouTube-Video.
