Prompt Engineering
Die Anweisungen und den Kontext so zu formulieren, die du an ein LLM schickst, dass es die Ausgabe liefert, die du wirklich willst. Echtes Engineering, keine Zauberformel.
Prompt Engineering ist die Praxis, das zu strukturieren, was du an ein Modell schickst: die Aufgabenbeschreibung, die Beispiele, die Vorgaben, das Ausgabeformat und den Kontext. Das Modell hat keine Ahnung, was du willst, bis du es ihm sagst, und wie du es sagst, verändert das Ergebnis drastisch. Ein vager Prompt bekommt eine vage Antwort. Ein präziser Prompt mit Beispielen und definiertem Ausgabeschema bekommt etwas, das du tatsächlich ausliefern kannst.
Der Hype stilisiert das zur mystischen Fähigkeit. Die Realität ist nüchterner und nützlicher: Es ist iteratives Engineering. Du schreibst einen Prompt, testest ihn an echten Fällen, siehst wo er scheitert, schärfst die Anweisungen oder ergänzt Beispiele, misst erneut. Der System-Prompt (die stehenden Anweisungen über jeder Nutzernachricht) ist der Ort, an dem das dauerhafte Verhalten lebt, also fließt dorthin die eigentliche Arbeit.
Hier der ehrliche Teil: Prompt Engineering ist real, aber kein Karriere-Burggraben. Die Techniken sind in einer Woche erlernbar, und die Modelle werden immer besser darin, schlampige Prompts zu verstehen. Nicht zur Massenware wird das Wissen, auf welches Problem man das Modell ansetzt, wie man es in ein echtes System einbindet und ob man die Ausgabe als vertrauenswürdig bewerten kann. Das ist Engineering, und genau das tun wir unter Künstliche Intelligenz.
Sei vorsichtig bei jedem, der “Prompt Engineering” als eigenständiges Produkt verkauft. Der Prompt ist der billige Teil. Der teure Teil ist alles drumherum: Retrieval, Evaluation, Leitplanken und die Integration, die aus einem cleveren Prompt ein verlässliches Feature macht.