In unserem umfassenden Prompt-Glossar für Large Language Models (LLM) findest du leicht verständliche Definitionen und Erklärungen zu den wichtigsten Begriffen rund um Prompts, das prompten und Prompting-Techniken. Dieses Glossar konzentriert sich auf Begriffe und Techniken zur Textgenerierung! Es dient als praktisches Nachschlagewerk, das dir hilft, alle relevanten Fachbegriffe auf einen Blick zu erfassen. Mit unserem Prompt-Glossar kannst du jederzeit schnell auf Wissen rund um KI und Prompting zugreifen. Das Prompt-Glossar wird laufend ergänzt.

Ausführliches KI Prompt-Glossar mit Begriffserklärungen für Prompting-Techniken

KI Prompt-Glossar von A-Z | für LLM

A

• Alignment: Alignment ist der Prozess, ein KI-Modell so anzupassen und zu trainieren, dass es in Übereinstimmung mit ethischen und sozialen Normen agiert. Ziel ist es, zu verhindern, dass die KI schädliche, beleidigende oder unethische Antworten gibt. Dieses Konzept ist besonders wichtig, um sicherzustellen, dass KI-Systeme verantwortungsvoll und sicher eingesetzt werden.
• Aufgabenorientierung: Aufgabenorientierung beschreibt die Fähigkeit eines KI-Modells, gezielt eine bestimmte Aufgabe basierend auf einem Prompt oder einer Eingabe auszuführen. Die Aufgabenorientierung ermöglicht es der KI, Antworten zu geben, die im Kontext der gestellten Frage oder Aufgabe sinnvoll und relevant sind. Zum Beispiel kann ein aufgabenorientierter Prompt die KI dazu anweisen, eine kurze Zusammenfassung eines Textes zu liefern.

B

• Batch-Normalisierung: Batch-Normalisierung ist eine Technik, die beim Training neuronaler Netzwerke eingesetzt wird, um die Eingaben zu normalisieren, also Mittelwert und Standardabweichung zu berechnen und anzupassen. Dadurch wird das Training stabiler und beschleunigt, da die Eingabewerte für jede Schicht gleichmäßiger verteilt werden. Dies hilft, die Konvergenz des Modells zu verbessern und Überanpassungen zu vermeiden.
• Beam Search: Beam Search ist ein Textgenerierungsalgorithmus, bei dem das Modell mehrere Antwortpfade parallel berechnet und den besten Pfad auswählt. Dadurch können kohärentere und hochwertigere Ergebnisse erzeugt werden.
• Beispiele: Beispiele sind spezifische Anwendungsfälle oder Demonstrationen, die der KI zeigen, wie eine Aufgabe gelöst werden soll. Sie helfen der KI, den Kontext und die gewünschte Struktur der Antwort besser zu verstehen, insbesondere bei Few-Shot-Prompting.

C

• Chain-of-Thought Prompting: Chain-of-Thought Prompting ermutigt die KI, ihre Denkprozesse Schritt für Schritt offenzulegen. Diese Methode ist besonders nützlich bei komplexen Aufgaben, bei denen eine logische Abfolge erforderlich ist, wie etwa mathematische Berechnungen oder Problemanalysen. Durch diese Technik kann die KI die Zwischenschritte ihrer Antwort dokumentieren, was zu einer nachvollziehbareren und kohärenteren Lösung führt.
• Closed-Ended Prompt: Ein Closed-Ended Prompt fordert die KI zu einer kurzen und präzisen Antwort auf eine spezifische Frage auf. Zum Beispiel: „Was ist die Hauptstadt von Frankreich?“ Diese Art von Prompt gibt wenig Raum für Interpretationen und zielt darauf ab, eine eindeutige, oft faktische Antwort zu erhalten.
• Completion: Completion bezeichnet die endgültige Ausgabe, die die KI als Antwort auf einen gegebenen Prompt generiert. Die Completion kann eine einzelne Antwort, ein Absatz oder eine umfangreichere Antwort sein, abhängig von der Frage und der Art des Prompts. Der Begriff wird oft verwendet, um den generierten Text im Kontext von KI-Sprachmodellen zu beschreiben.
• Context: Kontext beschreibt die zusätzlichen Informationen oder den Hintergrund, der der KI gegeben wird, um ihre Antwort relevanter und kohärenter zu machen. Kontext kann helfen, die Bedeutung und Nuancen von Fragen zu klären. Beispielsweise kann die Bereitstellung eines thematischen Rahmens für die KI sicherstellen, dass die Antwort besser auf die Erwartungen des Nutzers abgestimmt ist.
• Contrastive Prompting: Contrastive Prompting fordert die KI auf, zwei oder mehr Konzepte, Sichtweisen oder Elemente miteinander zu vergleichen. Diese Technik wird oft verwendet, um Unterschiede und Gemeinsamkeiten hervorzuheben und dadurch ein tieferes Verständnis eines Themas zu fördern. Zum Beispiel könnte ein Prompt die KI bitten, die Vor- und Nachteile von Solar- und Windenergie zu vergleichen.
• Correction Prompting: Correction Prompting wird verwendet, um die KI zu bitten, Fehler in einem gegebenen Text zu identifizieren und zu korrigieren. Diese Technik eignet sich gut für Aufgaben wie Grammatikprüfung oder Fehleranalyse in Texten, indem die KI gezielt auf mögliche Unstimmigkeiten oder Fehler aufmerksam gemacht wird.

D

• Dropout: Dropout ist eine Technik in neuronalen Netzwerken, bei der zufällig ausgewählte Neuronen während des Trainings deaktiviert werden. Ziel ist es, Überanpassung zu verhindern und das Modell robuster zu machen. Dropout wirkt wie eine Art „Schutzmechanismus“ gegen Überfitting, da das Netzwerk gezwungen wird, robuste Merkmale zu lernen, ohne sich auf einzelne Neuronen zu verlassen.
• Denkreaktion: Eine Denkreaktion bezeichnet die Fähigkeit eines KI-Modells, auf eine Eingabe mit einem reflektierten und oft schrittweisen Denkprozess zu reagieren. Anstatt direkt eine Endantwort zu liefern, „denkt“ das Modell durch die Aufgabe und legt seine Überlegungen in einzelnen Zwischenschritten dar. Diese Methode wird häufig in komplexeren Aufgaben genutzt, um die logische Abfolge offenzulegen und nachvollziehbare Antworten zu erzeugen. Ein Beispiel dafür ist das „Chain-of-Thought Prompting“, bei dem das Modell seine Antwort in kleinen, logischen Schritten aufbaut.

E

• Embedding: Ein Embedding ist eine mathematische Darstellung von Texten oder Wörtern in einem mehrdimensionalen Vektorraum. Diese Repräsentation hilft der KI, Beziehungen und Bedeutungen zwischen verschiedenen Wörtern und Konzepten zu erkennen. Embeddings werden oft genutzt, um semantische Ähnlichkeiten zu erkennen und Texte effizienter zu verarbeiten, wie bei Suchanfragen oder Textklassifikationen.
• Exploration Prompting: Exploration Prompting fordert die KI auf, ein Thema aus verschiedenen Blickwinkeln zu beleuchten oder verschiedene Ansätze zur Lösung eines Problems vorzuschlagen. Diese Technik eignet sich besonders für kreative Aufgaben oder für Situationen, in denen eine Vielzahl von Ideen und Perspektiven erwünscht sind.

F

• Few-Shot Prompting: Few-Shot Prompting beinhaltet das Geben von wenigen Beispielen im Prompt, um der KI zu zeigen, wie die Antwort strukturiert sein soll. Diese Technik ist nützlich, wenn die KI eine spezifische Art von Antwort geben soll, ohne dass ein umfassendes Training erforderlich ist. Ein typischer Anwendungsfall ist die Formulierung einer Frage zusammen mit einigen Beispielantworten.
• Fine-Tuning: Fine-Tuning ist der Prozess, ein KI-Modell mit spezifischen Daten nachzutrainieren, um seine Leistung auf spezifischen Aufgaben oder Datensätzen zu verbessern. Fine-Tuning kann verwendet werden, um ein vortrainiertes Modell an die Bedürfnisse einer spezifischen Domäne anzupassen, wie z. B. juristische oder medizinische Texte.
• Format: Format bezeichnet die Struktur oder die Anordnung, in der eine Antwort oder Information präsentiert wird. Ein gut definierter Format-Prompt hilft der KI, ihre Antworten in der gewünschten Form zu liefern, sei es als Liste, Aufzählung oder in einem Fließtext.

G

• Gradient-Abstieg: Gradient-Abstieg ist eine Optimierungstechnik, die verwendet wird, um die Verlustfunktion eines KI-Modells zu minimieren. Durch Berechnung der Steigung der Verlustfunktion und Anpassung der Modellparameter in Richtung des negativen Gradienten wird das Modell schrittweise verbessert. Diese Technik ist zentral für das Training neuronaler Netzwerke.

H

• Halluzinationen: Halluzinationen in der KI beziehen sich auf Situationen, in denen das Modell Informationen generiert, die faktisch falsch oder erfunden sind, obwohl sie auf den ersten Blick glaubwürdig erscheinen. Dies kann auftreten, wenn die KI auf unsicheres Terrain trifft und dennoch eine Antwort formuliert, um dem Anschein nach vollständige Antworten zu liefern.

I

• Inference: Inference beschreibt den Prozess, bei dem ein KI-Modell basierend auf einem Prompt eine Antwort generiert. Dabei trifft das Modell seine „Vorhersagen“, um die wahrscheinlichste oder passendste Antwort zu liefern.
• Instruction Prompting: Instruction Prompting beinhaltet die Eingabe klarer Anweisungen in den Prompt, die die KI befolgen soll. Ein Beispiel wäre „Erkläre das Konzept in einfachen Worten“. Diese Technik ist hilfreich, um die KI auf ein bestimmtes Ziel oder eine bestimmte Form der Antwort auszurichten.

K

• Konditionierung: Konditionierung bezeichnet das Training eines KI-Modells, sodass es sich an bestimmte Bedingungen oder Kontexte anpassen kann, um bessere Ergebnisse zu erzielen. Dies könnte beispielsweise bedeuten, die KI auf Kundenservice-Fragen zu trainieren, damit sie spezifischere und relevantere Antworten in diesem Bereich geben kann.
• Kontextualisierung: Kontextualisierung ist die Fähigkeit eines KI-Modells, den Kontext eines Textes oder Tokens zu verstehen und diesen bei der Verarbeitung zu berücksichtigen. Durch Kontextualisierung kann die KI präzisere Antworten geben, da sie die Bedeutung und Nuancen des Inhalts besser erfasst.

L

• LLM (Large Language Model): Ein LLM (Large Language Model) ist ein großes Sprachmodell, das über Milliarden oder sogar Billionen von Parametern verfügt. Diese Parameter ermöglichen es dem Modell, komplexe Muster und Zusammenhänge in großen Textmengen zu erkennen und auf vielfältige Weise mit Text zu interagieren, wie etwa bei der Beantwortung von Fragen, Textgenerierung, Sprachübersetzung und mehr. Beispiele für LLMs sind GPT-4, BERT und T5. Dank ihrer Größe und hohen Rechenleistung können LLMs menschenähnliche, kontextbewusste und präzise Antworten auf komplexe Prompts geben und verschiedene Prompting-Techniken wie Few-Shot und Chain of Thought effektiv umsetzen.

M

• Mangel an Kreativität: Mangel an Kreativität tritt auf, wenn ein KI-Modell nur in der Lage ist, Vorlagen oder bekannte Muster zu wiederholen, anstatt originelle oder kreative Antworten zu generieren. Dies ist besonders bei offenen Aufgaben oder künstlerischen Anwendungen eine Herausforderung, da die KI auf bereits Gelerntes zurückgreift.
• Masked Language Modeling: Masked Language Modeling ist eine Technik, bei der Teile eines Textes während des Trainings maskiert werden, sodass die KI lernen muss, die fehlenden Wörter zu erraten. Diese Methode wird häufig verwendet, um Sprachverständnismodelle wie BERT zu trainieren und ihnen zu helfen, den Kontext und die Bedeutung besser zu verstehen.
• Max Tokens: Max Tokens ist ein Parameter, der die maximale Anzahl an Token (Wörter oder Zeichen) in einer Antwort festlegt. Eine Begrenzung der Tokens ist nützlich, um die Länge der Antwort zu kontrollieren und unnötig lange Ausgaben zu vermeiden.
• Meta-Lernen: Meta-Lernen beschreibt die Fähigkeit eines KI-Modells, zu lernen, wie man lernt. Dies bedeutet, dass das Modell schnell neue Aufgaben oder Daten verstehen und verarbeiten kann, ohne umfangreiches Training zu benötigen. Meta-Lernen ist besonders für Anwendungen nützlich, die Flexibilität und schnelle Anpassungsfähigkeit erfordern.
• Meta-Prompting: Meta-Prompting ist eine Technik, bei der die KI dazu aufgefordert wird, den Prompt selbst zu bewerten oder zu verbessern. Diese Methode kann genutzt werden, um die Qualität und Präzision eines Prompts zu erhöhen, indem die KI den Zweck oder die Struktur des Prompts besser versteht.

N

• Natural Language Understanding (NLU): Natural Language Understanding (NLU) bezeichnet den Bereich der KI, der sich auf das Verstehen und Interpretieren menschlicher Sprache konzentriert. Ein besseres NLU bedeutet, dass die KI genauere und kontextrelevante Antworten auf Prompts geben kann, insbesondere bei komplexen oder mehrdeutigen Fragen.

O

• One-Shot Prompting: One-Shot Prompting verwendet nur ein einziges Beispiel, um der KI eine Orientierung zu geben. Diese Methode ist nützlich, wenn ein gewisses Verständnis oder eine gewisse Struktur erforderlich ist, die KI jedoch mit nur einem Beispiel darauf vorbereitet werden kann, wie sie die Antwort formulieren soll.
• Open-Ended Prompt: Ein Open-Ended Prompt fordert die KI auf, eine kreative und freie Antwort zu geben, ohne eine klare oder spezifische Antwort zu erwarten. Beispiele sind „Schreibe eine Geschichte über den Weltraum“ oder „Gib eine kreative Erklärung zu einem Phänomen“. Diese Art von Prompt regt die Kreativität der KI an.

P

• Persona Prompting: Persona Prompting gibt der KI eine bestimmte Persönlichkeit oder Rolle, wie z. B. die eines Historikers oder Lehrers. Dadurch kann die KI auf eine Weise antworten, die den Erwartungen der vorgegebenen Rolle entspricht, was besonders bei simulationsbasierten oder pädagogischen Anwendungen nützlich ist.
• Prompt: Ein Prompt ist die Eingabe oder Anweisung, die der KI gegeben wird, um eine bestimmte Aufgabe zu erfüllen oder eine Reaktion zu erzeugen. Der Prompt enthält alle wesentlichen Informationen oder Fragestellungen, die die KI benötigt, um die Anfrage des Nutzers zu beantworten.
• Prompt-Bias: Prompt-Bias beschreibt die unbeabsichtigten Tendenzen oder Verzerrungen, die durch die Formulierung eines Prompts entstehen können. Ein Prompt kann implizite Annahmen oder Voreingenommenheiten enthalten, die die Antwort der KI beeinflussen und zu einer weniger neutralen oder verzerrten Antwort führen können.
• Prompten: Prompten bezeichnet den Vorgang, eine KI oder ein Sprachmodell mit gezielten Eingaben oder Anweisungen zu steuern, um eine bestimmte Antwort oder Handlung zu erhalten. Durch sorgfältig formulierte Prompts kann die KI zu präzisen oder kreativen Ergebnissen geführt werden, je nach gewünschtem Ziel.
• Prompt-Engineering: Prompt-Engineering ist die Kunst und Wissenschaft, Prompts so zu gestalten, dass sie gewünschte und präzise Ergebnisse von der KI generieren. Prompt-Engineering umfasst Techniken zur Optimierung von Prompts, um sicherzustellen, dass die KI das Ziel der Anfrage klar versteht.
• Prompt-Generator: Ein Prompt-Generator ist ein Tool oder Programm, das automatisch Prompts erstellt, die an ein KI-Modell gesendet werden können. Diese Generatoren sind nützlich, wenn eine große Menge an Prompts erforderlich ist, z. B. bei umfangreichen Tests oder bei der Erstellung von Trainingsdaten.
• Prompt-Glossar: Ein Prompt-Glossar ist ein Nachschlagewerk, das die wichtigsten Begriffe und Techniken rund um das Thema Prompts und deren Anwendung im Kontext von KI und Sprachmodellen erklärt. Es dient als Orientierungshilfe für Einsteiger und Fortgeschrittene und hilft, komplexe Fachbegriffe zu verstehen und gezielt einzusetzen.
• Prompting: Prompting beschreibt die Technik, ein KI-Modell mit einem bestimmten Prompt zu „auffordern“, eine Aufgabe zu erfüllen. Es ist der Prozess, durch den eine KI auf eine bestimmte Weise zum Handeln gebracht wird, indem ihr eine konkrete Anweisung gegeben wird.
• Prompt Tuning: Prompt Tuning ist eine Technik zur Optimierung von Prompts, um die Genauigkeit und Relevanz der Antworten eines KI-Modells zu verbessern. Hierbei werden bestimmte Eingaben oder Parameter angepasst, um ein KI-Modell auf spezifische Aufgaben oder Zielsetzungen auszurichten. Prompt Tuning wird oft in Kombination mit großen Sprachmodellen eingesetzt, um die Leistung auf spezialisierte Anwendungen zu steigern, ohne das Modell komplett neu zu trainieren.

R

• Recursive Prompting: Recursive Prompting ist eine Methode, bei der die KI ihre eigene Antwort wiederholt analysiert und verfeinert, um komplexe Aufgaben zu bearbeiten. Diese Technik ist besonders nützlich, wenn es um iterative Prozesse geht oder wenn eine detaillierte und präzise Antwort erforderlich ist.
• Reflexive Prompting: Reflexive Prompting fordert die KI auf, über ihre eigene Antwort oder Vorgehensweise nachzudenken, wodurch sie die Gründe hinter ihrer Antwort besser erklären kann. Diese Methode eignet sich für Aufgaben, bei denen eine kritische Analyse oder Selbstreflexion erwünscht ist.
• Reinforcement Learning from Human Feedback (RLHF): RLHF ist ein Trainingsansatz, bei dem die KI aus Feedback von Menschen lernt, um die Qualität und Relevanz ihrer Antworten zu verbessern. Durch menschliches Feedback wird das Modell schrittweise verbessert, indem Vorlieben und Bewertungen von Nutzern berücksichtigt werden.
• Regularisierung: Regularisierung ist eine Technik, die darauf abzielt, Überanpassung (Overfitting) in KI-Modellen zu vermeiden. Durch Regularisierung wird das Modell stabiler, da es lernt, verallgemeinerbare Muster zu erkennen, anstatt sich auf spezifische Details in den Trainingsdaten zu verlassen.
• Role-Based Prompting: Role-Based Prompting weist der KI eine spezifische Rolle oder Identität zu, etwa „Du bist ein Arzt, der medizinische Ratschläge gibt“. Dies kann dazu beitragen, die Art der Antwort zu steuern und sicherzustellen, dass sie zu der gegebenen Rolle passt.
• Rolle: Rolle bezieht sich darauf, dass ein KI-Modell in eine bestimmte Identität oder Perspektive versetzt wird, z. B. die eines Lehrers, Beraters oder Experten. Die Rolle beeinflusst die Art und Weise, wie die KI ihre Antworten formuliert und welche Informationen sie hervorhebt.

S

• Sampling: Sampling bezeichnet die Methode, mit der ein KI-Modell mögliche nächste Token in einer Antwort auswählt. Durch Sampling lässt sich steuern, wie zufällig oder kreativ die generierte Antwort ist.
• Schwache Mathematikfähigkeiten: Schwache Mathematikfähigkeiten beziehen sich auf die begrenzte Fähigkeit eines KI-Modells, mathematische Berechnungen und Aufgaben korrekt durchzuführen. Obwohl Sprachmodelle große Datenmengen verstehen können, haben sie oft Schwierigkeiten mit exakten Berechnungen und komplexen mathematischen Konzepten.
• Schwierigkeiten mit Anweisungen: Schwierigkeiten mit Anweisungen treten auf, wenn ein KI-Modell nicht in der Lage ist, präzise oder komplexe Anweisungen korrekt umzusetzen. Dies kann dazu führen, dass die KI den gewünschten Anweisungen nur teilweise folgt oder unerwartete Ergebnisse liefert, besonders bei detaillierten oder mehrstufigen Aufgaben.
• Selbst-Überwachung: Selbst-Überwachung bezeichnet die Fähigkeit eines KI-Modells, seine eigene Leistung zu überwachen und gegebenenfalls zu verbessern. Diese Fähigkeit ist besonders wertvoll in Systemen, die autonom arbeiten und sich an wechselnde Anforderungen anpassen müssen.
• Self-Ask Prompting: Self-Ask Prompting fordert die KI auf, selbst Fragen zu stellen und diese zu beantworten, um ein tieferes Verständnis eines Themas zu erreichen. Diese Methode wird oft verwendet, um die KI dazu anzuregen, kritischer und umfassender über das gegebene Thema nachzudenken.
• Stil: Stil beschreibt die Art und Weise, wie die KI eine Antwort formuliert, einschließlich der Wortwahl, des Tons und der Satzstruktur. Der Stil kann je nach gewünschter Zielgruppe angepasst werden, um z. B. formelle oder informelle Antworten zu erzeugen.
• Stochastischer Gradient-Abstieg: Der stochastische Gradient-Abstieg ist eine Variation des Gradient-Abstiegs, bei der für jedes Update zufällig ausgewählte Trainingsdaten verwendet werden. Diese Methode kann das Training beschleunigen und hilft, die Modellparameter schneller anzugleichen.
• Stop Sequence: Eine Stop Sequence ist eine Zeichenfolge, die den Output der KI automatisch beendet, sobald sie erreicht wird. Diese Technik wird verwendet, um sicherzustellen, dass die Antwort in einer vorgegebenen Länge bleibt und nicht unnötig fortgesetzt wird.

T

• Temperature: Temperature ist ein Parameter, der die Kreativität und Zufälligkeit der KI-Antwort steuert. Eine höhere Temperature führt zu variableren und kreativeren Antworten, während eine niedrigere Temperature präzisere und vorhersehbarere Ergebnisse liefert. Die Temperature kann angepasst werden, um die Antwort dem gewünschten Stil anzupassen.
• Token: Ein Token ist eine Einheit im Text, wie ein Wort oder ein Zeichen, die das KI-Modell verarbeitet. Die Anzahl der Token kann beeinflussen, wie lang oder kurz eine Antwort ist, da Token oft als Messgröße für Textlängen verwendet werden.
• Tokenisierung: Tokenisierung bezeichnet die Technik, einen Text in einzelne Token zu zerlegen. Diese Token werden anschließend vom KI-Modell verarbeitet, wodurch das Modell die Struktur und Bedeutung des Textes besser analysieren kann.
• Transfer-Lernen: Transfer-Lernen beschreibt die Methode, ein KI-Modell, das für eine Aufgabe trainiert wurde, auf eine neue, verwandte Aufgabe zu übertragen. Dadurch kann das Modell seine bereits gelernten Muster nutzen, ohne von Grund auf neu trainiert werden zu müssen.

V

• Verankerter Bias: Verankerter Bias beschreibt die Tendenz eines KI-Modells, bestehende Vorurteile oder Verzerrungen aus den Trainingsdaten in seine Antworten zu übernehmen. Dies kann zu einseitigen oder unfairen Ergebnissen führen, da die KI die zugrunde liegenden Muster und Vorurteile der Trainingsdaten widerspiegelt.

Z

• Zero-Shot Prompting: Zero-Shot Prompting beschreibt die Fähigkeit eines KI-Modells, eine Aufgabe zu erfüllen, ohne dass ihm zuvor Beispiele für diese spezifische Aufgabe gegeben wurden. Das Modell „errät“ die Struktur und Art der Antwort basierend auf seiner bisherigen Trainingserfahrung.

Prompting-Techniken

Grundlegende Prompting-Techniken

• Direkte Anweisung
  Eine Technik, bei der dem Modell eine klare, präzise Aufgabe gestellt wird. Direkte Anweisungen werden ohne zusätzliche Beispiele oder Details gegeben und zielen darauf ab, eine spezifische, einfache Antwort zu erhalten.
  Beispiel: „Schreibe ein Gedicht über einen Hund.“
  Alternative Anwendungsfälle: Faktenabfragen („Wie lautet die Hauptstadt von Frankreich?“) oder kurze Beschreibungen („Beschreibe einen Sonnenuntergang.“).
• Beispiele
  Hier wird dem Modell ein oder mehrere Beispielausgaben präsentiert, um ihm den gewünschten Stil, Ton oder die Struktur der Antwort zu verdeutlichen. Diese Technik ist besonders effektiv bei kreativen Aufgaben oder wenn ein bestimmter Schreibstil gefordert ist.
  Beispiel: „Schreibe einen Text im Stil von Hemingway.“
  Alternative Anwendungsfälle: Technische Anleitungen („Beschreibe ein Rezept im Stil eines Kochbuchs“).
• Rollenspiel (Persona Prompting)
  Das Modell wird in eine bestimmte Rolle oder Persona versetzt, die die Art und Weise der Antwort beeinflusst. Durch das Rollenspiel kann das Modell spezifische Perspektiven und Tonalitäten annehmen, die den Kontext prägen und so die Reaktion genauer auf das gewünschte Ziel abstimmen.
  Beispiel: „Du bist ein Detektiv. Beschreibe den Tatort.“
  Alternative Anwendungsfälle: Historische Rollen („Du bist ein römischer Geschichtsschreiber. Beschreibe den Alltag im antiken Rom.“) oder Fachrollen („Du bist ein Arzt. Erkläre die Symptome einer Erkältung.“).
• Fragenstellen (Socratic Prompting)
  Bei dieser Technik wird das Modell durch Fragen geleitet, die es dazu bringen, ein Thema Stück für Stück zu erkunden. Diese Methode kann das Modell zu einer umfassenderen Antwort führen, indem sie es dazu veranlasst, eigene Überlegungen oder Denkschritte zu formulieren.
  Beispiel: „Was sind die Ursachen von Klimawandel? Welche Lösungen gibt es dafür?“
  Alternative Anwendungsfälle: Erkundung komplexer Themen oder mehrstufiger Problemlösungen.
• Thematische Vorgabe
  Eine Technik, bei der dem Modell ein allgemeines Thema oder eine Richtung vorgegeben wird, jedoch keine klare Anweisung. Das Modell hat hier Spielraum, die Antwort kreativ zu gestalten, während es sich an das Hauptthema hält.
  Beispiel: „Erzähle eine Geschichte über Mut.“
  Alternative Anwendungsfälle: Erzählen persönlicher Geschichten oder Beschreibungen von Ereignissen.

Fortgeschrittene Prompting-Techniken

• Assoziative Prompting: Eine Technik, bei der die KI dazu aufgefordert wird, Verbindungen zwischen verschiedenen Konzepten herzustellen. Dies ist besonders nützlich bei Brainstorming oder kreativen Aufgaben, bei denen die KI neue Ideen und Perspektiven liefern soll.
• Chain-of-Thought Prompting: Eine Technik, die die KI dazu anleitet, ihre Antwort in aufeinanderfolgenden Denkschritten aufzubauen. Diese Methode ist hilfreich für Aufgaben, die eine logische Abfolge oder komplexe Problemlösungen erfordern, da sie die KI dazu bringt, ihre Überlegungen Schritt für Schritt offenzulegen.
• Correction Prompting: Eine Technik, bei der die KI dazu aufgefordert wird, Fehler in einem gegebenen Text zu identifizieren und zu korrigieren. Diese Methode eignet sich für Korrekturlese- und Überarbeitungsaufgaben, bei denen die KI gezielt auf Unstimmigkeiten und Fehler achten soll.
• Exploration Prompting: Exploration Prompting fordert die KI dazu auf, ein Thema aus verschiedenen Blickwinkeln zu beleuchten oder alternative Lösungen vorzuschlagen. Diese Technik ist nützlich für kreative oder offene Aufgaben, bei denen mehrere Ideen und Perspektiven gefragt sind.
• Few-Shot Prompting: Eine Methode, bei der der Prompt ein oder mehrere Beispiele enthält, die der KI eine Struktur für die Antwort zeigen. Diese Technik hilft der KI, Muster zu erkennen und die gewünschte Antwortform zu liefern, ohne umfangreiches Training.
• Instruction Prompting: Eine Technik, bei der der Prompt klare Anweisungen enthält, die die KI befolgen soll, etwa „Erkläre das Thema in einfachen Worten.“ Instruction Prompting ist hilfreich, um die Antwort der KI gezielt zu lenken.
• Meta-Prompting: Eine Technik, bei der die KI dazu aufgefordert wird, den Prompt selbst zu bewerten oder zu verbessern. Meta-Prompting hilft, die Qualität des Prompts zu erhöhen, indem die KI aktiv über den Zweck und die Struktur des Prompts nachdenkt.
• One-Shot Prompting: Eine Methode, bei der nur ein einzelnes Beispiel im Prompt enthalten ist, um der KI eine einmalige Orientierung zu geben. Diese Technik ist nützlich, wenn eine gewisse Struktur oder ein spezifischer Kontext vermittelt werden soll, ohne umfangreiche Vorgaben.
• Persona Prompting: Bei Persona Prompting wird der KI eine bestimmte Rolle oder Identität zugewiesen, z. B. die eines Lehrers oder Historikers. Diese Technik sorgt dafür, dass die Antwort der KI zu einer bestimmten Perspektive passt und das gewünschte Wissen oder den passenden Ton widerspiegelt.
• Reflexive Prompting: Reflexive Prompting fordert die KI dazu auf, ihre Antwort zu hinterfragen und über den eigenen Denkprozess nachzudenken. Diese Technik ist besonders hilfreich bei Aufgaben, die eine kritische Analyse erfordern, und sorgt für reflektierte und gründlich durchdachte Antworten.
• Recursive Prompting: Eine Technik, bei der die KI ihre Antwort wiederholt analysiert und verfeinert, um komplexe Aufgaben in mehreren Durchgängen zu bearbeiten. Recursive Prompting ist hilfreich bei Aufgaben, die eine iterative und detaillierte Betrachtung erfordern.
• Role-Based Prompting: Bei Role-Based Prompting wird der KI eine spezifische Rolle zugewiesen, etwa „Du bist ein Wissenschaftler, der Forschungsergebnisse erklärt.“ Diese Technik sorgt dafür, dass die Antwort den Erwartungen an die Rolle entspricht.
• Self-Ask Prompting: Self-Ask Prompting fordert die KI auf, selbst Fragen zu stellen und diese zu beantworten, um ein Thema tiefer zu verstehen. Diese Methode hilft der KI, Themen kritischer zu betrachten und komplexere Zusammenhänge zu durchdenken.
• Zero-Shot Prompting: Eine Technik, bei der der Prompt keine Beispiele oder zusätzlichen Informationen enthält. Die KI erhält nur die Aufgabe und generiert eine Antwort ohne spezifische Vorgaben, was ihre Fähigkeit zur Generalisierung herausfordert.

 

Prompting-Frameworks und -Modelle

Prompting-Frameworks und -Modelle, um Antworten zu strukturieren, bieten eine klar definierte Methode, um Informationen logisch und gezielt aufzubauen. Sie werden häufig im Bereich von Künstlicher Intelligenz und Sprachmodellen eingesetzt, um strukturierte und kohärente Antworten zu erzeugen. Die Modelle helfen dabei, komplexe Inhalte verständlich zu gliedern. Jedes dieser Modelle verfolgt ein spezifisches Ziel, sei es das Wecken von Interesse, die lösungsorientierte Darstellung von Problemen oder das Setzen klarer Ziele. Prompting-Frameworks ermöglichen es Nutzern, Antworten effektiver zu lenken und die gewünschte Struktur und Präzision zu erzielen.

• AIDA (Attention, Interest, Desire, Action): Ein klassisches Marketing- und Kommunikationstool, das dazu dient, Inhalte so zu strukturieren, dass sie Aufmerksamkeit wecken, Interesse erzeugen, den Wunsch nach einem Produkt oder einer Dienstleistung verstärken und schließlich zu einer Handlung führen.
• STAR (Situation, Task, Action, Result): Ein Modell zur strukturierten Darstellung von Erfolgen oder Prozessen. Es wird häufig in Bewerbungsgesprächen verwendet, um Erfolge klar und prägnant darzustellen: Situation beschreibt den Kontext, Task die Aufgabe, Action die durchgeführten Schritte und Result das Ergebnis.
• PAS (Problem, Agitation, Solution): Ein Modell zur Problemlösung in Texten. Problem beschreibt die Herausforderung, Agitation verstärkt das Bewusstsein oder die Dringlichkeit des Problems, und Solution stellt eine Lösung vor. Es wird häufig im Marketing verwendet, um Zielgruppen zu erreichen, die nach Lösungen suchen.
• SMART Goals (Specific, Measurable, Achievable, Relevant, Time-bound): Ein Modell zur Festlegung klarer und erreichbarer Ziele. Specific steht für spezifisch, Measurable für messbar, Achievable für erreichbar, Relevant für relevant und Time-bound für zeitgebunden. Die SMART-Methode ist in der Zielsetzung nützlich, um realistische und gut definierte Ziele zu setzen.

 

Reaktionsarten in der KI

Reaktionsarten beschreiben die verschiedenen Typen von Antworten, die ein KI-Modell basierend auf dem Prompt und der Art der gestellten Aufgabe erzeugen kann. Diese Reaktionen reichen von einfachen, direkten Antworten bis hin zu komplexeren, reflektierten oder kreativen Antworten. Je nach Kontext und gewünschtem Ergebnis können unterschiedliche Reaktionsarten hilfreich sein:

• Analytische Reaktion: Bei einer analytischen Reaktion zerlegt das Modell ein Problem oder eine Frage in mehrere Bestandteile und analysiert diese einzeln. Diese Reaktion eignet sich besonders für komplexe Aufgaben, die eine detaillierte Betrachtung erfordern.
• Assoziative Reaktion: Die KI stellt Verbindungen und Assoziationen zwischen verschiedenen Konzepten her, ohne eine zwingende logische Reihenfolge zu verfolgen. Diese Reaktionsart ist häufig bei kreativen Aufgaben und Brainstorming nützlich.
• Denkreaktion: Eine Denkreaktion entsteht, wenn die KI schrittweise über eine Aufgabe „nachdenkt“ und ihre Überlegungen in einer strukturierten Abfolge darlegt. Diese Art der Reaktion ist besonders nützlich für komplexe Aufgaben, bei denen eine nachvollziehbare Argumentation erforderlich ist, wie z. B. beim Chain of Thought Prompting.
• Direkte Reaktion: Eine direkte Reaktion ist kurz und prägnant und wird ohne zusätzliche Denkschritte oder Erklärungen geliefert. Diese Reaktion ist ideal für klare, geschlossene Fragen oder einfache Faktenabfragen, wie „Was ist die Hauptstadt von Frankreich?“
• Erklärende Reaktion: Hier legt das Modell nicht nur eine Antwort vor, sondern liefert eine ausführliche Erklärung oder Beschreibung des Themas. Diese Reaktion eignet sich besonders für Bildungszwecke, um komplexe Inhalte verständlicher zu machen.
• Kreative Reaktion: Kreative Reaktionen entstehen, wenn die KI originelle Ideen oder Inhalte generiert, wie z. B. Geschichten, Gedichte oder kreative Problemlösungen. Diese Reaktionsart ist weniger streng strukturiert und fördert Flexibilität und Einfallsreichtum.
• Präzisierende Reaktion: Eine präzisierende Reaktion tritt auf, wenn das Modell Rückfragen stellt oder den Kontext genauer abklärt, um Missverständnisse zu vermeiden und eine präzise Antwort zu geben.
• Reflexive Reaktion: Bei einer reflexiven Reaktion denkt das Modell über seine eigene Antwort nach und stellt ggf. kritische Fragen oder weist auf Unsicherheiten hin. Diese Art der Reaktion wird oft für ethische oder kritische Fragen genutzt.

Hinweis

• Das Glossar erhebt keinen Anspruch auf Vollständigkeit, da sich das Gebiet der Prompting-Techniken und der künstlichen Intelligenz ständig weiterentwickelt und laufend neue Ansätze und Methoden hinzukommen. Die Bezeichnungen und Beschreibungen der Techniken können zudem je nach Quelle oder spezifischem Forschungsbereich variieren.
• Einzelne Begriffe erscheinen mehrfach. Das ist beabsichtigt, da sie sich thematisch mehreren Bereiche zuordnen lassen.

Weitere Ressourcen auf KI-Era

Neben unserem Prompt-Glossar findest du weitere Ressourcen u.a. auf KI-Era hier:

• KI-Glossar
• Wikipedia