Strategien für das Prompt Engineering sind entscheidend, um die erwarteten Ausgaben zu erhalten und die Modellleistung zu maximieren. Auf dieser Seite finden Sie einen Überblick über die wichtigsten Prompting-Strategien für die Interaktion mit Modellen für generative KI, insbesondere Gemini.
Weitere Informationen zu Prompting-Strategien finden Sie in der Übersicht über Prompting-Strategien in der Dokumentation zu Google Cloud .
Grundlagen des Prompt-Designs
Ein Prompt ist die primäre Eingabe für ein generatives KI-Modell, mit der es angewiesen wird, eine bestimmte Ausgabe zu generieren. Eingabeaufforderungen können von einzelnen Anfragen bis hin zu komplexen, mehrteiligen Anweisungen reichen, die Kontext, Beispiele und spezifische Anforderungen an die Ausgabeformatierung enthalten.
Im Folgenden finden Sie wichtige Überlegungen für effektive Prompts:
- Klare und spezifische Anweisungen geben: Wenn Sie Prompts erstellen, ist es wichtig, klar und spezifisch anzugeben, was das Modell tun soll. Mehrdeutige oder vage Prompts können zu unerwarteten und möglicherweise irrelevanten Ausgaben führen. Anstatt beispielsweise „Schreibe ein Gedicht“ zu fragen, wäre ein spezifischerer Prompt „Schreibe ein kurzes Gedicht über die Schönheit der Natur im Stil von Robert Frost“. Außerdem hilft Kontext dem Modell, die erwartete Aufgabe zu verstehen und relevante Antworten zu generieren.
- Komplexe Aufgaben aufschlüsseln: Bei komplexen Aufgaben ist es oft hilfreich, den Prompt in kleinere, übersichtlichere Teilaufgaben aufzuteilen. Mit dieser Strategie kann sich das Modell jeweils auf einen Aspekt konzentrieren, was zu genaueren und kohärenteren Ergebnissen führen kann. Wenn das Modell beispielsweise eine Geschichte schreiben soll, können Sie die Aufgabe in Prompts für die Generierung der Charaktere, des Schauplatzes, der Handlung und der Dialoge aufteilen.
- Mit Ergebnissen experimentieren und iterieren: Das Prompt-Design ist oft ein iterativer Prozess. Sie können mit verschiedenen Ansätzen, Formulierungen und Parametern experimentieren, um das beste Ergebnis für Ihre Anforderungen zu erzielen. Dabei werden verschiedene Promptlängen ausprobiert, Anweisungen umformuliert oder die Temperatureinstellung des Modells angepasst, die die Zufälligkeit der Ausgabe steuert. Höhere Temperaturwerte führen zu kreativeren und unvorhersehbareren Ergebnissen, während niedrigere Temperaturen zu deterministischeren und fokussierteren Antworten führen.
Grundlegende Prompting-Techniken
Es gibt verschiedene Techniken, mit denen Sie Prompts optimieren und das erwartete Verhalten von generativen KI-Modellen hervorrufen können.
In der folgenden Tabelle sind die wichtigsten Prompting-Methoden für generative KI-Modelle aufgeführt:
| Methode für Prompts | Beschreibung | Beispiel für einen Prompt |
|---|---|---|
| Zero-Shot-Prompts | Das Modell wird direkt abgefragt, ohne dass bestimmte Beispiele angegeben werden. Es wird auf das vortrainierte Wissen und die Generalisierungsfähigkeit des Modells zurückgegriffen. Effektiv mit vielfältigen und umfassenden Trainingsdaten. | Translate "Hello, how are you?" into French. |
| Few-Shot-Prompting | Geben Sie im Prompt einige Beispiele an, um die Ausgabe des Modells zu steuern. So können Sie das erwartete Format oder Muster für eine höhere Genauigkeit demonstrieren. | Translate the following sentences into Spanish: "My name is Alice." = "Me llamo Alice." / "I like to read." = "Me gusta leer." / "Where is the library?" = |
| Rollen-Prompts | Weisen Sie dem Modell eine bestimmte Rolle zu, z. B. „hilfreicher Assistent“ oder „professioneller Editor“, um den Ton, den Stil und den Inhalt zu beeinflussen und die Ausgabe an diese Rolle anzupassen. | You are a seasoned journalist. Write a brief news report on the latest advancements in renewable energy. |
| Aufforderungen mit Anweisungen | Geben Sie die erwartete Aufgabe oder Aktion klar und explizit an. Verwenden Sie eine prägnante und eindeutige Sprache und geben Sie die Ausgabevorgaben, Einschränkungen und Formatierungsanforderungen an. | Summarize the following text into a three-sentence paragraph, focusing on the key arguments and conclusions: ... |
Erweiterte Prompt-Strategien
Neben den grundlegenden Techniken können Sie auch erweiterte Strategien verwenden, um die Ausgaben weiter zu optimieren:
- Chain-of-Thought-Prompting: Das Modell wird dazu angeregt, schrittweise zu denken, indem eine Reihe von Zwischenschritten als Teil des Prompts angegeben werden. Diese Strategie kann bei Aufgaben hilfreich sein, die logisches Denken oder Problemlösung erfordern. Wenn Sie dem Modell beispielsweise eine mathematische Textaufgabe stellen, fügen Sie eine Reihe von Prompts hinzu, die es durch die einzelnen Schritte zur Lösung des Problems führen.
- Fundierung: Stellen Sie dem Modell externe Informationen oder Wissen zur Verfügung, um seine Fähigkeiten zur Verarbeitung und Generierung von Antworten zu verbessern. So kann das Modell auf relevante Dokumente, Datenbanken oder APIs zugreifen. Durch die Fundierung des Modells können Sie seine Accuracy, Faktizität und Fähigkeit verbessern, fundiertere Antworten zu generieren. Wenn das Modell beispielsweise Fragen zu einem bestimmten Thema beantworten soll, stellen Sie einen relevanten Artikel oder eine wissenschaftliche Arbeit als Grundlage bereit.
- Retrieval-Augmented Generation (RAG): Verwenden Sie das Modell, um relevante Informationen aus einer Wissensdatenbank oder externen Quelle abzurufen. Nehmen Sie diese abgerufenen Informationen dann in den Prompt auf, um die Antwortgenerierung zu steuern. RAG kann für Aufgaben nützlich sein, die Zugriff auf eine große Menge an Informationen oder Wissen erfordern, z. B. das Beantworten von Fragen oder das Zusammenfassen von Dokumenten.
Wichtige Überlegungen
Berücksichtigen Sie beim Erstellen eines gut strukturierten Prompts Folgendes:
- Bemühen Sie sich um Klarheit und Prägnanz. Detaillierte Prompts können zwar hilfreich sein, aber zu lange oder komplizierte Prompts verwirren das Modell.
- Machen Sie sich mit den spezifischen Merkmalen des Modells vertraut, das Sie verwenden, um effektive Prompts zu erstellen.
- Vermeiden Sie es, sich bei der Generierung sachlicher Informationen auf Modelle zu verlassen.
- Seien Sie vorsichtig bei mathematischen und logischen Problemen.