12 Prompting Techniken für bessere Ergebnisse in der Arbeit mit LLMs 

Bei dieser Prompting Technik erhält die KI nur eine direkte Anfrage, ohne ergänzende Beispiele oder weiterführenden Kontext. Der Vorteil des Zero-Shot Prompting ist die schnelle und einfache Anwendung. Der größte Nachteil ist sicherlich, dass Du mit den Antworten nicht wirklich arbeiten kannst.

Beim One / Few-Shot Prompting bekommt die KI ein (One Shot) oder mehrere Beispiele, um den gewünschten Antwortstil oder die Struktur zu lernen. Der größte Nachteil des Few-Shot Prompting ist sicherlich, dass Du vorab eigenen Gehirnschmalz in die ersten Beispiele investierst. Dafür profitierst Du dann von konsistenten Antworten. Das Few-Shot Prompting lohnt sich vor allem dann, wenn Du eine große Zahl wiederkehrender Aufgaben hast. 

Beim Chain-of-Thought Prompting forderst Du die KI auf, Lösungen schrittweise zu präsentieren. Diese Art des Prompting ist vor allem dann sinnvoll, wenn Du einen genauen Ablauf und ein “How To” als Antwort erwartest. 

Um den potentiellen Nachteil auszugleichen, kannst Du das Chain-of-Thought einfach mit dem Few-Shot Prompting kombinieren und deinem Assistenzsystem direkt ein paar Beispiele mitgeben, in welchem Umfang Du einzelne Bearbeitungsschritte erhalten möchtest.

Beim Step-Back-Prompting wird die KI zunächst dazu aufgefordert, eine allgemeine Frage zum Thema zu betrachten, bevor sie die spezifische Aufgabe bearbeitet. 

Das Step-Back-Prompting kannst DU auch als eine besondere Form des Chain-of-Thought Prompting verstehen. Dabei  aktivierst Du mit deinem Prompt relevantes Hintergrundwissen und Denkprozesse, wodurch die KI fundierte und durchdachte Antworten generiert. Dadurch kann die KI kritischer denken und ihr Wissen kreativer anwenden.

Beim Self-Consistency Prompting bereitet das Large Language Modell mehrere Antworten vor, um eigenständig die beste Antwort vorzuschlagen. Der größte Vorteil ist sicherlich, dass Du mehrere Erklärungsmodelle auf dem Silbertablett serviert bekommst. Ein möglicher Nachteil ist, dass Du das Denken einstellst und die beste Antwort einfach übernimmst. 

Die Tree of Thoughts Prompting Technik erweitert das Chain of Thought Prompting, indem es LLMs ermöglicht, mehrere Denkpfade gleichzeitig zu erkunden statt nur einer linearen Gedankenkette zu folgen. Das Modell erstellt einen "Gedankenbaum" mit verschiedenen Lösungsansätzen und bewertet jeden Pfad systematisch.

Bei der Prompting Technik gibst Du dem KI-Assistenten präzise Anweisungen, um Antworten in einem bestimmten Stil oder Format zu geben. Das heißt, mit dem Instruction-Tuning Prompting spezifizierst Du vor allem in Bezug auf den Stil der Antworten des Assistenten. Das Instruction-Tuning Prompting ist also ein elementarer Eckpfeiler des Prompt Engineering. 

Beim Role- oder auch Persona Based Prompting forderst Du KI-Modelle auf eine bestimmte Rolle anzunehmen. Der Vorteil dieser Prompting Technik ist, dass Du Interaktionen deutlich authentischer gestalten kannst. Die Gefahr jedoch, dass das KI-Modell ggf viel Kontext braucht, um diese Rolle auch seriös auszufüllen.

Retrieval-Augmented Generation (RAG) ist eine der wichtigsten Techniken. Bei dieser Prompting Technik kombinieren Large Language Modelle internes Wissen mit externen Datenquellen, um aktuellere und genauere Antworten zu liefern. Das RAG Prompting setzt natürlich voraus, dass Du Zugriff auf externe Datenquellen hast oder deinem KI-Agenten diesen Zugriff gewähren kannst. 

Beim ReAct Prompting lässt Du KI-Systeme erst nachdenken (Reasoning), um dann zu handeln (Acting). Das “Acting” setzt voraus, dass das LLM auch Zugang zu externen Tools hat. Ohne Tools, kein "Acting”, kein ReAct, dann bist Du eher in der Domäne anderer Prompting Strategien (z.B. Chain-of-Thought, Step-Back Prompting). Die Fähigkeit zur eigenständigen Problemlösung mit externen Tools macht ReAct zu einem wichtigen Baustein für autonome KI-Agenten.

Dabei kann ReAct Prompting natürlich auch RAG nutzen (z.B.: Rufe das Wetter von Berlin, Hamburg, München ab, entscheide, wo ich hinfahre und was ich einpacken muss). Das prägnante Merkmal der  ReAct Prompting Technik ist jedoch das iterative Denken-Handeln-Prinzip. Auch unabhängig davon, ob externe Daten abgerufen werden.

Beim ReAct Prompting forderst Du LLM also auf, iterativ über eine Aufgabe oder ein Problem nachzudenken, um dann eine konkrete Handlung auszuführen.

Das sogenannte Reflexion-Prompting bedeutet, dass Du ein Large Language Modell aufforderst, ihre eigenen Antworten zu bewerten, Schwächen zu erkennen und Alternativen zu erwägen. Auf Basis der Einschätzung kannst Du dann deine Prompts weiter ausrichten. Man könnte vereinfacht sagen, dass das Reflexion Prompting eine Variante des ReAct Prompting ist mit einem “Human in the Loop”. 

Automatic Prompt Engineering ist eine Meta-Technik, bei der Du ein LLM nutzt, um bessere Prompts zu erstellen. Das heißt, Du lässt Prompts schreiben, um diese dann in ein LLM zu übergeben. Lass uns das Automatic Prompt Engineering (APE) an einem einfachen Beispiel anschauen

Das LLM formuliert mir einen Prompt und wendet dabei eine automatisch bewährte Prompting Technik an. In unserem einfachen Beispiel das One / Few-Shot Prompting (Beispiele als Teil des Prompts) und Instruction-Tuning Prompting (Klare Anweisungen "Behalte bei...", "Übersetze nur..."). 

Hier ist ein weiterführendes Automated Prompting Beispiel, dabei lässt Du das LLM unterschiedliche Prompts generieren, um ein Chatbot zu trainieren. 

Bevor Du dich jedoch in diesen Prompting Techniken verlierst, hier nochmal wesentliche “best practices” für ein gutes Prompting:

1. Beispiele: Wann immer Du kannst, gib der KI eigene Beispiele.
2. Keep it Simple: Baue deine Prompts so einfach wie möglich auf, zusätzliche Instruktionen nur wo es wirklich notwendig ist.
3. Spezifiziere den Output: formuliere klare Erwartungen an den Output. Wenn Du eine Tabelle willst, dann spezifiziere wie sich Zeilen und Spalten zueinander verhalten sollen und dass Du das Ergebnis in ein gSheet kopieren willst. 
4. Instruktionen statt Einschränkungen: Explizite Anweisungen zum gewünschten Format, Stil oder Inhalt der Antwort sind besser als Einschränkungen, was das Modell nicht tun oder vermeiden soll.
5. Struktur: Gerade bei längeren Prompts, achte auf eine gute und “human readable” Struktur für eine dauerhafte Optimierung.

Für die Anwendung in skalierten Umgebungen ist es außerdem noch wichtig, die Kosten respektive den Umfang des Outputs über spezifische Instruktionen zu steuern. Zudem empfiehlt sich dann auch der Einsatz von Variablen.

Der Fantasie sind beim Prompting keine Grenzen gesetzt. Die unterschiedlichen Prompting Techniken bieten dir ein grundlegendes Rüstzeug, diesen wichtigen Skill weiter zu schärfen. Dabei würde ich nach dem ShuHaRi Prinzip vorgehen: Mit den hier vorgestellten Prompting Techniken anfangen, nachmachen, Ergebnisse bewerten und Prompts verfeinern. Wenn das sitzt, dann beginnen einzelne Prompting Techniken miteinander zu kombinieren. Das ist dann wie beim Fahrrad fahren: irgendwann fährst Du freihändig auf dem Hinterrad. Alles eine Frage der Übung.

Viel Erfolg dabei.