• Zielgerichtet: Das Ziel und das gewünschte Ergebnis klar verstehen, bevor der Prompt geschrieben wird.

• Klare Sprache nutzen: Fachjargon, komplexe Sätze und Mehrdeutigkeiten vermeiden.

• Komplexe Fragen aufteilen: In einfachere, einzelne Prompts zerlegen, um eine gezielte Interaktion zu ermöglichen.

• Einschränkungen festlegen: Begrenzungen wie Wortanzahl oder spezifische Themen angeben.

• Unklarheiten vermeiden: Präzise Formulierungen für qualitativ bessere Antworten nutzen.

Beispiele:

• Weniger effektiv: "Erzähl mir etwas über das Sonnensystem."

• Effektiver: "Beschreibe die Reihenfolge der Planeten im Sonnensystem von der Sonne aus."

• Weniger effektiv: "Fasse Vorfall 15134 zusammen."

• Effektiver: "Fasse Vorfall 15134 in Microsoft Defender XDR in einem Absatz zusammen, den ich meinem Vorgesetzten vorlegen kann, und erstelle eine Liste der beteiligten Entitäten."

• Anweisungen zuerst: Klare und detaillierte Anweisungen zu Beginn des Prompts platzieren.

• Anweisungen und Kontext trennen: Anweisungen zu Beginn platzieren und durch "###" oder """"" als Trennzeichen markieren.

• Gewünschtes Ausgabeformat definieren: Deutlich angeben, ob Absätze, Aufzählungspunkte, Listen, Tabellen oder spezielle Formate wie JSON oder XML benötigt werden.

• Beispiele bereitstellen: Der KI das spezifische Format und die Struktur zeigen, die gewünscht sind.

Beispiele:

• Weniger effektiv: "Extrahiere die im Text genannten Entitäten. Extrahiere die folgenden 4 Entitätstypen: Firmennamen, Personennamen, spezifische Themen und übergreifende Themen. Text: {text}"

• Effektiver: "Extrahiere die wichtigen Entitäten im folgenden Text. Zuerst alle Firmennamen, dann alle Personennamen, anschließend spezifische Themen und schließlich übergreifende Themen. Gewünschtes Format: Firmennamen: Personennamen: -||- Spezifische Themen: -||- Übergreifende Themen: -||- Text: {text}"

• Relevanten Kontext angeben: Der KI helfen, die spezifische Situation besser zu verstehen.​

• Few-shot Learning nutzen: Beispiele im Prompt angeben, um die Vorgehensweise der KI zu leiten, insbesondere bei kreativen oder analytischen Aufgaben.

Beispiele:

• Weniger effektiv: "Schreibe ein Gedicht über OpenAI."

• Effektiver: "Schreibe ein kurzes, inspirierendes Gedicht über OpenAI, das sich auf den kürzlichen DALL-E-Produktstart konzentriert (DALL-E ist ein Text-zu-Bild-Modell) im Stil von [bekannter Dichter]."

• Beispiel für Few-shot Learning: "Erstelle eine Aufzählungsliste aller Autoren und Werke, die in diesem Artikel zitiert werden, formatiert als 'Nachname des Autors (Jahr): Titel der Publikation'. Zum Beispiel: "Fitzgerald (1925): Der große Gatsby".

• Prompts iterieren: Verschiedene Versionen ausprobieren und bei Bedarf klarstellen, um dem gewünschten Ergebnis näher zu kommen.

• Vorherige Antworten nutzen: Darauf aufbauen, um die Interaktion weiterzuführen und Prompts zu verfeinern.

• Fokus auf was zu tun ist: Anstatt was nicht zu tun ist, positive Anweisungen geben und spezifische Ausnahmen nennen.​

• KI direkt ansprechen: Formulierungen wie "Du solltest..." oder "Du musst..." nutzen, um die Kommunikation zu verbessern.

Beispiele:

• Weniger effektiv: "NICHT NACH BENUTZERNAMEN ODER PASSWORT FRAGEN. NICHT WIEDERHOLEN. Kunde: Ich kann mich nicht einloggen. Agent:"

• Effektiver: "Der Agent versucht, das Problem zu diagnostizieren und eine Lösung vorzuschlagen, ohne Fragen zu personenbezogenen Daten (PII) zu stellen. Statt PII zu erfragen, wie Benutzername oder Passwort, den Kunden auf den Hilfeartikel www.panta-rh.ai/help/faq verweisen. Kunde: Ich kann mich nicht einloggen. Agent:"

• Weniger effektiv: "Gib mir eine Liste der unmanaged Geräte in meinem Netzwerk."

• Effektiver: "Gib mir eine Liste der hochriskanten unmanaged Geräte in meinem Netzwerk. Wenn sie 'test' heißen, entferne sie aus der Liste."

• Neueste Modelle nutzen: Neuere Modelle sind oft einfacher zu prompten und liefern bessere Ergebnisse.

• Parameter anpassen: Mit "Model" und "Temperature" experimentieren, um das Ergebnis zu beeinflussen.

• Model: Leistungsstärkere Modelle bieten bessere Ergebnisse, sind jedoch teurer und langsamer.

• Temperature: Ein höherer Wert führt zu kreativeren, aber möglicherweise weniger genauen Ergebnissen. Ein Wert von 0 ist am besten für faktische Aufgaben geeignet.

• Chain-of-thought Prompting: Schritte für sequenzielles Denken vorgeben, die menschlicher Logik ähneln, um Probleme zu lösen oder komplexe Fragen zu beantworten.

• Prompt Chaining: Eine Serie von Prompts verwenden, bei der jeder auf der vorherigen Antwort aufbaut, insbesondere für kreative Aufgaben wie das Schreiben von Geschichten oder Brainstorming.

• Codegenerierung: Führende Begriffe nutzen, um das Modell in eine bestimmte Programmiersprache zu lenken (z.B. "import" für Python, "SELECT" für SQL).

Beispiele:

• Chain-of-thought Prompting: "Gegeben ist eine Kundenbeschwerde zu Problemen bei den Installationsschritten des Builds. Zuerst mögliche Gründe für die Probleme identifizieren, basierend auf unseren [Installationsschritten]. Danach geeignete Lösungen für den Kunden skizzieren, inklusive der Schritte zur Deinstallation der Software. Zuletzt eine abschließende Antwort formulieren, die diese Elemente einbezieht."

• Prompt Chaining: "Welche strategischen Treiber hat [Firma], die unsere Geschäftseinheit für Unternehmenskunden lösen könnte? Schreibe discovery-basierte Fragen basierend auf diesen strategischen Treibern. Erkläre mehr dazu, wie Fragen im Gesundheitssektor gestellt werden sollten. "

• Genauigkeit prüfen: Antworten der KI doppelt überprüfen, da Fehler möglich sind.

• Umgangssprache und Jargon vermeiden: Klare, professionelle Sprache nutzen, um bessere Ergebnisse zu erzielen.

• Prompts nicht unnötig verkomplizieren: Einfach und auf die Aufgaben konzentrieren, die die KI effektiv bewältigen kann.

• Ethische Nutzung sicherstellen: Prompts vermeiden, die zu voreingenommenen oder unangemessenen Inhalten führen könnten.