Von vage zu präzise: Die Feinabstimmung einer Anweisung in drei gezielten Schritten

Die meisten schwachen Ausgaben von LLMs stammen nicht vom schwachen Modell selbst, sondern von Anfragen, die das Modell raten lassen. Der schnellste Weg, dies zu erkennen, besteht darin, eine einzelne Anfrage schrittweise zu verbessern und zu beobachten, was jede Änderung vom Raten entfernt. Im Folgenden wird eine alltägliche Aufgabe in drei Versionen dargestellt – am Ende haben Sie ein wiederholbares Muster, um Ihre eigenen häufig verwendeten Anfragen in solche umzuwandeln, deren Ausgabe kaum oder gar nicht bearbeitet werden muss.

Die Aufgabe bleibt die ganze Zeit dieselbe: Entwerfen Sie einen LinkedIn-Beitrag, mit dem ein Produktupdate angekündigt wird.

Version eins: Die Anfrage, wie sie Menschen normalerweise eingeben

Die erste Version ist die, die fast jeder sendet.

Write a LinkedIn post about our new feature launch.

Es gibt hier nichts Falsches, aber auch fast nichts Spezifiziertes. Es wird weder eine Rolle für das Modell festgelegt, noch eine Beschreibung der Funktion, kein Zielpublikum, kein Tonfall und keine Formatvorgaben. Die einzigen Anhaltspunkte sind „LinkedIn-Beitrag“ und „Einführung einer Funktion“, weshalb das Modell alle Lücken mit seinen sichersten, allgemeinsten Standardwerten füllt. Das Ergebnis ist eine polierte Unternehmenskommunikation, die eigentlich jedes Produkt ankündigen könnte.

Zweiter Schritt: Bereitstellung der Fakten

In der zweiten Version wird dem Modell mitgeteilt, was tatsächlich geschehen ist.

Write a LinkedIn post about our new feature launch. We just added dark mode to our app, and users have been asking for it for months. Keep it casual.

Das ist eine echte Verbesserung. Das Modell kennt nun die Eigenschaft „Dunkelmodus“ sowie die Tatsache, dass Nutzer dies schon seit langer Zeit wünschen, und der Ansatz „bleiben locker“ entfernt den Tonfall eines Presseartikels. Was noch fehlt, ist eine definierte Sprechernummer, eine Formatbeschränkung sowie ein klares Ziel jenseits von „einen Beitrag schreiben“. Daher muss das Modell weiterhin entscheiden, wie lang der Text sein soll, ob eine Aufforderung zur Handlung hinzugefügt werden muss und in wessen Stimmlage es schreiben soll.

Für viele endet hier die Anleitung, und das Ergebnis ist in der Regel brauchbar. Brauchbar bedeutet jedoch nicht das Beste, was man erreichen kann.

Schritt drei: Rolle, Ziel, Format und Einschränkungen hinzufügen

In der endgültigen Version wird die Anfrage in zwei Teile aufgeteilt. Zuerst kommt eine Rolle, die die Stimmlage festlegt:

Act as a founder writing a personal, low-key LinkedIn update, not a marketing announcement.

Dann folgt ein strukturierter Überblick, der Kontext, Ziel, Format sowie ausdrückliche Ausschlüsse umfasst. Er ist als reiner Text gekennzeichnet, nicht als YAML; indem jede Kennzeichnung in einer eigenen Zeile steht, bleiben die Abschnitte leicht verarbeitbar.

Context: We just shipped dark mode after users requested it for months. This is a small update, not a major launch, so it shouldn't be hyped up.Objective: Announce the update in a way that feels like a genuine update from a builder, not corporate copy, and invite people to try it and share feedback.Format: Under 100 words. No emojis. End with a direct, casual question rather than a call to action button.Constraints: Do not use the words "excited," "thrilled," or "game-changer." Do not use hashtags.

Der Vorteil besteht nicht einfach darin, dass die Anweisung länger geworden ist. Jede Unklarheit aus dem zweiten Durchgang wurde nun beseitigt: Das Modell weiß, wer spricht, welchen Ton es vermeiden soll, die Wortanzahl, wie der Beitrag beendet werden muss sowie welche Wörter und Hashtags verboten sind. Wenn kaum noch etwas geraten werden muss, gibt es auch kaum noch Fehlermöglichkeiten.

Achten Sie insbesondere auf die negativen Einschränkungen. Die Aufzählung verbotener Wörter wie „excited“ oder „game-changer“ ist oft die effizienteste Methode, um Klischees zu beseitigen, die dafür sorgen, dass generierter Text erkennbar bleibt, denn sie zielt direkt auf die wahrscheinlichsten Standardeinstellungen des Modells ab.

Warum der zweite Sprung wichtiger ist als der erste

Der Übergang vom ersten zum zweiten Schritt fügte Kontext hinzu. Der Übergang vom zweiten zum dritten Schritt brachte Struktur mit sich: eine Rolle, ein explizites Format sowie Einschränkungen bezüglich dessen, was vermieden werden soll. Der zweite Schritt hat in der Regel einen größeren Einfluss, als die Menschen erwarten, weil diese beiden Elemente unterschiedliche Funktionen erfüllen. Der Kontext teilt dem Modell mit, was wahr ist. Die Struktur zeigt ihm, wie ein gutes Ergebnis aussieht.

Dieser Unterschied beeinflusst auch, wohin Ihre Anstrengungen gelenkt werden. Mit einem zweistufigen Prompt korrigieren Sie in der Regel die Form des Ergebnisses nach seiner Erstellung: Sie kürzen die Länge, entfernen überflüssige Formulierungen oder schreiben den Abschluss um. Mit einem dreistufigen Prompt beschreiben Sie die gewünschte Form bereits zu Beginn, sodass das Bearbeiten größtenteils entfällt. Für ein umfassenderes Muster für Produktionsysteme finden Sie unser siebenschichtiges Framework für LLM-Prompts.

Eine Einschränkung, die man berücksichtigen sollte: Nicht jeder Prompt verdient eine umfassende Behandlung. Für eine einmalige Frage reicht ein zweistufiger Ansatz aus. Die strukturierte Variante lohnt sich bei Prompts, die Sie wiederholentlich verwenden, mit einem Team teilen oder für öffentliche Texte benötigen.

Wenden Sie das Muster auf Ihre eigenen Prompts an

Wählen Sie einen Prompt, den Sie regelmäßig senden – einen, den Sie fast aus dem Gedächtnis eingeben können – und wiederholen Sie das Übungsszenario:

• Fügen Sie zunächst Kontext hinzu: die Fakten, die das Modell nicht von selbst kennen kann.
• Fügen Sie eine Rolle hinzu, die die Stimme oder Perspektive festlegt.
• Fügen Sie ein Format hinzu: Länge, Struktur und wie die Ausgabe enden soll.
• Fügen Sie ein oder zwei explizite Ausschlüsse hinzu: Wörter, Stile oder Elemente, die weggelassen werden sollen.

In der Regel benötigen die ersten beiden Versionen noch Bearbeitung, während die dritte bereits fast fertig ist.

Kernpunkte

• Eine einfache Anfrage zwingt das Modell, Lücken mit allgemeinen Standardwerten zu füllen.
• Kontext verbessert die Genauigkeit, definiert aber nicht, was „gut erledigt“ bedeutet.
• Rolle, Ziel, Format und Einschränkungen verwandeln eine Anfrage in eine Spezifikation.
• Negative Einschränkungen sind eine kostengünstige und effektive Methode, um Klischees zu beseitigen.
• Investieren Sie in eine strukturierte Formulierung für wieder verwendete Anfragen; halten Sie ad hoc gestellte Fragen kurz.