Effektive KI freischalten: 5 Expertentipps zum Erstellen perfekter KI-Eingabeaufforderungen

Kürzlich veröffentlichte Googles Eingabeaufforderungsingenieur Lee Boonstra ein 68-seitiges Whitepaper zur Eingabeaufforderungstechnik mit vielen Tipps und Strategien zur Erstellung perfekter Eingaben für LLMs. Während das Papier für zukünftige Eingabeaufforderungsingenieure gedacht ist, haben wir eine Reihe von Tipps darin gefunden, die reguläre Benutzer in ihrem täglichen KI-Einsatz nutzen können. Dieser Beitrag listet 5 Tipps für KI-Eingaben auf, die Ihnen helfen werden, bessere Antworten von KI-Chatbots zu erhalten.

1. Halten Sie es einfach und präzise

Obwohl oft beworben wird, dass man mit LLMs in natürlicher oder lockerer Sprache sprechen kann, dient dies hauptsächlich dazu, das Produkt für normale Menschen attraktiv zu machen. Um bessere Ergebnisse zu erzielen, sollten Sie die Eingaben prägnant und leicht verständlich halten und sich auf Aktionsverben konzentrieren. Jedes zusätzliche Wort oder komplexe Phrase, die Sie hinzufügen, kann potenziell zu Missverständnissen führen.

Anstatt der KI Ihr Problem als Geschichte zu erzählen, sollten Sie die Eingabe direkt auf die Antwort konzentrieren, die Sie benötigen. Unten stehen Beispiele, um dies besser zu verstehen:

Schlechte Eingabe: Ich werde nächsten Monat für fünf Tage nach Tokio reisen und interessiere mich sehr für historische Tempel, aber ich liebe auch moderne Kunstgalerien. Ich werde in der Nähe des Shinjuku-Bahnhofs wohnen und bevorzuge Orte, die nicht zu überfüllt sind, da ich leicht überwältigt werde.

Gute Eingabe: Agiere als Reiseführer für Tokio. Empfehle 5 historische Tempel und 3 moderne Kunstgalerien in der Nähe von Shinjuku, die große Menschenmengen vermeiden.

2. Geben Sie der KI zuerst eine Rolle

Für spezialisierte Eingaben ist es besser, der KI zuerst zu sagen, dass sie als Spezialist in einem bestimmten Bereich agieren soll, wie „agieren Sie als Reiseführer“ oder „Sie sind eine Kindergärtnerin“. Da LLMs aus massiven Textkorpora lernen, zwingt dies sie, sich auf einen bestimmten Beruf oder eine Persona zu beziehen. Das Modell wird einen rollenbezogenen Ton und Wortschatz verwenden und sich auf den Rahmen der Rolle beschränken, was verhindert, dass es vom Thema abschweift.

Unten stehen Beispiele für Eingaben:

Schlechte Eingabe: Erstelle einen Unterrichtsplan über Fotosynthese.

Gute Eingabe: Sie sind eine Kindergärtnerin. Gestalten Sie einen 30-minütigen Unterrichtsplan über Fotosynthese mit einer fesselnden Geschichte, einer praktischen Aktivität und drei einfachen Wiederholungsfragen.

3. Geben Sie Beispiele

Wann immer möglich, versuchen Sie, mehrere Beispiele dafür zu geben, wie Sie das Ergebnis haben möchten. Dies stellt sicher, dass das Modell genau das liefert, was Sie wollen, ohne von den Zielen abzuweichen. Diese Konzepte sind bekannt als One-Shot-Prompt (ein einzelnes Beispiel) und Few-Shot-Prompt (mehrere Beispiele). Es wird empfohlen, wenn möglich mindestens drei bis fünf Beispiele zu geben.

Natürlich sind in den meisten Eingaben keine Beispiele erforderlich, aber wann immer Sie eine bestimmte Struktur einhalten müssen, verbessern sie die Ergebnisse erheblich. Wenn Sie beispielsweise Rezensionen eingeben, um die Stimmung zu verstehen, können Sie genau angeben, wie es die Rezensionen trennen muss, wie negativ, neutral oder positiv.

4. Versuchen Sie das Schritt-zurück-Prompting

Schritt-zurück-Prompting bedeutet, eine Eingabe in zwei Schritte zu unterteilen, indem Sie zunächst eine grundlegende Frage stellen und dann die Antwort zurück an das Modell übergeben, um eine detaillierte Antwort zu erhalten. Grundsätzlich aktiviert die erste Frage das Hintergrundwissen des Modells zum Thema, sodass es bei der realen Frage, die Sie mit den Details aus der ersten Eingabe stellen, eine bessere Antwort liefert.

Dieser Ansatz ist besser, als direkt nach der Antwort zu fragen, da es „LLMs ermutigt, kritisch zu denken und ihr Wissen auf neue und kreative Weise anzuwenden“.

Um Ihnen dies richtig zu erklären, haben wir unten ein Beispiel zusammengestellt, das zeigt, wie dieser Ansatz in der Praxis funktioniert:

Erste Eingabe: Was sind die Kernprinzipien einer effektiven Produktbeschreibung?

Sobald Sie die Antwort erhalten, verwenden Sie die zweite Eingabe (den Schritt-zurück-Teil).

Zweite Eingabe: Schreibe unter Verwendung dieser Prinzipien eine Produktbeschreibung für eine neue Smartwatch mit den folgenden Spezifikationen (geben Sie die Spezifikationen an).

5. Konzentrieren Sie sich auf Anweisungen statt auf Einschränkungen

LLMs arbeiten besser, wenn Sie sie anweisen, „etwas zu tun“, anstatt ihnen zu sagen, „nicht etwas zu tun“. Anstatt dem Modell zu sagen, welche Dinge es vermeiden sollte, ist es besser, ihm genau zu sagen, was es einbeziehen soll. Wenn Sie Einschränkungen in Ihrer Eingabe hinzufügen, kann es beginnen zu raten, was erlaubt ist und sich möglicherweise mehr als nötig einschränken. Direkte Anweisungen führen zu kreativeren Antworten.

Während das Papier besagt, dass es in Ordnung ist, Einschränkungen wenn nötig zu verwenden, ist es besser, positive Anweisungen zu verwenden. Unten steht ein Beispiel für dieses Konzept:

Schlechte Eingabe: Beschreibe unsere neue Eco-Flasche. Verwenden Sie keine Superlative und sprechen Sie nicht über den Preis.

Gute Eingabe: Erstellen Sie eine 2-Sätze umfassende Produktbeschreibung für unsere Eco-Flasche, die ihre 48-Stunden-Isolierung und die 100% recycelte Stahlkonstruktion hervorhebt. Verwenden Sie klare, vorteilsorientierte Sprache, ohne den Preis zu erwähnen.

Dies waren einige der Tipps, die wir für den alltäglichen Gebrauch nützlich fanden. Damit sind viele andere Möglichkeiten verbunden, bessere KI-Antworten zu erzeugen, als nur bessere Eingaben zu erstellen, zum Beispiel durch die Personalisierung der KI.