Kostenloser Prompt-Optimierer

Was ist ein Prompt-Optimierer?

Ein Prompt-Optimierer ist ein kostenloses Tool, das einen groben, unausgereiften Prompt in einen klaren, strukturierten Prompt verwandelt, der von jeder AI deutlich bessere Ergebnisse liefert. Füge deine grobe Idee ein, und dieser kostenlose Prompt-Optimierer formuliert sie mit den tatsächlich wichtigen Bestandteilen neu - einer Rolle für die AI, der Aufgabe, dem Kontext, deinen Anforderungen und dem gewünschten Ausgabeformat. Der Unterschied zwischen einer vagen Anfrage und einem strukturierten Prompt ist der Unterschied zwischen generischem und wirklich nützlichem Output.

Es funktioniert auch als Prompt-Verbesserer und ChatGPT-Prompt-Optimierer: Der strukturierte Prompt, den es erstellt, ist portabel, sodass du ihn direkt in Claude, ChatGPT, Gemini oder jeden AI-Chat einfügen kannst. Du brauchst keine Kenntnisse im Prompt Engineering - beschreibe einfach in Alltagssprache, was du möchtest, und der Optimierer kümmert sich um die Struktur.

Du möchtest für wiederkehrende Aufgaben ganz auf Prompts verzichten? Ein fertiges Prompt-Paket oder eine Skill-Datei von KissMySkills macht Claude oder ChatGPT zum Spezialisten für eine bestimmte Aufgabe, damit du Experten-Output erhältst, ohne überhaupt Prompts schreiben zu müssen. Neu beim Prompting? Lies was Claude Skills sind, um zu sehen, warum ein gespeicherter Skill besser ist, als jedes Mal erneut einen Prompt zu schreiben.

Wo du Dinge im Prompt platzierst, verändert die Antwort

Position ist der am wenigsten diskutierte und am besten messbare Teil der Prompt-Struktur, und zwei der drei großen Modellanbieter veröffentlichen denselben Rat.

Anthropics Anleitung zum Prompting empfiehlt für Eingaben im Bereich von 20.000 Tokens und darüber, „deine langen Dokumente und Eingaben am Anfang deines prompts zu platzieren, vor deiner Anfrage, deinen Anweisungen und deinen Beispielen“, und erklärt, dass Anfragen am Ende „die Antwortqualität in Tests um bis zu 30 Prozent verbessern können, insbesondere bei komplexen Eingaben mit mehreren Dokumenten.“ Betrachte diesen Prozentsatz als unternehmensinterne Angabe ohne veröffentlichte Methodik, doch der Hinweis zur Reihenfolge selbst ist eindeutig. Google gibt dieselbe Anweisung für Gemini: „Wenn du große Mengen an Kontext bereitstellst (z. B. Dokumente, Code), stelle zuerst den gesamten Kontext bereit. Platziere deine konkreten Anweisungen oder Fragen ganz am Ende des prompts“, und ergänzt den nützlichen Überleitungstrick, eine Übergangsformulierung wie „Auf Grundlage der obigen Informationen …“ zu verwenden.

Hinter dieser Intuition steckt Forschung. Lost in the Middle (Liu et al., arXiv:2307.03172) stellte fest, dass die Modellleistung „oft am höchsten ist, wenn relevante Informationen am Anfang oder Ende des Eingabekontexts stehen, und deutlich abnimmt, wenn Modelle auf relevante Informationen in der Mitte langer Kontexte zugreifen müssen, selbst bei ausdrücklich für lange Kontexte ausgelegten Modellen.“ Wenn die benötigte Tatsache in der Mitte eines eingefügten Dokuments verborgen ist, ist es zuverlässiger, sie zu verschieben, als die Frage umzuformulieren.

OpenAIs aktuelle Anleitung ordnet eine Entwicklermitteilung anders an - Identität, Anweisungen, Beispiele, dann Kontext, mit dem Hinweis, dass Kontext „normalerweise am besten nahe dem Ende deines prompts platziert wird“. Das ist weniger ein Widerspruch als ein Unterschied darin, was platziert wird: anforderungsspezifisches Referenzmaterial im Gegensatz zu umfangreichen Dokumenten. Die praktische Schlussfolgerung lautet, dass es kein einziges universelles Layout gibt und ein anhand seiner Position für ein Modell optimierter prompt auf einem anderen erneut überprüft werden sollte.

Struktur schlägt Adjektive

Die Techniken, die die Anbieter tatsächlich dokumentieren, sind struktureller Natur, und keine davon beinhaltet, dem Modell zu sagen, es sei ein weltweit führender Experte.

Anthropics Formulierung zur Klarheit ist eher ein Test als eine Regel: „Zeige deinen prompt einer Kollegin oder einem Kollegen mit minimalem Kontext zur Aufgabe und bitte sie oder ihn, ihm zu folgen. Wenn sie oder er verwirrt wäre, wird es Claude ebenfalls sein.“ Dieselbe Anleitung empfiehlt, zu erklären, warum eine Einschränkung existiert, statt sie schlicht festzulegen, mit der Begründung, dass das Modell „intelligent genug ist, aus der Erklärung zu verallgemeinern“ - eine Anweisung mit angefügter Begründung lässt sich auf Fälle übertragen, die du nicht aufgezählt hast.

Trennzeichen sind die andere einheitliche Empfehlung. Anthropic: XML-Tags „helfen Claude, komplexe prompts eindeutig zu analysieren“, und das Umschließen jeder Inhaltsart mit einem eigenen Tag wie <Anweisungen>, <Kontext>, <Eingabe> „reduziert Fehlinterpretationen.“ OpenAI: „Markdown-Überschriften und -Listen können hilfreich sein, um unterschiedliche Abschnitte eines prompts zu kennzeichnen“, und „XML-Tags können dabei helfen, abzugrenzen, wo ein Inhaltselement … beginnt und endet.“ Google warnt bei Beispielen in die andere Richtung: Eine konsistente Formatierung über mehrere Few-Shot-Beispiele hinweg ist wichtig, und „wenn du zu viele Beispiele einfügst, kann das Modell beginnen, die Antwort zu stark an die Beispiele anzupassen.“ Anthropic empfiehlt drei bis fünf, eingeschlossen in <Beispiel> Tags.

Rollen bewirken weniger, als das Internet vermuten lässt, sind aber nicht nutzlos. Anthropics Position ist zurückhaltend und spezifisch: „Das Festlegen einer Rolle im System-prompt fokussiert Claudes Verhalten und Ton auf deinen Anwendungsfall. Schon ein einziger Satz macht einen Unterschied.“ Ein Satz im System-prompt - kein Absatz mit erfundener Biografie in der Benutzernachricht.

Zwei gängige Ratschläge zu prompts, die inzwischen falsch sind

Prompt-Leitfäden veralten schnell, und zwei der am häufigsten wiederholten Tipps wurden von der eigenen Dokumentation der Anbieter überholt.

„Sag ihm immer, dass es Schritt für Schritt denken soll.“ Die Hinweise von OpenAI zum Schlussfolgern sagen für Schlussfolgerungsmodelle das Gegenteil: „Vermeide Chain-of-Thought-prompts: Da diese Modelle intern Schlussfolgerungen anstellen, ist es unnötig, sie zum ‚Schritt-für-Schritt-Denken‘ oder zum ‚Erklären ihrer Schlussfolgerungen‘ aufzufordern“, und an anderer Stelle, dass solche Techniken „die Leistung möglicherweise nicht verbessern (und sie manchmal sogar beeinträchtigen können)“. Auf derselben Seite wird empfohlen, zuerst Zero-Shot zu versuchen und nur bei Bedarf Beispiele hinzuzufügen. Die Analogie von OpenAI ist es wert, beibehalten zu werden: Ein Schlussfolgerungsmodell „ist wie ein erfahrener Kollege. Man kann ihm ein Ziel vorgeben und darauf vertrauen, dass es die Details selbst ausarbeitet. Ein GPT-Modell ist wie ein weniger erfahrener Kollege.“ Chain-of-Thought ist nicht tot - Anthropic dokumentiert weiterhin manuelles CoT mit den Tags <thinking> und <answer> - aber es wird jetzt als Ausweichlösung beschrieben, wenn die integrierte Schlussfolgerung deaktiviert ist, nicht als Standard.

Es ist ebenfalls wichtig zu wissen, was die ursprüngliche Arbeit behauptete. Chain-of-Thought Prompting Elicits Reasoning in Large Language Models (Wei et al., arXiv:2201.11903) berichtete, dass solche Fähigkeiten „in ausreichend großen Sprachmodellen auf natürliche Weise entstehen“. Das berühmte Ergebnis „let’s think step by step“ (Kojima et al., arXiv:2205.11916) wurde an einem Modell aus dem Jahr 2022 gemessen. Keines von beiden ist ein zeitloses Gesetz.

„Die ersten Worte des Assistenten vorab ausfüllen.“ Anthropic erklärt in seiner aktuellen Dokumentation, dass vorab ausgefüllte Assistentennachrichten im letzten Turn seit Beginn der neueren Claude-Modelle „nicht mehr unterstützt werden“ und Anfragen, die solche Nachrichten enthalten, „einen 400-Fehler zurückgeben“. Als dokumentierte Ersatzlösungen werden strukturierte Ausgaben, eine direkte Anweisung, ohne Vorrede zu antworten, oder Tool-Aufrufe genannt. Jeder Leitfaden, der Prefill weiterhin als Formatierungstrick lehrt, beschreibt eine Anfrage, die inzwischen fehlschlägt.

Eine weitere erwähnenswerte Unterscheidung: Self-Consistency (Wang et al., arXiv:2203.11171) ist eine Decoding-Strategie, bei der mehrere Denkpfade gesampelt und die häufigste Antwort ausgewählt wird. Sie kann nicht durch das Umschreiben eines prompts bereitgestellt werden, da sie mehrere Generierungen erfordert.

Was dieser Optimierer nicht kann

Es kann kein Wissen liefern, über das das Modell nicht verfügt. OpenAIs angegebener Grund für das Hinzufügen von Kontext besteht darin, dem Modell „Zugriff auf proprietäre Daten oder andere Daten außerhalb des Datensatzes zu geben, auf dem das Modell trainiert wurde“. Die Lösung für eine fehlende Tatsache besteht darin, die Tatsache einzufügen, nicht darin, die Frage besser zu formulieren.

Es kann Halluzinationen nicht beseitigen. Anthropic sagt ausdrücklich, dass selbst fortgeschrittene Modelle „manchmal faktisch falschen Text erzeugen können“ und dass seine Gegenmaßnahmen - das Zulassen von „Ich weiß es nicht“, das wortgetreue Extrahieren von Zitaten vor der Beantwortung langer Dokumente und die Beschränkung des Modells auf bereitgestellte Quellen - „Halluzinationen deutlich reduzieren“, sie aber „nicht vollständig beseitigen“.

Es kann Sie nicht vor prompt injection schützen. Anthropic nennt zwei Bedrohungsmodelle: direkte Injection, bei der der Benutzer der Angreifer ist, und indirekte Injection, bei der der prompt eines vertrauenswürdigen Benutzers das Modell dazu bringt, Inhalte Dritter zu verarbeiten - Webseiten, E-Mails, Dokumente, Tool-Ergebnisse -, die feindselige Anweisungen enthalten. Die Formulierung ist keine Sicherheitskontrolle.

Es kann Ihre Sampling-Parameter nicht festlegen. Temperatur und top-p werden im API-Aufruf festgelegt, nicht im prompt. Beachten Sie außerdem, dass sie zwischen Anbietern nicht vergleichbar sind: Anthropic dokumentiert einen Bereich von 0,0 bis 1,0 und warnt, dass „selbst bei einer Temperatur von 0,0 die Ergebnisse nicht vollständig deterministisch sein werden“, während OpenAI 0 bis 2 dokumentiert und empfiehlt, „diesen Wert oder top_p zu ändern, aber nicht beide“.

Es kann Ihnen nicht sagen, ob die Ausgabe gut ist. Anthropic-Docs zum prompt-Engineering setzen voraus, dass Sie mit einer Definition von Erfolg und einer Möglichkeit beginnen, dies zu testen. Ohne diese Grundlage erzeugt ein längerer, besser strukturierter prompt lediglich eine längere, besser strukturierte Vermutung.