{"id":191368,"date":"2024-01-15T05:26:36","date_gmt":"2024-01-15T04:26:36","guid":{"rendered":"https:\/\/liora.io\/de\/?p=191368"},"modified":"2026-02-06T06:04:44","modified_gmt":"2026-02-06T05:04:44","slug":"advanced-prompt-engineering-definition-und-beispiele","status":"publish","type":"post","link":"https:\/\/liora.io\/de\/advanced-prompt-engineering-definition-und-beispiele","title":{"rendered":"Advanced Prompt Engineering – Definition und Beispiele"},"content":{"rendered":"

Advanced Prompt Engineering: Mit der Demokratisierung der k\u00fcnstlichen Intelligenz und der Large Language Models (LLM) hat sich die Probleml\u00f6sung grundlegend ver\u00e4ndert. F\u00fcr viele Probleme ist es nicht mehr notwendig, ein Computerprogramm mit einer komplexen Programmiersprache zu erstellen. Stattdessen reicht ein guter textbasierter Prompt. <\/strong><\/p>\t\t\n\t\t

Genauer gesagt geht es um Advanced Prompt Engineering, das die Art und Weise, wie wir die Leistung von Sprachmodellen wie ChatGPT<\/a> optimieren, neu definiert.<\/p>

Erfahre mehr \u00fcber die Bedeutung von Advanced Prompt Engineering<\/strong> im Zeitalter der KI, mit 4 konkreten Beispielen f\u00fcr Techniken, die du kennen solltest.<\/p>\t\t\n\t\t\t

Advanced Prompt Engineering, ein ausgekl\u00fcgelter Ansatz zur Nutzung von LLMs<\/h3>\t\t\n\t\t

Advanced Prompt Engineering<\/strong> bezieht sich auf den Prozess der Verfeinerung der Eingabe eines Sprachmodells<\/a>, um die gew\u00fcnschte Ausgabe zu erhalten, ohne die tats\u00e4chlichen Gewichte des Modells zu ver\u00e4ndern. Es handelt sich um einen ausgefeilten Ansatz, der \u00fcber die klassische Anpassung der Modellgewichte hinausgeht.<\/p>

Hier konzentriert man sich auf die geschickte Verfeinerung der Eingabe, um die gew\u00fcnschte Ausgabe zu beeinflussen.<\/a><\/p>

Um z. B. einige Probleme auf GPT-3 zu l\u00f6sen, wurde ein einfacher Satz hinzugef\u00fcgt: „Lass uns Schritt f\u00fcr Schritt denken“. Die Ergebnisse sind verbl\u00fcffend! Die L\u00f6sungsrate bei GPT-3 stieg von 18 % auf 79 %.<\/strong><\/p>

Wenn du gut strukturierte Prompts erstellst, kannst du die Sprachmodelle so lenken, dass sie genaue und konsistente Ergebnisse liefern.<\/p>

Aber Vorsicht, denn um ihr volles Potenzial auszusch\u00f6pfen, reicht es nicht aus, einfache Fragen zu stellen.<\/p>

Es ist notwendig, die Eingaben mit klaren Anweisungen zu optimieren, um das Verhalten des Modells zu beeinflussen und relevante Ergebnisse zu gew\u00e4hrleisten.<\/p>\t\t\n\t\t\t\t\t\t\t\t\t\t\t\t

\n\t\t\t\t\t\t\t\t\t\t\"\"\t\t\t\t\t\t\t\t\t\t\t
<\/figcaption>\n\t\t\t\t\t\t\t\t\t\t<\/figure>\n\t\t\t\n
Lernen, Advanced Prompt Engineering zu nutzen<\/a><\/div><\/div>\n\n\t\t\t

4 fortgeschrittene Prompt-Engineering-Techniken<\/h3>\t\t\n\t\t

Das Advanced Prompt Engineering<\/strong> zu beherrschen bedeutet, die verschiedenen Techniken f\u00fcr gef\u00fchrte Nachrichten zu kennen, um das gew\u00fcnschte Ergebnis zu erzielen. Hier sind die g\u00e4ngigsten Techniken.<\/p>\t\t\n\t\t\t

Zero shots Prompt<\/h4>\t\t\n\t\t

Der Zero Shots Prompt<\/strong> ist eine der ersten Techniken des Advanced Prompt Engineering.<\/strong> Dabei wird dem Sprachmodell einfach eine bestimmte Frage gestellt oder eine bestimmte Aufgabe pr\u00e4sentiert. Und das, ohne dass das Modell speziell auf die Aufgabe oder die Frage vortrainiert wurde.<\/p>

Mit anderen Worten: Es wurde w\u00e4hrend seiner Trainingsphase nie mit spezifischen Beispielen zu dieser Aufgabe konfrontiert.<\/p>

Dieser Ansatz wird h\u00e4ufig verwendet, um die Verallgemeinerungsf\u00e4higkeit<\/strong> eines Sprachmodells zu beurteilen<\/a>. Und das aus gutem Grund: Mit der Zero shots prompt zeigt er, dass er in der Lage ist, auf Anfragen zu antworten, f\u00fcr die er w\u00e4hrend seines Trainings nicht explizit programmiert wurde.<\/p>\t\t\n\t\t\t

Chain of thought prompting (CoT)<\/h4>\t\t\n\t\t

Chain of Thought<\/strong> deutet auf eine Abfolge von miteinander verbundenen Gedanken oder Ideen hin. Wenn CoT<\/strong> auf das maschinelle Lernen angewendet wird, kann die Leistung des Modells bei komplexeren Denkaufgaben verbessert werden.<\/p>

Konkret haben die Ingenieure, die hinter dieser Technik des Advanced Prompt Engineering<\/strong> stehen, untersucht, wie eine menschliche Gedankenkette erzeugt wird. Und das geht \u00fcber eine Reihe von Zwischenschritten des Denkens.<\/p>

Um diese Prinzipien auf Sprachmodelle anzuwenden,<\/a> sollte man ihnen einige Demonstrationen von Gedankenketten als Beispiele zur Verf\u00fcgung stellen. Dann sollten sie aufgefordert werden, einige Denkschritte zu produzieren, bevor sie die endg\u00fcltige Antwort liefern. Dadurch werden sie in die Lage versetzt, komplexe Argumentationen durchzuf\u00fchren.<\/p>\t\t\n\t\t\t\t\t\t\t\t\t\t\t\t

\n\t\t\t\t\t\t\t\t\t\t\"\"\t\t\t\t\t\t\t\t\t\t\t
<\/figcaption>\n\t\t\t\t\t\t\t\t\t\t<\/figure>\n\t\t\t\n
Die Techniken des Advanced Prompt Engineering kennen lernen<\/a><\/div><\/div>\n\n\t\t\t

Self consistency<\/h4>\t\t\n\t\t

In Wissenschaft und Technik bedeutet Self Consistency,<\/strong> dass die verschiedenen Teile oder Komponenten eines Systems so miteinander interagieren, dass ihre innere Koh\u00e4renz erhalten bleibt.<\/p>

Beim maschinellen Lernen ist Self Consistency ein verbesserter Ansatz f\u00fcr CoT,<\/strong> um noch komplexere Denkprobleme zu l\u00f6sen.<\/p>

Durch diese Technik des Advanced Prompt Engineering<\/strong> werden die Argumentationspfade gesampelt. Dies erm\u00f6glicht es dem Sprachmodell, die koh\u00e4renteste Antwort auszuw\u00e4hlen<\/a> (ohne nur den schnellsten Pfad zu ber\u00fccksichtigen).<\/p>

Diese Prompting-Technik<\/a> eignet sich besonders f\u00fcr komplexe Denkprobleme, bei denen mehrere Denkweisen existieren, um zu einer korrekten Antwort zu f\u00fchren.<\/p>\t\t\n\t\t\t

ReAct<\/h4>\t\t\n\t\t

ReAct i<\/strong>st eine im Jahr 2022 entwickelte Technik des Advanced Prompt Engineering.<\/strong> Es geht um die Synergie zwischen Reasoning (Denken) und Acting (Handeln).<\/p>

Diese Methode beinhaltet, dass die LLMs<\/strong> sowohl Reasoning als auch aufgabenspezifische Aktionen generieren.<\/strong> Reasoning hilft dem Modell, einen Aktionsplan zu erstellen. Aktionen wiederum erleichtern den Zugang zu externen Wissensquellen. Dadurch k\u00f6nnen zus\u00e4tzliche Informationen gesammelt werden, was wiederum die Argumentation der LLMs verbessert.<\/p>

Mit ReAct sind Argumentation und Aktion eng miteinander verwoben, um die Ergebnisse des Sprachmodells immer weiter zu verbessern.<\/p>\t\t\n\t\t\t

Lerne Advanced Prompt Engineering mit Liora<\/h3>\t\t\n\t\t

In einer Zeit, in der es immer mehr L\u00f6sungen gibt, die auf generativer KI basieren, i<\/a>st das Beherrschen von Advanced Prompt Engineering<\/strong> unerl\u00e4sslich. Dies gilt insbesondere f\u00fcr Experten der Datenwissenschaft. Um deine Sprachmodelle zu verbessern, musst du Advanced Prompt Engineering anwenden. Aber nicht nur das. Es gibt noch weitere Techniken, die du kennen solltest, um erfolgreiche LLMs<\/strong> zu erstellen. Aus diesem Grund ist es sinnvoll, sich mit Liora weiterzubilden.<\/p>\t\t\n\t\t\t\t\t\t\t\t\t\t\t\t

\n\t\t\t\t\t\t\t\t\t\t\"\"\t\t\t\t\t\t\t\t\t\t\t
<\/figcaption>\n\t\t\t\t\t\t\t\t\t\t<\/figure>\n\t\t\t\n
Bilde dich in Advanced Prompt Engineering weiter<\/a><\/div><\/div>\n","protected":false},"excerpt":{"rendered":"

Advanced Prompt Engineering: Mit der Demokratisierung der k\u00fcnstlichen Intelligenz und der Large Language Models (LLM) hat sich die Probleml\u00f6sung grundlegend ver\u00e4ndert. F\u00fcr viele Probleme ist es nicht mehr notwendig, ein Computerprogramm mit einer komplexen Programmiersprache zu erstellen. Stattdessen reicht ein guter textbasierter Prompt. Genauer gesagt geht es um Advanced Prompt Engineering, das die Art und […]<\/p>\n","protected":false},"author":76,"featured_media":191372,"comment_status":"open","ping_status":"open","sticky":false,"template":"elementor_theme","format":"standard","meta":{"_acf_changed":false,"editor_notices":[],"footnotes":""},"categories":[2472],"class_list":["post-191368","post","type-post","status-publish","format-standard","has-post-thumbnail","hentry","category-data-ki"],"acf":[],"_links":{"self":[{"href":"https:\/\/liora.io\/de\/wp-json\/wp\/v2\/posts\/191368","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/liora.io\/de\/wp-json\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/liora.io\/de\/wp-json\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/liora.io\/de\/wp-json\/wp\/v2\/users\/76"}],"replies":[{"embeddable":true,"href":"https:\/\/liora.io\/de\/wp-json\/wp\/v2\/comments?post=191368"}],"version-history":[{"count":1,"href":"https:\/\/liora.io\/de\/wp-json\/wp\/v2\/posts\/191368\/revisions"}],"predecessor-version":[{"id":217015,"href":"https:\/\/liora.io\/de\/wp-json\/wp\/v2\/posts\/191368\/revisions\/217015"}],"wp:featuredmedia":[{"embeddable":true,"href":"https:\/\/liora.io\/de\/wp-json\/wp\/v2\/media\/191372"}],"wp:attachment":[{"href":"https:\/\/liora.io\/de\/wp-json\/wp\/v2\/media?parent=191368"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/liora.io\/de\/wp-json\/wp\/v2\/categories?post=191368"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}