Prompt Engineering (Prompting)
Definition
Prompt Engineering bezeichnet das Entwerfen von Eingaben (Prompts), mit denen ein Sprachmodell eine Aufgabe möglichst wirksam löst.
Nach Liu et al. legt der Prompt die Aufgabe fest; die Wahl eines passenden Prompts wirkt sich stark auf die Genauigkeit aus. Brown et al. zeigen mit GPT-3, dass Aufgaben und Beispiele rein über Text vorgegeben werden können, ohne Gradientenupdates oder Fine-Tuning.
Einfach erklärt
Wie eine genaue Kochanleitung beschreibst Du Aufgabe, Zutaten und gewünschtes Ergebnis; anschließend kontrollierst Du, ob die Ausgabe passt.
Warum das im Alltag wichtig ist
Klare Erfolgskriterien und wiederkehrende Testaufgaben machen Promptänderungen überprüfbar. Formulierungen lassen sich so nach Ergebnissen statt nur nach Gefühl verbessern.
Beispiel aus dem Mittelstand
Mögliches Beispiel: Vertriebsmitarbeiter nutzen vorgefertigte Prompt-Templates zur schnellen Erstellung personalisierter Angebotsschreiben.
Grenzen und Fallstricke
- Ohne Erfolgskriterien und Tests bleibt eine Verbesserung unklar. Prompting löst nicht jedes Kosten- oder Laufzeitproblem; auch erfahrene Fachleute finden von Hand nicht immer die beste Formulierung.
Entstehung & Geschichte
Die GPT-3-Arbeit von Brown und anderen erschien 2020. Liu und andere ordneten Prompt Engineering 2021 in die Forschung zu promptbasiertem Lernen ein. Ein eindeutiges Entstehungsjahr lässt sich daraus nicht ableiten.
Anwendung im Mittelstand
- Mögliche Anwendungen: standardisierte Vorlagen für HR, Support und Marketing, deren Ergebnisse vor der Nutzung geprüft werden.
Häufige Fragen
Ist Prompt Engineering dasselbe wie Fine-Tuning?
Nein; Brown et al. verweisen darauf, dass aufgabenspezifisches Fine-Tuning Datensätze mit Tausenden bis Zehntausenden Beispielen verlangt.
Werden Prompts immer von Hand entworfen?
Nein, Liu et al. beschreiben auch Verfahren, bei denen ein Algorithmus die beste Vorlage sucht.
Bestehen Prompts immer aus lesbarem Text?
Nein, die Übersicht von Liu et al. beschreibt auch kontinuierliche Prompts, die als trainierbare Variablen in die eingebettete Eingabe eingefügt werden.
Quellen
- Language Models are Few-Shot Learners · Brown et al. (2020): Language Models are Few-Shot Learners
- Prompt engineering overview · Anthropic (o. J.): Prompt engineering overview
- Pre-train, Prompt, and Predict: A Systematic Survey of Prompting Methods in Natural Language Processing · Liu et al. (2021): Pre-train, Prompt, and Predict: A Systematic Survey of Prompting Methods in Natural Language Processing
Quellen geprüft am 14.10.2026. Redaktionelle Anwendungsbeispiele sind hypothetisch; kein Nachweis realer Kundenergebnisse.
Redaktionell geprüft am: