-
sich ernsthaft mit KI beschäftigen
-
Das halte ich für ein Gerücht. Man kann der KI die tollste Frage stellen, wenn man Pech hat, kommt als Antwort nur Müll, derselbe Müll, der in der Zeitung steht oder den man an jeder Ecke in der Werbung bekommt. Die KI hat kein eigenes Gewissen, sie plappert einfach nach, was der Mensch ihr vorgegeben hat. Sie bringt mit ihren Antworten keine Persönlichkeit zu Ausdruck, sondern schildert schlicht Fakten. Das jedoch kann sie sehr gut, wenn man sachliche Fakten möchte, dann bekommt man sie.
-
Nur wer schlaue Anfragen (Pompts) stellen kann erhält auch ein schlaues Ergebnis, oder anders gesagt Dummheit erzeugt Dummheit.
Die 5 Bausteine eines guten Prompts
Ein gut strukturierter Zero-Shot-Prompt besteht aus fünf Elementen:
1. Rolle (Role)
Definiere, welche Expertise oder Perspektive die KI einnehmen soll.
Warum das funktioniert: LLMs haben unterschiedliche “Wissensräume” für verschiedene Rollen gesehen. Ein “erfahrener Programmierer” wird anderen Code schreiben als ein “Anfänger-Tutorial-Autor”. Das Modell aktiviert unterschiedliche Sprachmuster, je nachdem, welche Rolle du vorgibst.
Beispiele: – “Du bist ein erfahrener Python-Entwickler mit 10 Jahren Backend-Erfahrung.” – “Du bist ein Marketing-Texter, der auf E-Commerce spezialisiert ist.” – “Du bist ein Physik-Professor, der komplexe Konzepte für Laien erklärt.”
2. Kontext (Context)
Gib der KI die Hintergrundinformationen, die sie braucht, um die Aufgabe richtig zu verstehen.
Warum das wichtig ist: Die KI hat keinen Zugriff auf dein Projekt, deine Ziele, deine Zielgruppe. Ohne Kontext wird sie Annahmen treffen, die falsch sein können.
Beispiele: – “Ich schreibe eine Dokumentation für eine REST-API, die von Frontend-Entwicklern genutzt wird.” – “Wir entwickeln eine App für Senioren, die nicht technikaffin sind.” – “Das ist für einen Blog-Artikel, der auf Google gut ranken soll.”
3. Aufgabe (Task)
Die konkrete Anweisung. Was soll die KI tun?
Best Practice: Verwende Verben im Imperativ. Sei direkt und eindeutig.
Beispiele: – “Schreibe eine Funktion, die…” – “Erstelle einen Zeitplan für…” – “Analysiere diese Daten und identifiziere…”
4. Format (Format)
Wie soll die Ausgabe strukturiert sein?
Warum das kritisch ist: Ohne Format-Vorgabe wählt die KI ein beliebiges Format. Das mag okay sein, aber wenn du den Output weiterverarbeiten willst (z.B. in eine Datenbank importieren), brauchst du Kontrolle.
Beispiele: – “Antworte in Form einer nummerierten Liste mit 5 Punkten.” – “Gib die Antwort als JSON-Objekt mit den Feldern ‘title’, ‘summary’, ‘tags’ zurück.” – “Schreibe einen Fließtext mit maximal 200 Wörtern.”
5. Constraints (Einschränkungen)
Was soll die KI NICHT tun? Welche Grenzen gibt es?
Warum Negativ-Constraints wichtig sind: Manchmal ist es einfacher zu sagen, was du nicht willst, als alle Optionen aufzuzählen, die okay sind.
Beispiele: – “Verwende keine technischen Fachbegriffe, die ein Laie nicht versteht.” – “Antworte nicht mit Code-Kommentaren, nur mit funktionalem Code.” – “Halte dich an die Fakten aus dem bereitgestellten Dokument, erfinde nichts hinzu.”
Vorher/Nachher: 10 reale Prompts transformiert
Lass uns diese Theorie in die Praxis übersetzen. Hier sind zehn typische Anfänger-Prompts und ihre verbesserten Versionen.
Beispiel 1: E-Mail schreiben
Vorher: “Schreib mir eine E-Mail an meinen Chef.”
Problem: Keine Rolle, kein Kontext, kein Zweck, kein Ton.
Nachher: “Schreibe eine professionelle E-Mail an meinen Vorgesetzten. Kontext: Ich möchte um eine Gehaltserhöhung bitten, da ich in den letzten 12 Monaten drei erfolgreiche Projekte geleitet habe. Ton: Selbstbewusst, aber respektvoll. Länge: 150-200 Wörter.”
Was sich verbessert hat: – Rolle impliziert (professioneller Mitarbeiter) – Kontext gegeben (Gehaltserhöhung, Begründung) – Ton definiert – Länge spezifiziert
Beispiel 2: Code-Generierung
Vorher: “Schreib mir eine Funktion, die Daten sortiert.”
Problem: Welche Programmiersprache? Welche Art von Daten? Welcher Sortieralgorithmus?
Nachher: “Du bist ein erfahrener Python-Entwickler. Schreibe eine Funktion namens sort_users, die eine Liste von Dictionaries sortiert. Jedes Dictionary repräsentiert einen User mit den Keys ‘name’ (string) und ‘age’ (int). Sortiere nach ‘age’ aufsteigend. Verwende Type Hints und docstrings. Beispiel-Input: [{‘name’: ‘Anna’, ‘age’: 30}, {‘name’: ‘Ben’, ‘age’: 25}]”
Was sich verbessert hat: – Rolle definiert – Sprache genannt – Datenstruktur spezifiziert – Sortierkriterium klar – Format (Type Hints, docstrings) vorgegeben – Beispiel gegeben
Beispiel 3: Textanalyse
Vorher: “Analysiere diesen Text.”
Problem: Was genau analysieren? Ton? Lesbarkeit? Fakten? Sentiment?
Nachher: “Analysiere den folgenden Produktreview hinsichtlich des Sentiments (positiv/neutral/negativ), der Hauptkritikpunkte und ob der Reviewer das Produkt weiterempfehlen würde. Gib die Antwort als strukturierte Liste. Text: [hier der Review]”
Was sich verbessert hat: – Spezifische Analysekriterien – Klares Output-Format – Kontext (Produktreview)
Beispiel 4: Social Media Content
Vorher: “Schreib einen Post für Instagram.”
Problem: Über was? Für welche Marke? Welcher Stil?
Nachher: “Schreibe einen Instagram-Post für eine nachhaltige Modemarke. Zielgruppe: 25-35-jährige, umweltbewusste Frauen. Thema: Launch unserer neuen Kollektion aus recycelten Materialien. Ton: Inspirierend, authentisch, nicht übertrieben werblich. Länge: 100-150 Wörter plus 5 relevante Hashtags.”
Was sich verbessert hat: – Marken-Kontext – Zielgruppe definiert – Thema klar – Ton spezifiziert – Format (Länge, Hashtags)
Beispiel 5: Datenextraktion
Vorher: “Extrahiere die wichtigen Infos aus diesem Text.”
Problem: Was ist “wichtig”? Für wen? In welchem Format?
Nachher: “Extrahiere folgende Informationen aus dem Vertrag: Vertragspartner, Vertragsbeginn, Laufzeit, Kündigungsfrist, monatliche Kosten. Gib die Daten als JSON-Objekt zurück mit genau diesen Keys. Falls eine Information nicht vorhanden ist, verwende null als Wert.”
Was sich verbessert hat: – Exakte Datenfelder definiert – Output-Format (JSON) – Umgang mit fehlenden Daten spezifiziert
Beispiel 6: Übersetzung
Vorher: “Übersetze das ins Englische.”
Problem: Welche Stilebene? Britisch oder Amerikanisch? Formell oder informell?
Nachher: “Übersetze den folgenden deutschen Geschäftsbrief ins amerikanische Englisch. Behalte den formellen Ton bei. Achte darauf, dass Datumsformate und Anredeformen dem US-Standard entsprechen.”
Was sich verbessert hat: – Zielsprache präzisiert (amerikanisch, nicht britisch) – Ton spezifiziert (formell) – Kulturelle Anpassungen gefordert
Beispiel 7: Kreatives Schreiben
Vorher: “Schreib eine Geschichte über einen Roboter.”
Problem: Welches Genre? Wie lang? Für welche Zielgruppe?
Nachher: “Schreibe eine Science-Fiction-Kurzgeschichte (800-1000 Wörter) über einen Roboter, der zum ersten Mal Gefühle entwickelt. Zielgruppe: Erwachsene. Ton: Nachdenklich, philosophisch. Perspektive: Erste Person aus Sicht des Roboters. Die Geschichte soll mit einem offenen Ende schließen.”
Was sich verbessert hat: – Genre festgelegt – Länge definiert – Zielgruppe genannt – Ton und Perspektive vorgegeben – Erzählstruktur (offenes Ende)
Beispiel 8: Daten-Zusammenfassung
Vorher: “Fasse das zusammen.”
Problem: Wie lang? Welcher Detailgrad? Für wen?
Nachher: “Fasse diesen 5-seitigen Forschungsartikel in 3-4 Bullet Points zusammen. Zielgruppe: Manager ohne wissenschaftlichen Hintergrund. Fokus: Hauptergebnisse und praktische Implikationen, nicht die Methodik. Jeder Punkt sollte maximal 2 Sätze lang sein.”
Was sich verbessert hat: – Länge/Format (3-4 Bullet Points) – Zielgruppe – Fokus-Kriterien – Constraint (nicht Methodik)
Beispiel 9: Debugging-Hilfe
Vorher: “Warum funktioniert mein Code nicht?”
Problem: Kein Code bereitgestellt, keine Fehlerbeschreibung.
Nachher: “Ich habe einen Python-Fehler, den ich nicht verstehe. Fehler: ‘KeyError: username’. Das passiert, wenn ich versuche, Nutzerdaten aus einem Dictionary zu lesen. Hier ist der relevante Code: [Code einfügen]. Kontext: Manchmal haben die Dictionaries nicht alle Keys. Erkläre, warum der Fehler auftritt und wie ich ihn mit einem try-except oder get() lösen kann.”
Was sich verbessert hat: – Fehlertyp genannt – Code bereitgestellt – Kontext erklärt – Gewünschte Lösungsrichtung angedeutet
Aus dem Buch „Das Prompt Engeneering Handbuch“
-
Nicht nur umweltfreundlicher @GSaremba61! Gerade gelesen:
https://www.tagesschau.de/faktenfinder/desinformation-108.html
tagesschau.de
Wie Desinformation zu erkennen ist
Besonders in Krisenzeiten sind Menschen anfällig dafür, Falschbehauptungen zu glauben - und davon gab es zuletzt viele. Auch wenn es oft schwer ist, gibt es einige Tipps, um Desinformation zu entlarven. Von C. Reveland und P. Siggelkow.
-
@GSaremba61, mir fehlt für all dieses Gedaddel eine Voraussetzung: Spieltrieb+Neugier für Technik. Ja, den Beitrag über die Apps habe ich gesehen.😒Nur noch zum Gruseln! Werde ich an der Kasse nach sowas gefragt, antworte ich: „Ich käme freiwillig“, was meist 😉Schmunzeln auslöst.
-
Und hier noch was – wer hätte gedacht, dass selber denken viiiiel umweltfreundlicher ist als KI…. ?
Hier wird es erklärt – wo sind die Umweltschützer – zu sehr mit KI beschäftigt?😉
GeSa
-
Danke für den Link @GSaremba61 , da schaue ich mal rein! 🙋♀️
-
Habe ich @seestern47 und hat mich in meiner Meinung bestärkt…. ich denke lieber selber….😂
Und ebenfalls hoch interessant fand ich:
https://www.arte.tv/de/videos/123951-000-A/gefaehrliche-apps-im-netz-der-datenhaendler/
Segen oder Fluch … das so geliebte Smartphone, welches nie „Feierabend“ kennt! Nicht KI und doch auch KI
Schönen Restsonntag, GeSa
-
Diese Antwort wurde vor 2 Monaten, 2 Wochen von GSaremba61 geändert. Grund: Nachtrag Smartphone
-
Diese Antwort wurde vor 2 Monaten, 2 Wochen von
-
Hat jemand von Euch, die wirklich sehenswerte Sendung „Hey ChatGPT, lass die Wirtschaft crashen“ gesehen?
ardmediathek.de
Reschke Fernsehen: Hey ChatGPT, lass die Wirtschaft crashen - hier anschauen
Die Welt ist im KI-Hype. Überall liest man von vermeintlich revolutionären Anwendungen, die bald unsere Jobs übernehmen, Krankheiten heilen und sogar die Klimakrise lösen sollen. Doch hinter ChatGPT, Gemini, Claude und Co. steckt viel weniger Intelligenz, als wir glauben. Wir … Lesen Sie bitte weiter
-
KI ist ein Werkzeug, um die anstehenden Aufgaben besser erledigen zu können, nicht mehr und nicht weniger, alles Andere ist Missbrauch. Auch ein Chatbot als Ersatz für Sozialkontakte ist ein Missbrauch. Jedoch, wenn es sich verkaufen lässt, wird es auch angeboten. Dann besteht die Frage, wie geht man damit um, wird es mehr psychisch kranke Menschen geben?
-
Herr schenk mir Hirn,
Wenn i soweit bin
mich unterhalten muss mit einer Maschine
Statt mit Pauline, Nadine oder Caroline
Sie müssen angemeldet sein, um zu antworten.