Prompt Engineering

Mehrturn-Verläufe und Zustand

Der Prototyp mit gut gestellten Einzelfragen überzeugt; mit echten Nutzern, die nachfragen und präzisieren, enttäuscht er. Über 200.000 simulierte Gespräche zeigen, warum: Alle getesteten führenden Modelle schnitten im Mehrturn-Betrieb um durchschnittlich 39 % schlechter ab — und nimmt ein Modell eine falsche Abzweigung, erholt es sich nicht, sondern baut darauf auf.

~25 Min · 12 Abschnitte Einführung · 9 Übungen (davon 2 Missionen)

Modul starten →

Fortschritt wird gespeichert — du kannst das Modul später jederzeit fortsetzen.

Nur den Lehrtext lesen →

Das kannst du danach

  • Danach kannst du entscheiden, was in den Anwendungszustand gehört und was im Gesprächsverlauf bleiben darf.
  • Du erkennst Instruktions-Drift als Verdünnung und weißt, welche Vorgaben sich erzwingen statt erbitten lassen.
  • Du weißt, wann ein konsolidierter Neustart wirksamer ist als die nächste Korrektur — und wie er den Nutzer nichts kostet.

Übungen

  • 1. EntscheidungWas erklärt den überproportionalen Anstieg?
  • 2. EntscheidungWie deutest du die Lage?
  • 3. DiagnoseDas Format, das im vierzehnten Turn zerfällt
  • 4. EntscheidungWas ist die wirksamste Maßnahme im Entwurf?
  • 5. EntscheidungWas ist die richtige Maßnahme?
  • 6. EntscheidungWas änderst du?
  • 7. EntscheidungWas ist die richtige Reaktion?
  • 8. EntscheidungWie schneidest du den neuen Fallsatz zu?
  • 9. MissionZustand dem richtigen Ort zuweisen
Quellen & Aktualität7 Primärquellen · zuletzt geprüft:
  1. 01Laban et al., LLMs Get Lost In Multi-Turn Conversation, 2025
  2. 02Liu et al., Lost in the Middle: How Language Models Use Long Contexts, TACL 2024
  3. 03Wallace et al., The Instruction Hierarchy: Training LLMs to Prioritize Privileged Instructions, 2024
  4. 04Anthropic — Prompt caching: Mid-conversation system messages
  5. 05Anthropic — Prompt engineering overview (Erfolgskriterien und empirische Tests)
  6. 06Huang et al., Large Language Models Cannot Self-Correct Reasoning Yet, ICLR 2024
  7. 07Maynez et al., On Faithfulness and Factuality in Abstractive Summarization, ACL 2020

Verfasst von Julian Zentgraf