Capstone: der Prompt unter Betriebsdruck
Sechs Wochen nach dem Start bekommt ein Kunde eine Kündigungsfrist genannt, die für seinen Vertrag nie gegolten hat. Der Kommentar war belegt, die Belegstelle korrekt, die Prüfung bestanden — das Retrieval hatte zwei Richtlinienfassungen geliefert, und für widersprüchliche Abschnitte gab es keine Regel. Jede Einzelprüfung war grün.
~25 Min · 12 Abschnitte Einführung · 9 Übungen (davon 3 Missionen)
Modul starten →
Fortschritt wird gespeichert — du kannst das Modul später jederzeit fortsetzen.
Das kannst du danach
- ✓Danach kannst du die Achsen des Tracks an einem Fall zusammenführen, in dem sie einander widersprechen — und die Reihenfolge nach Wirksamkeit statt nach Bequemlichkeit wählen.
- ✓Du erkennst, welche Maßnahme die Ursache trifft und welche nur das Symptom abdeckt, wenn mehrere Achsen gleichzeitig betroffen sind.
- ✓Du benennst zu jeder Entscheidung ihren Preis — die Angabe, an der sich sechs Monate später entscheidet, ob eine Maßnahme verteidigt oder stillschweigend zurückgebaut wird.
Übungen
- 1. EntscheidungWas ist der erste Hebel?
- 2. EntscheidungWelche Vertragsposition fehlt?
- 3. MissionDas Kontextbudget des Assistenten aufteilen
- 4. EntscheidungWie schneidest du die Ausgabe zu?
- 5. EntscheidungWie reagierst du?
- 6. EntscheidungWelche einzelne Maßnahme wirkt am stärksten?
- 7. EntscheidungWie löst du das auf?
- 8. ReihenfolgeVom Pilotbetrieb zum Gate
- 9. DiagnoseDer Vorfall in Woche sechs
Arbeitsartefakte
- ↓Vom Pilotbetrieb zum Gatecapstone-eval-gate-2026-09-04 · geprüft: 2026-09-04
Quellen & Aktualität15 Primärquellen · zuletzt geprüft:
- 01Liu et al., Lost in the Middle: How Language Models Use Long Contexts, TACL 2024
- 02Liu, Zhang und Liang, Evaluating Verifiability in Generative Search Engines, EMNLP 2023 Findings
- 03Laban et al., LLMs Get Lost In Multi-Turn Conversation, 2025
- 04Tam et al., Let Me Speak Freely? A Study on the Impact of Format Restrictions on Performance of Large Language Models, EMNLP 2024 Industry Track
- 05OWASP Top 10 for LLM Applications 2025, LLM01: Prompt Injection
- 06Willison, The lethal trifecta for AI agents, 2025
- 07Miller, Adding Error Bars to Evals: A Statistical Approach to Language Model Evaluations, 2024
- 08Anthropic — Prompting best practices: Be clear and direct
- 09Ouyang et al., Training language models to follow instructions with human feedback, 2022
- 10Meyer, Applying Design by Contract, IEEE Computer 25(10), 1992
- 11Hsieh et al., RULER: What's the Real Context Size of Your Long-Context Language Models?, 2024
- 12Anthropic — Structured outputs
- 13Ji et al., Survey of Hallucination in Natural Language Generation, ACM Computing Surveys 2023
- 14Wallace et al., The Instruction Hierarchy: Training LLMs to Prioritize Privileged Instructions, 2024
- 15Röttger et al., XSTest: A Test Suite for Identifying Exaggerated Safety Behaviours in Large Language Models, NAACL 2024
Verfasst von Julian Zentgraf