Grundlagen: der Prompt als Spezifikation
Ein Extraktions-Prompt liest Vertragsende aus Dokumenten. Bei unbefristeten Verträgen steht dort kein Datum — und im Feld erscheint trotzdem eines: plausibel, erfunden, syntaktisch gültig. Kein Fehler wird protokolliert, weil kein Fehler auftrat. Wer den Grenzfall nicht spezifiziert, hat die Entscheidung an die Wahrscheinlichkeitsverteilung delegiert, ohne es zu merken.
~30 Min · 12 Abschnitte Einführung · 9 Übungen (davon 2 Missionen)
Modul starten →
Fortschritt wird gespeichert — du kannst das Modul später jederzeit fortsetzen.
Das kannst du danach
- ✓Danach kannst du ein Adjektiv im Prompt durch prüfbare Constraints ersetzen: Umfang, Adressat, Pflichtinhalte, Form.
- ✓Du erkennst, welche Beispiele in einen Few-shot-Block gehören — und dass ihre Verteilung und Reihenfolge selbst eine Vorannahme sind.
- ✓Du weißt, wann eine Formatangabe im Prompt reicht und wann nur Validierung oder Schema-Zwang trägt.
Übungen
- 1. EntscheidungWas ist der erste Hebel?
- 2. EntscheidungWas ist die belastbare Lösung?
- 3. MissionEine Prompt-Vorlage ohne markierte Datengrenze
- 4. EntscheidungWas hebt die Trefferquote am gezieltesten?
- 5. EntscheidungWas adressiert die Schieflage an der Ursache?
- 6. EntscheidungWas adressiert das am gezieltesten?
- 7. EntscheidungWas ist die wirksamere Struktur?
- 8. MissionErfundene Vertragsenden einordnen
- 9. EntscheidungWie entscheidet ihr das belastbar?
Quellen & Aktualität12 Primärquellen · zuletzt geprüft:
- 01Anthropic — Prompt engineering overview
- 02Anthropic — Prompting best practices (be clear and direct, examples, XML tags, controlling output format)
- 03Brown et al., Language Models are Few-Shot Learners, 2020
- 04Min et al., Rethinking the Role of Demonstrations: What Makes In-Context Learning Work?, EMNLP 2022
- 05Zhao et al., Calibrate Before Use: Improving Few-Shot Performance of Language Models, ICML 2021
- 06Sclar et al., Quantifying Language Models' Sensitivity to Spurious Features in Prompt Design, ICLR 2024
- 07Truong et al., Language models are not naysayers: an analysis of language models on negation benchmarks, StarSEM 2023
- 08Ouyang et al., Training language models to follow instructions with human feedback, 2022
- 09RFC 8259, The JavaScript Object Notation (JSON) Data Interchange Format
- 10OWASP Top 10 for LLM Applications 2025, LLM01: Prompt Injection
- 11Ji et al., Survey of Hallucination in Natural Language Generation, ACM Computing Surveys 2023
- 12Zheng et al., Judging LLM-as-a-Judge with MT-Bench and Chatbot Arena, NeurIPS 2023
Verfasst von Julian Zentgraf