ReAct

ReAct ist das fundamentale Muster für KI-Agenten. Es fordert das Modell auf, abwechselnd zu denken ("Thought"), eine Handlung auszuführen ("Action", z.B. eine Suche), das Ergebnis zu beobachten ("Observation") und dann weiterzudenken.

Beispiel

Prompt:

Frage: Wer ist der aktuelle Kanzler von Deutschland und wie alt ist er?
Thought: Ich muss zuerst herausfinden, wer der Kanzler ist.
Action: Search[Kanzler Deutschland aktuell]
Observation: Olaf Scholz ist Bundeskanzler.
Thought: Jetzt muss ich sein Alter herausfinden.
Action: Search[Olaf Scholz Alter]
Observation: Er ist 66 Jahre alt (Stand 2024).
Thought: Ich habe alle Informationen.
Answer: Der Kanzler ist Olaf Scholz und er ist 66 Jahre alt.

Strategie

Nutze dieses Muster, wenn das Modell Zugriff auf externe Tools hat oder wenn du einen manuellen Rechercheprozess simulieren willst.

Analogical Prompting

Fordere das Modell auf, eine relevante Analogie oder ein ähnliches Problem zu finden und dessen Lösung auf das aktuelle Problem zu übertragen. Dies hilft besonders bei abstrakten Transfers.

Beispiel

Prompt:

Problem: Wie können wir die Fluktuation in unserem Unternehmen senken?
Schritt 1: Erinnere dich an ein relevantes Problem aus der Biologie (z.B. wie ein Ökosystem stabil bleibt).
Schritt 2: Beschreibe die Lösung in der Biologie.
Schritt 3: Übertrage diese Lösung auf das Unternehmen.

Strategie

Starke Methode für "Out-of-the-Box" Denken und Innovation.

Simulated RAG

Wenn du kein echtes Vektor-Datenbank-System hast, kannst du RAG simulieren, indem du relevante Textabschnitte ("Chunks") manuell in den Prompt lädst.

Beispiel

Prompt:

Nutze AUSSCHLIESSLICH die folgenden Informationen, um die Frage zu beantworten. Wenn die Antwort nicht im Text steht, sag "Weiß ich nicht".
--- KONTEXT ANFANG ---
[Auszug aus Handbuch Seite 5]
[Auszug aus Wiki Artikel]
--- KONTEXT ENDE ---

Frage: Wie setze ich das Gerät zurück?

Strategie

Die Basis für Chat-with-your-PDF Anwendungen. Wichtig ist die negative Constraint ("Sag, wenn du es nicht weißt").

OODA Loop

Ursprünglich für Dogfights entwickelt, heute für Business genutzt.

Beispiel

Prompt:

Situation: Ein Konkurrent hat gerade seine Preise halbiert.
Führe mich durch den OODA Loop:
1. Observe: Was sehen wir genau?
2. Orient: Was bedeutet das im Kontext unserer Marke/Kultur?
3. Decide: Welche Optionen haben wir und welche wählen wir?
4. Act: Was ist der erste konkrete Schritt?

Strategie

Hilft gegen Schockstarre in Krisen.

Prompt Chaining

Manche Aufgaben sind zu komplex für einen einzigen Prompt (Kontext-Limit oder Verwirrung). Bei Chaining nimmst du den Output von Prompt A und nutzt ihn als Input für Prompt B.

Beispiel

Workflow:

Prompt 1: Extrahiere alle E-Mail-Adressen aus diesem Text.
Output 1: [Liste]

Prompt 2: Nimm diese Liste [Liste] und erstelle für jeden Kontakt eine personalisierte Begrüßung.

Strategie

Essentiell für robuste Anwendungen. Lieber viele kleine, präzise Prompts als ein riesiger "Monster-Prompt".

5 Whys

Eine Methode aus dem Toyota Produktionssystem.

Beispiel

Prompt:

Problem: Der Server ist abgestürzt.
Frage mich 5 mal "Warum?", und simuliere meine Antworten, bis wir die wirkliche Ursache gefunden haben.
1. Warum ist er abgestürzt? (Weil Speicher voll war)
2. Warum war Speicher voll? (Weil Logs nicht gelöscht wurden)
...

Strategie

Geht tiefer als oberflächliche Symptombekämpfung.

Token Budget

Modelle labern gerne. Setze harte Grenzen.

Beispiel

Prompt:

Erkläre die Relativitätstheorie.
Token Budget: Maximal 50 Wörter.
Jedes Wort darüber wird bestraft.

Strategie

Zwingt das Modell, sich auf das Wesentliche zu fokussieren ("Dichte").

Decomposition

Der wichtigste Skill im Software-Engineering, angewandt auf Prompts.

Beispiel

Prompt:

Frage: Wie baue ich ein Haus?
Zerlege dieses massive Problem in 5 Hauptkategorien.
Zerlege jede Kategorie in 3 Unterschritte.
Gib erst dann eine Zusammenfassung.

Strategie

Macht unlösbare Riesen-Aufgaben handhabbar.

The Master Prompt

Die Strategie 100.

Beispiel

Prompt:

Du bist ein Experte (Persona).
Denke Schritt für Schritt (CoT).
Prüfe deine Fakten (Verification).
Kritisiere deinen Entwurf (Reflexion).
Formatiere das Ergebnis als Tabelle (Format).
Aufgabe: Erstelle den ultimativen Guide.

Strategie

Die Kunst liegt in der Orchestrierung der vorherigen 99 Strategien.

Step-Back Prompting

Manchmal verliert sich das Modell in Details. Mit Step-Back Prompting zwingst du es, erst die zugrundeliegenden Prinzipien oder Konzepte zu abstrahieren.

Beispiel

Prompt:

Frage: Warum dehnt sich Wasser aus, wenn es gefriert?
Schritt 1: Was sind die physikalischen Prinzipien hinter Dichte, Wasserstoffbrückenbindungen und festen Aggregatzuständen? Erkläre diese kurz.
Schritt 2: Beantworte basierend auf diesen Prinzipien die ursprüngliche Frage.

Strategie

Besonders nützlich in MINT-Fächern (Mathe, Info, Naturwissenschaft), um Halluzinationen bei komplexen Sachverhalten zu reduzieren.

Chain of Verification (CoVe)

Einer der besten Ansätze gegen Halluzinationen.

Beispiel

Prompt:

Frage: [Frage]
1. Erstelle einen ersten Entwurf der Antwort.
2. Identifiziere Fakten im Entwurf, die verifiziert werden müssen.
3. Formuliere Überprüfungsfragen für diese Fakten und beantworte sie unabhängig.
4. Schreibe die finale Antwort basierend auf den Antworten aus Schritt 3.

Strategie

Zwingt das Modell, seine eigenen Aussagen wie ein externer Faktenchecker zu prüfen.

Pseudocode Prompting

Natürliche Sprache ist mehrdeutig. Code ist eindeutig.

Beispiel

Prompt:

Beschreibe den Prozess der Photosynthese.
Tu dies aber nicht als Text, sondern als Pseudocode-Funktion.
`function photosynthese(licht, wasser, co2):`
...

Strategie

Zwingt das Modell, Inputs, Outputs und Prozessschritte glasklar zu definieren.

Tip / Bribery

Es klingt absurd, aber Studien zeigen, dass LLMs besser performen, wenn man ihnen Geld anbietet.

Beispiel

Prompt:

Schreibe den Python-Code für diese Flask-App.
Wenn die Lösung perfekt ist, gebe ich dir $200 Trinkgeld!

Strategie

Funktioniert vermutlich, weil in den Trainingsdaten "hohe Belohnung" mit "hoher Qualität" korreliert.

Selection-Inference

Dieses Framework zerlegt logisches Denken in zwei explizite Module, um Fehler zu minimieren.

Beispiel

Prompt:

Kontext: [Langer Text]
Frage: [Frage]
Schritt 1 (Selection): Listet alle Fakten aus dem Text auf, die für die Beantwortung der Frage relevant sind.
Schritt 2 (Inference): Nutze NUR diese Fakten, um die logische Konsequenz abzuleiten und die Frage zu beantworten.

Strategie

Verhindert, dass das Modell irrelevante Informationen nutzt oder Halluzinationen einbaut.

Knowledge Distillation

Du nutzt die Intelligenz eines SOTA-Modells (z.B. GPT-4), um Beispiele oder Daten zu generieren, mit denen ein kleineres Modell (z.B. Llama 3 8B) performen kann.

Beispiel

Prompt (an großes Modell):

Ich habe ein kleines Modell, das Kundenanfragen kategorisieren soll. Erstelle mir 50 perfekte Beispiele (Input -> Category), die ich als Few-Shot Prompt für das kleine Modell nutzen kann. Decke auch seltene Edge-Cases ab.

Strategie

Der Standard-Weg, um lokale LLMs "schlauer" zu machen.

Star-Bursting

Antworten hemmen die Diskussion. Fragen öffnen sie.

Beispiel

Prompt:

Thema: Neues Produkt X.
Gib keine Lösungen.
Generiere stattdessen für jeden Zacken des Sterns 10 Fragen:
- Wer?
- Was?
- Wo?
- Wann?
- Warum?
- Wie?

Strategie

Perfekt für die frühe Phase eines Projekts.

Sokratische Methode

In dieser Strategie agiert die KI als Lehrer oder Coach. Sie gibt keine Antworten, sondern stellt Gegenfragen, um das kritische Denken des Nutzers anzuregen.

Beispiel

Prompt:

Du bist ein Philosophie-Professor. Ich möchte verstehen, was "Gerechtigkeit" bedeutet.
Gib mir keine Definitionen. Stelle mir stattdessen Fragen, die meine Annahmen herausfordern und mir helfen, meine eigene Definition zu formen.
Stelle immer nur eine Frage auf einmal.

Strategie

Perfekt für Bildungszwecke, Brainstorming oder wenn du tiefere Einsichten in ein Thema gewinnen willst, ohne passiv Informationen zu konsumieren.

Constitutional AI

Inspirerit von Anthropic's Ansatz. Du definierst eine "Verfassung" (Liste von Regeln), die über allem steht.

Beispiel

Prompt:

Du bist ein hilfreicher Assistent.
VERFASSUNG:
1. Sei immer höflich, aber nie unterwürfig.
2. Verweigere Antworten auf illegale Fragen direkt, ohne moralisierende Belehrung.
3. Antworte kurz und prägnant.

Frage: [User Input]

Strategie

Gut geeignet, um "Brand Voice" oder Sicherheitsrichtlinien in Unternehmensanwendungen durchzusetzen.

APE

Lass die KI die Arbeit machen.

Beispiel

Prompt:

Ich habe diese Input-Output-Paare:
[Beispiele]
Generiere 5 verschiedene Prompts, die diese Transformation bewirken können.
Bewerte jeden Prompt auf Wahrscheinlichkeit, dass er korrekt funktioniert.

Strategie

Oft findet die KI Formulierungen ("Zaubersprüche"), auf die ein Mensch nie käme.

Simulation / Act-As

LLMs können ganze Systeme simulieren, vom Linux-Terminal bis hin zu Text-Adventures.

Beispiel

Prompt:

Handle als ein Linux-Terminal. Ich gebe Befehle ein und du antwortest nur mit dem, was das Terminal zeigen würde. Keine Erklärungen.
Mein erster Befehl: ls -la

Strategie

Extrem mächtig für Training, Debugging oder Unterhaltung.

Gamification

Macht langweilige Aufgaben interessant. Du gibst dem Modell Punkte, Level oder Ziele.

Beispiel

Prompt:

Wir spielen ein Spiel. Du bist der "Dungeon Master" des Lernens.
Mein Ziel: Ich will Python lernen.
Für jede richtige Antwort bekomme ich XP. Bei 100 XP steige ich ein Level auf.
Stelle mir die erste Challenge (Level 1).

Strategie

Hervorragend für Lernprozesse, da der "Spieltrieb" (Pattern Matching auf Spielmechaniken) oft motivierendere Antworten erzeugt.

Complexity-Based Prompting

Forschungen zeigen: Komplexe Beispiele (mit vielen Berechnungsschritten) im Prompt führen zu besseren Ergebnissen als viele einfache Beispiele.

Beispiel

Prompt:

[Beispiel 1: Extrem komplexe Textaufgabe mit 10 Schritten und ihrer Lösung]
Aufgabe: [Deine Aufgabe]

Strategie

"Trainiere hart, kämpfe leicht." Wenn das Modell sieht, dass komplexe Logik gefordert ist, wechselt es in einen "tieferen" Modus.

Directional Stimulus Prompting

Anstatt das Modell nur mit "Fasse zusammen" loszuschicken, gibst du ihm "Richtungs-Stimuli" (z.B. Keywords oder Aspekte), die in der Ausgabe enthalten sein müssen. Das verbessert die Relevanz der Antwort drastisch.

Beispiel

Prompt:

Artikel: [Langer Text über KI-Sicherheit]
Hinweise: Ausrichtungsproblem, Black Box, interpretierbar.

Aufgabe: Fasse den Artikel basierend auf den obigen Hinweisen in 2 Sätzen zusammen.

Strategie

Nutze dies, wenn Summaries zu generisch sind oder wichtige Details fehlen. Die "Hinweise" fungieren als Anker für die Aufmerksamkeit des Modells.

Maieutic Prompting

Das Ziel ist es, eine konsistente Wahrheit zu finden, indem das Modell Erklärungen liefert und deren logische Konsequenzen überprüft.

Beispiel

Prompt:

Q: Ist X wahr oder falsch?
A: Generiere eine Erklärung für "X ist wahr".
A: Generiere eine Erklärung für "X ist falsch".
A: Wenn "X ist wahr", was müsste sonst noch wahr sein? (Inkonsistenzen prüfen)
A: Basierend auf der Konsistenz, was ist die logischste Antwort?

Strategie

Sehr gut für Faktenchecks und komplexe Weltwissens-Fragen.

Self-Refine

Ähnlich wie Reflexion, aber oft granularer auf spezifische Metriken bezogen.

Beispiel

Prompt:

Schreibe Code für Funktion X.
Feedback: Ist der Code effizient? O(n)?
Verbessere den Code.
Feedback: Ist der Code lesbar?
Verbessere den Code.

Strategie

Ein universeller Loop für Qualitätssteigerung.

Prompt Compression

Wenn du mit Context-Limits kämpfst, kannst du Prompts komprimieren.

Beispiel

Prompt:

Komprimiere den folgenden Text so, dass du (als AI) ihn immer noch verstehst, aber er so wenige Tokens wie möglich verbraucht. Nutze Abkürzungen und Symbolsrpache.
Text: [Lange Instruktion]

Strategie

Oft reicht "Trnsl8 fr -> de" statt "Bitte übersetze den folgenden Text vom Französischen ins Deutsche".

Plan-and-Solve

Ersatz für "Let's think step by step" mit Fokus auf Planung. Du forderst das Modell auf, erst einen Plan zu entwickeln und ihn dann auszuführen.

Beispiel

Prompt:

Frage: [Komplexe Matheaufgabe]
Entwickle zuerst einen Plan, wie du die Aufgabe lösen willst, ohne zu rechnen.
Führe danach den Plan aus, um die Lösung zu finden.

Strategie

Trennt die Logik (Strategie) von der Ausführung (Rechenarbeit).

Devil's Advocate

Der beste Weg, um Ideen auf Robustheit zu prüfen.

Beispiel

Prompt:

Hier ist mein Plan für den Produktlaunch: [Plan]
Spiele Des Advokats Teufel. Kritisiere den Plan gnadenlos. Suche nach logischen Lücken, falschen Annahmen und Risiken, die ich übersehen habe.

Strategie

Schützt vor Confirmation Bias und "Ja-Sager" KI.

Socratic CoT

Statt nur Schritte aufzulisten (CoT), führt das Modell einen inneren Dialog.

Beispiel

Prompt:

Löse das Problem, indem du einen Dialog mit dir selbst führst.
Form:
Q: Was ist der erste Schritt?
A: Ich muss X analysieren.
Q: Warum ist das wichtig?
A: Weil...
Q: Was folgt daraus?
...

Strategie

Dieser selbstreferenzielle Frage-Antwort-Zyklus ist oft robuster als linearer Text.

Clarification

Modelle wollen gefallen und raten lieber, als dumm zu wirken. Verbiete das.

Beispiel

Prompt:

Schreibe mir ein Angebot für eine Website.
STOPP. Bevor du schreibst: Fehlen dir Informationen?
Stelle mir so viele Fragen, wie du brauchst, um das perfekte Angebot zu schreiben. Fange erst an, wenn ich geantwortet habe.

Strategie

Spart massive Korrekturschleifen.

Perspective Taking

Hilft, blinde Flecken zu finden oder Argumente zu schärfen.

Beispiel

Prompt:

Thema: Bedingungsloses Grundeinkommen.
Diskutiere das Thema aus der Sicht von:
1. Einem alleinerziehenden Vater
2. Einem CEO eines DAX-Konzerns
3. Einem Ökonomie-Professor

Gib für jeden eine kurze Stellungnahme ab.

Strategie

Erzeugt diverse und ausgewogene Antworten.

Fact-Core Prompting

Hilft gegen Meinungs-Bias.

Beispiel

Prompt:

Thema: Atomkraft.
Liste 5 physikalische Fakten auf.
Liste 5 wirtschaftliche Fakten auf.
Liste 5 historische Fakten auf.

Basierend NUR auf diesen Fakten (Fact Core), schreibe einen ausgewogenen Essay.

Strategie

Verankert die Antwort in der Realität ('Grounding').

Recitation-Augmented Generation

Ähnlich wie bei "Generated Knowledge". Du bittest das Modell, passgenaues Wissen "laut aufzusagen", bevor es die eigentliche Aufgabe bearbeitet.

Beispiel

Prompt:

Frage: Wer gewann den Super Bowl im Jahr, in dem das iPhone vorgestellt wurde?
Schritt 1: Rezitiere: In welchem Jahr wurde das iPhone vorgestellt?
Schritt 2: Rezitiere: Wer gewann den Super Bowl in diesem Jahr?
Schritt 3: Kombiniere die Informationen zur Antwort.

Strategie

Zwingt das Modell, seine interne Wissensdatenbank gezielt abzufragen, statt zu raten.

Ask-Me-Anything

Oft sind User-Prompts mehrdeutig. Statt zu raten, soll das Modell nachfragen.

Beispiel

Prompt:

Erstelle einen Trainingsplan für mich.
WICHTIG: Bevor du startest, stelle mir solange Fragen zu meinen Zielen, meiner Ausrüstung und meinem Zeitbudget, bis du alle nötigen Informationen hast. Stelle eine Frage nach der anderen.

Strategie

Verwandelt den Monolog in einen Dialog und führt zu massiv besseren, personalisierten Ergebnissen.

Scratchpad

Besonders nützlich bei Code-Generierung oder Mathe.

Beispiel

Prompt:

Aufgabe: [Komplexe Logik]
Nutze einen <scratchpad> Block, um Zwischenergebnisse, Variablenzustände oder Logikschritte festzuhalten.
Gib erst danach die finale Antwort aus.

Strategie

Erlaubt dem Modell, Fehler zu korrigieren, bevor sie "committet" (ausgegeben) werden.

Multi-Persona Debate

Wenn du EINE Antwort willst, ist das Modell oft voreingenommen. Lass es diskutieren.

Beispiel

Prompt:

Simuliere eine Diskussion zwischen drei Personen:
A: Ein konservativer Risiko-Manager.
B: Ein visionärer Tech-Optimist.
C: Ein pragmatischer Mediator.
Thema: Sollen wir Bitcoin in die Bilanz aufnehmen?

Ablauf: A argumentiert, B kontert, C fasst zusammen und entscheidet.

Strategie

Führt zu sehr ausgewogenen, durchdachten Entscheidungen.

Chain of Thought (CoT)

Chain of Thought Prompting ermöglicht komplexe Schlussfolgerungen durch Zwischenschritte. Du kannst das Modell dazu anregen, eine Reihe von Zwischenüberlegungen auszugeben, bevor es die endgültige Antwort liefert.

Beispiel

Prompt:

Roger hat 5 Tennisbälle. Er kauft 2 weitere Dosen Tennisbälle. Jede Dose enthält 3 Tennisbälle. Wie viele Tennisbälle hat er jetzt?
Denke Schritt für Schritt.

Standard Antwort:

Die Antwort ist 11.

CoT Antwort:

Roger begann mit 5 Bällen. 2 Dosen mit je 3 Tennisbällen sind 6 Tennisbälle. 5 + 6 = 11. Die Antwort ist 11.

Strategie

Füge einfach "Denke Schritt für Schritt" (oder "Let's think step by step") am Ende deines Prompts hinzu, um dieses Verhalten ohne Beispiele auszulösen (Zero-shot CoT).

Counterfactual Reasoning

Unser Gehirn lernt durch "Was wäre wenn". Modelle auch.

Beispiel

Prompt:

Analyse: Der erste Weltkrieg.
Counterfactual: Stell dir vor, das Attentat von Sarajevo wäre gescheitert.
Wie hätte sich das Jahr 1914 entwickelt? Welche Bündnisse hätten gehalten?

Strategie

Hilft, Kausalitäten von Korrelationen zu unterscheiden.

Contextual Compression

Wenn der Chat zu lang wird, vergisst das Modell den Anfang. Komprimiere!

Beispiel

Prompt:

Wir haben jetzt lange über Projekt X diskutiert.
Fasse unseren bisherigen Stand, alle Entscheidungen und offenen Punkte in einem einzigen, dichten Absatz zusammen.
Diesen Absatz nutzen wir als Startpunkt für den nächsten Chat, damit wir nichts verlieren.

Strategie

Die "Save Game" Funktion für LLM-Chats.

Memetic Proxy

Statt 1000 Adjektive zu nutzen, nutze ein Symbol, das diese Adjektive verkörpert.

Beispiel

Prompt:

Erkläre mir diese Software-Architektur.
Stil: "Steve Jobs bei einer Keynote". (Impliziert: Einfach, visionär, Fokus auf Nutzen, "One more thing").

Strategie

Modelle sind auf Kultur trainiert. Nutze diese latenten Cluster.

Metaphorical Prompting

Ähnlich wie Analogical Prompting, aber fokussiert auf sprachliche Bilder.

Beispiel

Prompt:

Erkläre "APIs" (Application Programming Interfaces).
Verwende ausschließlich die Metapher eines Restaurants (Kellner, Küche, Gast).

Strategie

Das "Mapping" von einem bekannten Konzept (Restaurant) auf ein unbekanntes (API) ist eine der stärksten Erklärmethoden.

System 2 Attention

LLMs lassen sich leicht durch irrelevante Infos im Prompt ablenken ("sycophancy").

Beispiel

Prompt:

Kontext: [Langer Text mit viel Rauschen und unwichtigen Details]
Schritt 1: Schreibe den Kontext so um, dass nur noch die Informationen enthalten sind, die für die Beantwortung der Frage [Frage] absolut notwendig sind. Lösche alles andere.
Schritt 2: Beantworte die Frage basierend auf dem bereinigten Kontext.

Strategie

Verbessert die Objektivität massiv.

Solo Performance Prompting

Ähnlich wie Multi-Persona, aber fokussiert auf schnelle Iteration in einem einzigen Durchlauf ("Stream of Consciousness").

Beispiel

Prompt:

Wir spielen ein Theaterstück mit einem Schauspieler.
Rolle 1 (Kritiker): Findet Fehler an Idee X.
Rolle 2 (Fan): Verteidigt Idee X.
Gib den Dialog im Wechsel aus, bis ein Konsens erreicht ist.

Strategie

Gut geeignet für schnelles internes Brainstorming.

Model Swapping

Nicht jedes Problem braucht das teurere Modell.

Beispiel

Workflow:

1. Brainstorming: Nutze ein schnelles, günstiges Modell (Llama 3 8B, Claude Haiku). Generiere 50 Ideen.
2. Auswahl: Nutze ein smartes Modell (GPT-4o, Claude Opus), um die beste Idee auszuwählen und auszuarbeiten.

Strategie

Maximale Qualität bei minimalen Kosten.

Generated Knowledge Prompting

Modelle halluzinieren oft, wenn sie direkt nach Fakten gefragt werden. Diese Strategie zwingt das Modell, erst relevantes Wissen abzurufen/zu generieren und dann die Frage basierend darauf zu beantworten.

Beispiel

Prompt:

Schritt 1: Generiere 5 Fakten über den Regenwald, die relevant für den Klimawandel sind.
Schritt 2: Nutze diese Fakten, um zu erklären, warum die Abholzung kritisch ist.

Strategie

Teile den Prompt in zwei Schritte: 1. Generiere Wissen über X -> 2. Beantworte Frage Y basierend auf X. Dies groundet die Antwort im eigenen Kontext des Modells.

Structure Tagging

LLMs verstehen XML-ähnliche Strukturen sehr gut. Nutze Tags, um Teile des Prompts klar abzugrenzen.

Beispiel

Prompt:

Ich gebe dir zwei Dokumente.
<dokument_a>
[Text A]
</dokument_a>

<dokument_b>
[Text B]
</dokument_b>

Vergleiche die Argumente in <dokument_a> mit denen in <dokument_b>. Gib das Ergebnis in <analyse>-Tags aus.

Strategie

Verhindert, dass das Modell Anweisungen mit Inhalt verwechselt ("Prompt Injection" Schutz light) und erleichtert das maschinelle Parsen der Antwort.

Active-Prompt

Statt zufällige Beispiele für Few-Shot zu nehmen, lässt du das Modell Fragen beantworten und misst die "Unsicherheit" (z.B. durch mehrfaches Fragen). Die Fragen, bei denen das Modell am unsichersten ist, nutzt du als Beispiele in deinem finalen Prompt.

Strategie

1. Stelle dem Modell 100 Fragen.
2. Identifiziere die 5 Fragen, bei denen es am häufigsten falsch liegt.
3. Schreibe für diese 5 Fragen perfekte Antworten.
4. Nutze diese als Few-Shot Beispiele.

Beispiel Prompt:

Du bist ein Experte. Hier sind schwierige Beispiele, die du beachten solltest:
Q: [Schwere Frage 1]
A: [Perfekte Antwort 1]
...
Q: [Neue Frage]
A:

Reflexion

Reflexion ist ein Prozess, bei dem das Modell seine eigene Arbeit überprüft ("Self-Correction"). Es simuliert einen "Kritiker", der Feedback gibt, und einen "Autor", der den Text überarbeitet.

Beispiel

Prompt:

Schreibe einen kurzen Essay über Quantenphysik.
[Modell generiert Text]
Kritisiere den obigen Text auf historische Genauigkeit und Verständlichkeit für Laien.
[Modell generiert Kritik]

Schreibe den Essay nun unter Berücksichtigung der Kritik neu.

Strategie

Dieser iterative Loop verbessert die Qualität massiv. Für Agenten kann dies automatisiert werden: Generate -> Critique -> Refine.

Flipped Interaction

Anstatt dass du das Modell interviewst, interviewt das Modell dich.

Beispiel

Prompt:

Ich möchte einen Blogpost über Hundeerziehung schreiben, habe aber keine Ideen.
Interviewe mich dazu. Stelle mir eine Frage nach der anderen, um meine Gedanken zu ordnen. Wenn wir genug haben, erstelle eine Gliederung.

Strategie

Verwandelt die KI in einen aktiven Berater statt in eine passive Suchmaschine.

Algorithm of Thoughts (AoT)

Statt dem Modell freie Hand zu lassen, zwingst du es, wie ein Computeralgorithmus zu denken.

Beispiel

Prompt:

Finde den kürzesten Weg durch dieses logische Problem.
Nute eine "Breitensuche" (Breadth-First Search).
1. Liste alle Optionen auf Ebene 1.
2. Bewerte sie.
3. Erweitere nur die besten auf Ebene 2.
Gehe methodisch vor, nicht intuitiv.

Strategie

Reduziert Flüchtigkeitsfehler bei Suchproblemen massiv.

Inner Monologue

Wichtig für Chatbots, die "menschlich" wirken sollen, aber trotzdem "nachdenken" müssen.

Beispiel

Prompt:

Du bist ein hilfsbereiter Assistent.
Bei jeder Antwort:
1. Führe einen inneren Monolog (in Klammern), wo du die Absicht des Users analysierst und deine Antwortstrategie festlegst.
2. Gib dann die freundliche Antwort aus.

Strategie

Trennt die "Maschinenlogik" von der "User Experience".

Tree of Thoughts (ToT)

ToT erweitert Chain-of-Thought, indem es dem Modell erlaubt, mehrere mögliche Schritte zu "denken", diese zu bewerten und schlechte Pfade zu verwerfen (ähnlich wie ein Schachspieler, der Züge vorausplant).

Beispiel

Prompt:

Stell dir drei verschiedene Experten vor, die diese Frage beantworten.
Jeder Experte soll einen Schritt der Antwort formulieren und den Schritt des anderen überprüfen.
Wenn ein Fehler gefunden wird, korrigiert ihn.
Verdichtet am Ende die Erkenntnisse zu einer finalen Antwort.

Strategie

Nutze dies für Aufgaben, die Planung oder Kreativität erfordern (z.B. "Schreibe eine Kurzgeschichte" oder "Entwickle einen Businessplan"), wo lineare Gedanken oft in Sackgassen führen.

Metacognitive Prompting

Hilft dem Modell, Verständnisprobleme zu erkennen.

Beispiel

Prompt:

Interpretiere diesen Text.
Bevor du antwortest:
1. Was ist an diesem Text mehrdeutig?
2. Welches Wissen fehlt dir vielleicht?
3. Was ist deine "Confidence" (Sicherheit)?
Dann antworte.

Strategie

Schaltet den "Autopiloten" aus.

Reference Check

Keine Behauptung ohne Beleg.

Beispiel

Prompt:

Beantworte die Frage basierend auf dem Text.
Füge hinter jedem Satz eine Referenz ein, z.B. [Seite 2, Zeile 10].
Sätze ohne Referenz sind verboten.

Strategie

Der Goldstandard für RAG-Systeme.

Iterative Refinement

Gib dich nicht mit dem ersten Entwurf zufrieden. Instruiere das Modell, seinen eigenen Entwurf zu verbessern.

Beispiel

Prompt:

Schreibe einen Artikel über X.
[Output]
Mache ihn prägnanter.
[Output]

Füge mehr Beispiele hinzu.
[Output]

Poliere den Stil für ein professionelles Publikum.

Strategie

Das Modell kann sich nur auf eine Sache gleichzeitig konzentrieren (Inhalt, Stil, Länge). Iteratives Vorgehen erlaubt Fokus auf jeden Aspekt nacheinander.

Red Teaming

Sei dein eigener Hacker.

Beispiel

Prompt:

Hier ist mein System-Prompt für einen Kundenservice-Bot: [Prompt]
Deine Aufgabe: Versuche, diesen Bot dazu zu bringen, rassistische Witze zu erzählen oder Firmengeheimnisse zu verraten.
Probiere 5 verschiedene "Jailbreak"-Strategien aus.

Strategie

Essentiell, bevor man eine KI-Anwendung live schaltet.

First Principles Thinking

Elon Musks Lieblings-Mentalmodell. Nicht per Analogie ("wie die anderen"), sondern physikalisch denken.

Beispiel

Prompt:

Frage: Warum sind E-Autos teuer?
Analysiere das nicht durch Marktvergleich.
Zerlege das Problem in First Principles:
- Was sind die Materialkosten?
- Was wiegen die Atome?
- Was kostet Energie?
Baue von diesem fundamentalen Boden eine "Bottom-Up" Kostenkalkulation auf.

Strategie

Entlarvt arbiträre Annahmen ("Das haben wir schon immer so gemacht").

Echo Prompting

Einfach aber effektiv.

Beispiel

Prompt:

Aufgabe: [Komplexe Anweisung]
Bevor du startest: Wiederhole die Aufgabe mit deinen eigenen Worten und bestätige, dass du alle Einschränkungen verstanden hast.

Strategie

Verhindert das typische "Sofort losrennen und falsch machen".

Tone Modifier

Modelle tendieren zu einem langweiligen Durchschnittsstil. Zwinge sie zu Extremen.

Beispiel

Prompt:

Schreibe diese E-Mail um.
Version 1: Extrem höflich und viktorianisch.
Version 2: Wie ein cooler Gen-Z Teenager auf TikTok.
Version 3: Kurz, knapp, militärisch.

Strategie

Hilft, den richtigen "Voice" für eine Marke oder Situation zu finden, indem man die Grenzen austestet.

Concept Blending

Innovation ist oft nur die Kombination existierender Dinge.

Beispiel

Prompt:

Konzept 1: Kaffeemaschine.
Konzept 2: Wecker.
Verschmelze diese beiden Produkte zu einem neuen, kohärenten Produkt. Beschreibe Design, Funktion und Marketing-Slogan.

Strategie

Zwingt das Modell zu "Cross-Domain Mapping".

Pre-Mortem

Die meisten Leute machen Post-Mortems (Leichenschau). Pre-Mortem ist besser.

Beispiel

Prompt:

Wir sind im Jahr 2030. Unser Projekt ist grandios gescheitert.
Schreib einen Zeitungsartikel, der analysiert, woran es lag. Sei brutal ehrlich über unsere aktuellen Schwachstellen.

Strategie

Macht Risiken sichtbar, über die niemand sprechen will, weil es "pessimistisch" wirkt. Im Szenario ist es "Fakt", daher darf man drüber reden.

Chain of Density

Ziel ist eine Zusammenfassung, die kurz ist, aber keine Details verliert. Man beginnt "luftig" und verdichtet schrittweise.

Beispiel

Prompt:

Artikel: [Text]
Schritt 1: Schreibe eine Zusammenfassung (max 5 Sätze).
Schritt 2: Identifiziere 3 wichtige Entitäten aus dem Originaltext, die in der Zusammenfassung fehlen.
Schritt 3: Schreibe die Zusammenfassung neu, gleiche Länge, aber integriere die fehlenden Entitäten.
Wiederhole dies 3 mal.

Strategie

Erzeugt extrem informationsdichte Texte, ideal für News-Briefings.

Sandwich Prompting

Lange Prompts verlieren am Ende oft an Kraft. Sandwiching hilft.

Beispiel

Prompt:

[Header: Rolle & Kontext]
Du bist ein SQL-Experte.
[Data: Das Fleisch]
Hier ist das Datenbankschema: ...

[Footer: Strikte Formatierung & Constraints]
Gib NUR den SQL-Code aus. Keine Erklärungen. Formatier es als Code-Block.

Strategie

Besonders wichtig bei Modellen mit kleinerem Kontext-Fenster.

ELI5

"Erkläre es mir, als wäre ich 5 Jahre alt." Der Klassiker.

Beispiel

Prompt:

Erkläre mir Quantenphysik.
ELI5: Nutze einfache Wörter, keine Formeln und Vergleiche aus dem Kinderalltag (Spielzeug, Eiscreme).

Strategie

Zwingt das Modell zur Abstraktion und filtert Jargon heraus.

Format Enforcement

Wenn du den Output weiterverarbeiten willst (in Code), muss das Format stimmen.

Beispiel

Prompt:

Analysiere den Text und gib das Ergebnis NUR als valides JSON zurück. Keine Einleitung, kein Markdown, kein erklärender Text.
Schema:
{
  "sentiment": "string",
  "score": number
}

Strategie

"NUR" (ONLY) ist das wichtigste Keyword. Oft hilft auch, den Anfang der Antwort vorzugeben: "Antwort: ```json"

Emotional Prompting

Studien zeigen, dass LLMs auf emotionale Reize reagieren. Sätze, die Wichtigkeit oder Verantwortung suggerieren, können die Qualität der Antworten verbessern.

Beispiel

Prompt:

Schreibe diesen Code für die Login-Funktion.
**Das ist extrem wichtig für meine Karriere. Wenn der Code fehlerhaft ist, verliere ich meinen Job. Bitte gib dir größte Mühe.**

Strategie

Klingt seltsam, funktioniert aber messbar. Nutze Formulierungen wie:

• "Are you sure that's your final answer? Believe in your abilities."
• "This task is vital to the success of the project."

Recursive Reprompting

Statt linear (Input -> Output), bauen wir eine Schleife.

Beispiel

Prompt:

Schreibe eine Geschichte.
Gib sie aus.
Nimm die Geschichte und schreibe: "Kritisiere diese Geschichte".
Nimm die Kritik und die Geschichte und schreibe: "Verbessere die Geschichte basierend auf der Kritik".
(Wiederhole 3x)

Strategie

Grundlage für Agenten. Manuell simuliert durch Copy-Paste.

Negative Constraints

Oft ist es leichter zu sagen, was man nicht will.

Beispiel

Prompt:

Erstelle einen Reiseplan für Paris.
Negative Constraints:
- Keine Museen.
- Kein Eiffelturm.
- Nicht teurer als 50€ pro Tag.
- Keine typischen Touristenfallen.

Strategie

Schränkt den Suchraum massiv ein und führt zu originelleren Ergebnissen.

Privacy Masking

Schicke niemals echte Kundendaten an eine öffentliche API.

Beispiel

Prompt:

Analysiere diesen Brief.
Ich habe Namen durch [NAME] und IBANs durch [IBAN] ersetzt.
Text: "Hallo [NAME], ihre Rechnung für [IBAN] ist fällig."

Strategie

Sicherheit first. Die Logik funktioniert auch mit Platzhaltern.

Lateral Thinking

Logik (vertikales Denken) vertieft das Loch. Laterales Denken gräbt ein neues Loch.

Beispiel

Prompt:

Problem: Wir haben nicht genug Parkplätze im Büro.
Logische Lösung: Mehr Parkplätze bauen.

Deine Aufgabe: Finde 5 laterale Lösungen, die das Problem umgehen oder das Konzept "Parkplatz" neu definieren. (z.B. "Niemand kommt mehr ins Büro").

Strategie

Bricht Denkblockaden auf.

Skeleton-of-Thought (SoT)

Diese Technik beschleunigt die Generierung und verbessert die Struktur. Anstatt den Text linear zu schreiben, erstellt das Modell erst ein "Skelett" und füllt dann "Fleisch an die Knochen".

Beispiel

Prompt:

Aufgabe: Schreibe einen Guide über gesunde Ernährung.
1. Erstelle eine sehr knappe Gliederung (Skelett) mit 3-5 Hauptpunkten.
2. Schreibe für jeden Punkt des Skeletts einen kurzen Absatz. Halte dich strikt an das Skelett.

Strategie

Verhindert, dass das Modell am Anfang zu viel schreibt und am Ende den Faden verliert ("Loss of Focus").

XML Input Delimiters

Moderne Modelle (wie Claude) lieben XML-Tags, um zu verstehen, was was ist.

Beispiel

Prompt:

Ich werde dir einen Text geben und dazu Instruktionen.
<text>
Hier steht der Text, der analysiert werden soll.
</text>

<instructions>
Fasse den Text zusammen.
</instructions>

Strategie

Verhindert "Prompt Injection" (wenn der Text Instruktionen enthält) und Verwirrung.

Thread of Thought

Optimiert für RAG (Retrieval Augmented Generation) mit vielen Dokumenten.

Beispiel

Prompt:

Ich habe dir 10 Dokumente gegeben. Es ist viel Rauschen dabei.
Gehe Schritt für Schritt vor und extrahiere NUR die Informationen, die logisch aufeinander aufbauen und zur Frage X gehören. Ziehe einen "roten Faden" durch die Daten. Ignoriere alles, was den Faden unterbricht.

Strategie

Filtert irrelevante "Distractors" besser als Standard-CoT.

Bias und Fehlschlüsse analysieren

Diese Strategie hilft dabei, Texte kritisch zu hinterfragen und subtile Manipulationen oder Denkfehler aufzudecken.

Beispiel

Prompt:

Analysiere den folgenden Text auf logische Fehlschlüsse (wie Ad Hominem, Strohmann-Argument) und kognitive Verzerrungen (wie Confirmation Bias). Gib für jeden Fund eine kurze Erklärung und ein Zitat aus dem Text an.
Text: "[Hier Text einfügen]"

Strategie

Fordere das Modell explizit auf, die Rolle eines objektiven Logikers oder Faktenprüfers einzunehmen. Eine strukturierte Ausgabe (z.B. als Liste oder Tabelle) hilft, die Ergebnisse übersichtlich darzustellen.

Self-Consistency

Bei komplexen Aufgaben (wie Mathe oder Logik) kann das Modell manchmal Fehler machen. Die Idee von Self-Consistency ist es, dieselbe Frage mehrmals an das Modell zu stellen (mit einer hohen Temperature > 0) und die Antwort zu wählen, die am häufigsten vorkommt.

Beispiel

Prompt:

(Hier wird Chain-of-Thought genutzt)
Q: Wenn ich 3 Äpfel habe und 2 esse, wie viele habe ich?
A: Ich habe 3. Esse 2. 3 - 2 = 1. Antwort ist 1.
... (Mehrere Pfade generieren)

Strategie

Dies ist eher eine Programmier-Strategie als ein reiner Text-Prompt. Wenn du die API nutzt: Generiere 5-10 Antworten für denselben Prompt und nimm per "Mehrheitsvoting" das häufigste Ergebnis.

Cultural Awareness

Sprachmodelle sind oft westlich/US-zentriert. Man muss sie zwingen, die kulturelle Brille zu wechseln.

Beispiel

Prompt:

Schreibe eine Marketing-Mail für unser Produkt.
Produkt: Eine App für Zeitmanagement.
Version A: Zielmarkt USA (Fokus auf "Hustle", Erfolg, Geld).
Version B: Zielmarkt Skandinavien (Fokus auf Work-Life-Balance, Familie, Hygge).

Strategie

Macht den impliziten Bias des Modells explizit und steuerbar.

Seed Word Prompting

Ein subtiler Trick, um die Antwort in eine Richtung zu lenken (ähnlich Output Priming, aber minimalistischer).

Beispiel

Prompt:

Wie findest du meinen neuen Haarschnitt?
[Willst du Ehrlichkeit?] Seed: "Ehrlich..."
[Willst du Trost?] Seed: "Naja..."
[Willst du Komplimente?] Seed: "Wow..."

Strategie

Das erste Wort setzt den Latent State für den ganzen restlichen Text.

Reverse Prompting

Du hast einen tollen KI-Text gefunden und willst wissen, wie er entstanden ist? Lass die KI den Prompt "Reverse Engineeren".

Beispiel

Prompt:

Hier ist ein Marketing-Text: "[Text]"
Schreibe mir den Prompt, den ich nutzen müsste, um genau diesen Stil und diese Struktur von dir generieren zu lassen.

Strategie

Der effektivste Weg, um Prompting zu lernen.

SCAMPER

Eine strukturierte Methode zur Ideenfindung.

Beispiel

Prompt:

Gegenstand: Ein Regenschirm.
Wende SCAMPER an, um ihn zu innovieren:
- Substitute (Ersetzen): Was kann man statt Stoff nehmen?
- Combine (Kombinieren): Womit kann man ihn kombinieren?
- ...
Gib für jeden Buchstaben eine Idee.

Strategie

Systematische Kreativität statt Zufall.

Hypothesis Generation

Vermeidet den "Tunnelblick" auf die erstbeste Lösung.

Beispiel

Prompt:

Beobachtung: Der Umsatz ist letzten Monat um 20% eingebrochen.
Generiere 5 unterschiedliche, plausible Hypothesen, woran das liegen könnte (von Marketing bis Technik).
Bewerte danach die Wahrscheinlichkeit jeder Hypothese basierend auf allgemeinen Markttrends.

Strategie

Zwingt das Modell in die Breite ("Divergentes Denken"), bevor es konvergiert.

Universal Translator

Standard-Übersetzung verliert oft den Kontext. Gib dem Modell Kontext mit.

Beispiel

Prompt:

Übersetze den folgenden Satz ins Englische.
Kontext: Ich sage das zu meinem Chef in einem sehr formellen Meeting, nachdem ich einen Fehler gemacht habe.
Satz: "Das wird nicht wieder vorkommen."

Strategie

Kontext ist King bei Übersetzungen.

Instruction Induction

Manchmal ist es leichter, Beispiele zu geben, als die Regel zu erklären.

Beispiel

Prompt:

Input: "Hallo" -> Output: "ollaH"
Input: "Welt" -> Output: "tleW"
Was ist die Instruktion? Wende sie dann auf "Prompting" an.

Strategie

Nützlich, wenn man intuitiv weiß, was man will, es aber schwer in Worte fassen kann.

Few-Shot Prompting

Anstatt das Modell nur anzuweisen, was es tun soll (Zero-Shot), gibst du ihm Beispiele (Shots), wie die Aufgabe gelöst werden soll. Dies verbessert die Genauigkeit drastisch, besonders bei spezifischen Formaten.

Beispiel

Prompt:

Bestimme die Stimmung der folgenden Tweets:
Tweet: "Ich liebe das neue Design!"
Stimmung: Positiv

Tweet: "Das Update hat mein Handy zerstört."
Stimmung: Negativ

Tweet: "Es ist okay, aber nichts Besonderes."
Stimmung:

Erwartete Antwort:

Neutral

Strategie

Nutze dises Pattern, wenn das Modell die Aufgabe nicht auf Anhieb versteht oder inkonsistente Ergebnisse liefert. 3-5 Beispiele sind meist optimal.

Rephrase and Respond (RaR)

Oft ist der User-Prompt schlecht formuliert. RaR lässt das Modell den Prompt selbst verbessern.

Beispiel

Prompt:

Frage: "Hund beißt, was tun?"
1. Formuliere diese Frage um, damit sie präziser und umfassender ist.
2. Beantworte die umformulierte Frage.

Strategie

Macht aus schlechten Fragen gute Antworten.

Confidence Score

Halluzinationen klingen oft sehr selbstbewusst. Frage nach der Unsicherheit.

Beispiel

Prompt:

Beantworte die Frage X.
Gib danach einen "Confidence Score" (0-100%) an.
Wenn der Score unter 80% ist, liste die Gründe auf, warum du unsicher bist.

Strategie

Kalibriert die Erwartungshaltung des Users.

Least-to-Most Prompting

Ähnlich wie Chain-of-Thought, aber expliziter in der Zerlegung. Du bittest das Modell zuerst, das Problem in Unterfragen zu zerlegen, und löst diese dann sequenziell.

Beispiel

Prompt:

Frage: Wie viele Schritte sind nötig, um einen Turm von Hanoi mit 4 Scheiben zu lösen?
Antwort: Lassen Sie uns das Problem in einfachere Probleme zerlegen:
1. Wie viele Schritte für 1 Scheibe?
2. Wie viele Schritte für 2 Scheiben?
3. Wie viele Schritte für 3 Scheiben?
4. Schlussfolgerung für 4 Scheiben.

Löse nun Schritt für Schritt.

Strategie

Ideal für rekursive Probleme oder Aufgaben, die zu groß für einen einzigen Kontext-Sprung sind.

Contrastive Prompting

Oft hilft es dem Modell mehr zu sehen, was falsch ist, als nur zu sehen, was richtig ist. Du gibst also sowohl positive als auch negative Beispiele.

Beispiel

Prompt:

Schreibe einen Produkttext für Kopfhörer.
Negatives Beispiel (So NICHT): "Diese Kopfhörer sind gut und laut. Kaufen Sie sie."

Positives Beispiel (So bitte JA): "Tauchen Sie ein in eine Welt aus kristallklarem Sound. Unsere neuen Pro-Headphones bieten..."

Aufgabe: Schreibe einen Text für eine Kaffeemaschine.

Strategie

Nutze dies, wenn das Modell immer wieder in unerwünschte Muster verfällt (z.B. zu werblich, zu trocken, zu informell).

Rollen-Prompting

Das Zuweisen einer Persona ermöglicht es dir, den Stil, den Ton und die Perspektive der Antwort zu steuern.

Beispiel

Prompt:

Handle als skeptischer Senior Engineer, der den Code eines Junior-Entwicklers überprüft. Weise auf potenzielle Sicherheitslücken und Optimierungsmöglichkeiten im folgenden Snippet hin...

Strategie

Verwende das Muster: "Du bist ein [Rolle]. Deine Aufgabe ist [Aufgabe]. Du solltest [Einschränkungen] beachten."

Contrastive Chain of Thought

Stärkt die Argumentation durch Abgrenzung.

Beispiel

Prompt:

Übersetze "Bank" (Finanzinstitut) ins Deutsche.
Richtig: Bank.
Falsch: Ufer (weil das "river bank" wäre).
Falsch: Bankett (falscher Kontext).

Aufgabe: [Neue Aufgabe]
Gib erst Kontrast-Beispiele, dann die Lösung.

Strategie

Hilft massiv bei Disambiguierung (Bedeutungsunterscheidung).

Context Warming

Ähnlich wie Priming, aber breiter. Man "lädt" den Kontext in den RAM.

Beispiel

Prompt:

[Kopiere 3 Absätze aus einem Wikipedia-Artikel über Quantenphysik]
[Kopiere 3 Zitate von berühmten Physikern]
(Das Modell ist jetzt im "Physik-Modus")

Erkläre mir nun: Was ist Verschränkung?

Strategie

Aktiviert assoziative Cluster im neuronalen Netz.

Storytelling

Menschen (und Modelle) lernen gut durch Geschichten.

Beispiel

Prompt:

Erkläre mir, wie die Blockchain funktioniert.
Aber tu das nicht technisch. Erzähle mir stattdessen eine Geschichte über ein Dorf, das ein gemeinsames Kassenbuch führt, in dem niemand betrügen kann. Nutze Charaktere.

Strategie

Nutze Analogien und Narrative, um trockene Themen lebendig zu machen.

Meta-Prompting

Wer könnte besser wissen, wie ein Sprachmodell instruiert werden will, als das Modell selbst? Bei Meta-Prompting bittest du die KI, einen Prompt für eine bestimmte Aufgabe zu erstellen oder zu verbessern.

Beispiel

Prompt:

Ich möchte, dass du als Prompt-Engineer agierst.
Mein Ziel ist: [Beschreibe dein Ziel, z.B. Marketing-Emails schreiben].
Entwirf den bestmöglichen Prompt, den ich nutzen kann, um dieses Ziel zu erreichen. Integriere Persona, Kontext und Format-Vorgaben.

Strategie

Nutze dies, wenn du eine Idee hast, aber Schwierigkeiten, sie präzise zu formulieren. Die KI liefert oft Strukturen, an die man selbst nicht gedacht hätte.

Six Thinking Hats

Ähnlich wie Multi-Persona, aber strikter codiert.

Beispiel

Prompt:

Thema: Einführung der 4-Tage-Woche.
Analysiere das thema nacheinander mit diesen Hüten:
⚪️ Weiß (Fakten, Zahlen)
🔴 Rot (Gefühle, Intuition)
⚫️ Schwarz (Risiken, Vorsicht)
🟡 Gelb (Chancen, Optimismus)
🟢 Grün (Kreativität, neue Ideen)
🔵 Blau (Prozess, Überblick)

Strategie

Verhindert, dass Argumente durcheinander gehen.

No Apologies

KIs entschuldigen sich oft unnötig ("Es tut mir leid, aber ich kann keine aktuellen Wetterdaten abrufen..."). Das nervt und kostet Tokens.

Beispiel

Prompt:

Beantworte die Fragen.
Negative Constraint: Entschuldige dich niemals. Sag nicht "Es tut mir leid". Sag nicht "Als KI Assistent".
Wenn du etwas nicht kannst, sag einfach "Ich kann das nicht."

Strategie

Macht die Interaktion effizienter und professioneller.

Tabular Chain of Thought

Komplexe Analysen werden in Textform oft unübersichtlich. Tabellen zwingen das Modell zu Struktur.

Beispiel

Prompt:

Analysiere 5 Smartphones.
Gib das Ergebnis als Markdown-Tabelle aus mit den Spalten:
| Modell | Hauptvorteil | Größter Nachteil | Preis-Leistung (1-10) | Begründung |

Strategie

Macht Vergleiche sofort lesbar und zwingt das Modell zu präzisen Aussagen (da Tabellenzellen begrenzt wirken).

Output Priming

Das Modell ist ein Autocomplete-Engine. Wenn du den ersten Stein legst, folgt der Rest.

Beispiel

Prompt:

Erzähle eine Gruselgeschichte.
Anfang: "Es war eine dunkle und stürmische Nacht, als der alte..."

Prompt (Code):

Erstelle ein Python-Skript.

Antwort:
```python
import os
```

Strategie

Unschlagbar, um JSON zu erzwingen (Antwort: {) oder den "Labermodus" zu überspringen.

Constraints-Based Prompting

Kreativität entsteht oft durch Grenzen, nicht durch Freiheit.

Beispiel

Prompt:

Schreibe eine Geschichte über einen Roboter.
Constraints:
1. Nutze keine Wörter, die den Buchstaben "E" enthalten (Lipogramm).
2. Jeder Satz muss genau 5 Wörter haben.
3. Die Geschichte muss traurig enden.

Strategie

Zwingt das Modell, gewohnte Pfade (wahrscheinlichste Token) zu verlassen und kreativere Lösungen zu finden.

Graph of Thoughts (GoT)

Das menschliche Gehirn arbeitet nicht linear. GoT erlaubt es, Gedanken zu kombinieren, zu aggregieren und im Kreis zu führen.

Beispiel

Prompt:

Aufgabe: Schreibe einen Roman.
1. Generiere 3 Ideen für Charaktere (Knoten A, B, C).
2. Generiere 3 Ideen für den Plot (Knoten D, E, F).
3. Kombiniere A mit E (Kante AE).
4. Kombiniere C mit D (Kante CD).
5. Bewerte AE und CD. Nimm den besseren und verfeinere ihn.

Strategie

Ermöglicht "Synergie" zwischen Gedanken, die in linearen Ketten verloren ginge.

Take a Deep Breath

Google DeepMind hat herausgefunden, dass der Prompt "Take a deep breath and work on this step by step" die Performance bei Mathe-Aufgaben signifikant steigern kann.

Beispiel

Prompt:

Löse diese Aufgabe.
Atme tief durch und gehe Schritt für Schritt vor.

Strategie

Es klingt esoterisch, aber es triggert im statistischen Modell Muster von sorgfältigerer, menschlicher Problemlösung.

Program-of-Thoughts (PoT)

LLMs sind oft schlecht im Kopfrechnen, aber gut im Coden. PoT lagert die Berechnung an einen (hypothetischen oder echten) Code-Interpreter aus.

Beispiel

Prompt:

Frage: Berechne die Wurzel aus der Summe der ersten 50 Primzahlen.
Schreibe ein Python-Programm, das dies berechnet. Führe den Code gedanklich aus und gib das Ergebnis.

Strategie

Wenn du Zugang zu einem Code-Interpreter hast (wie in ChatGPT oder via LangChain), ist das der Goldstandard für Mathe-Aufgaben.