Spring GDS 25. Jubiläum
Ein Logistikunternehmen, das in 190 Länder versendet, hat etwas gebaut, um an sich selbst zu liefern.
Prompt Engineering ist die Praxis, die Anweisungen für ein Sprachmodell so zu gestalten, dass es genau das Ergebnis liefert, das Sie wollen. Dasselbe Modell kann einen vagen Absatz oder eine saubere, strukturierte Antwort zurückgeben, je nachdem, wie die Anfrage formuliert ist.
Die Techniken sind konkret. Dem Modell eine klare Rolle und ein klares Ziel geben. Ihm ein paar durchgespielte Beispiele zeigen, damit es das Muster lernt (Few-Shot-Prompting). Es bitten, Schritt für Schritt zu denken, bevor es sich festlegt. Das genaue Ausgabeformat vorgeben, etwa JSON mit benannten Feldern, damit der nachgelagerte Code es verarbeiten kann. Ein Modell, das "extrahiere Rechnungssumme, Datum und Lieferant als JSON" hört, verhält sich ganz anders als eines, dem man sagt "erzähl mir von dieser Rechnung", und dieser Unterschied ist die ganze Arbeit.
Prompt Engineering ersetzt weder Grounding noch Fine-Tuning. Es ist der billigste und schnellste Hebel, den Sie haben, und bringt Sie oft fast ans Ziel. Die verbleibende Lücke, wo Formulierung allein die Genauigkeit nicht behebt, ist der Ort für Retrieval und Evaluation.
Wir behandeln Prompts als Teil des Codes, nicht als Wegwerftext in einem Notebook. Sie werden versioniert, gegen echte Eingaben getestet und bewusst geändert, sobald wir zeigen können, dass die neue Version besser abschneidet. Ein Prompt, der im schnellen Versuch funktioniert, scheitert oft am unordentlichen fünften Fall, also bauen wir das Testset früh und lassen es Regressionen fangen.
Innerhalb unserer KI- und Machine-Learning-Lösungen steht das Prompt-Design neben Retrieval und Evaluation, nicht allein. Wenn wir Chatbots und virtuelle Assistenten bauen, legt der Prompt Ton, Leitplanken und Ausgabeform fest, und wir justieren ihn gegen die unbequemen Fragen echter Nutzer. Es ist unscheinbare Arbeit, die entscheidet, ob das System verlässlich oder wackelig wirkt.
Bekommen Sie inkonsistente Ergebnisse von einem Modell, das mehr könnte? Ziehen wir es gerade.
Ein Logistikunternehmen, das in 190 Länder versendet, hat etwas gebaut, um an sich selbst zu liefern.
Eine Marke in ein funktionierendes Geschäft verwandeln.
Eine halbe Million Menschen. Eine App. Null Chaos.















