Prompt ist nicht gleich Prompt
KI-Prompting-Typologie
1. Zero-Shot Prompting
Beschreibung: Zero-Shot Prompting bedeutet, dass die KI mit einer Aufgabe konfrontiert wird, für die sie keine expliziten Beispiele gesehen hat. Das Modell muss sein allgemeines Wissen und seine Sprachverständnisfähigkeiten einsetzen, um die Aufgabe zu bewältigen. Diese Technik ist besonders nützlich, um die generelle Fähigkeit des Modells zu testen, Aufgaben ohne spezifische Schulung zu bewältigen.
Anwendungsfälle:
- Wissensabfragen: Fragen zu allgemeinen Wissensgebieten, bei denen das Modell nicht speziell trainiert wurde.
- Neue Aufgaben: Probleme oder Aufgaben, die noch nie zuvor an das Modell gestellt wurden.
Beispiel:
- Prompt: „Erkläre die Bedeutung des Begriffs ‚Antifragilität‘ in der Ökonomie.“
- Erwartete Antwort: Die KI gibt eine Erklärung ab, basierend auf ihrem trainierten Verständnis von verwandten Begriffen und Konzepten, ohne spezifisch auf ‚Antifragilität‘ trainiert worden zu sein.
2. Few-Shot Prompting
Beschreibung: Bei Few-Shot Prompting erhält das Modell ein paar Beispiele (typischerweise 2 bis 5), bevor es mit einer neuen, aber ähnlichen Aufgabe betraut wird. Dies hilft der KI, die Art der Aufgabe und das gewünschte Antwortformat zu verstehen.
Anwendungsfälle:
- Textklassifikation: Sortieren von Texten in vorgegebene Kategorien, basierend auf Beispielen.
- Mustererkennung: Erkennen von Mustern in Texten, z. B. Stil oder Ton eines Textes.
Beispiel:
- Prompt: „Text: ‚Der Himmel ist klar und blau.‘ Kategorie: Wetter. Text: ‚Die Börse stieg um 5%.‘ Kategorie: Finanzen. Text: ‚Das Budget wird gekürzt.‘ Kategorie: „
- Erwartete Antwort: „Wirtschaft“, wobei das Modell die vorherigen Beispiele nutzt, um die Kategorie für den neuen Text zu bestimmen.
3. Chain-of-Thought (CoT) Prompting
Beschreibung: Chain-of-Thought Prompting fordert die KI dazu auf, ihren Gedankengang explizit zu machen. Statt einer direkten Antwort soll die KI die Schritte, die sie zur Lösung führen, detailliert aufschreiben. Dies hilft, komplexe Aufgaben besser zu bewältigen, indem die KI systematisch und nachvollziehbar denkt.
Anwendungsfälle:
- Mathematische Problemlösung: Schrittweise Herleitung einer mathematischen Lösung.
- Logische Argumentation: Darstellung eines logischen Argumentationsweges.
Beispiel:
- Prompt: „Warum friert Wasser bei 0 Grad Celsius? Erkläre schrittweise.“
- Erwartete Antwort: „1. Bei Abkühlung verringert sich die kinetische Energie der Wassermoleküle. 2. Bei 0 Grad Celsius haben die Moleküle nicht mehr genügend Energie, um ihre festen Bindungen zu brechen. 3. Wasser gefriert und wird zu Eis.“
4. Self-Consistency
Beschreibung: Self-Consistency erzeugt mehrere mögliche Antworten und wählt diejenige aus, die am häufigsten vorkommt. Dies erhöht die Wahrscheinlichkeit, dass die Antwort korrekt ist, indem konsistentere Überlegungen bevorzugt werden.
Anwendungsfälle:
- Mehrdeutige Fragen: Fragen, die mehrere richtige Antworten haben könnten, aber eine bevorzugte oder konsistentere Antwort benötigen.
- Komplexe Entscheidungsfindung: Wenn ein Problem mehrere Lösungswege hat.
Beispiel:
- Prompt: „Was ist die Hauptstadt von Brasilien?“
- Erwartete Antwort: Das Modell generiert mehrere Antworten (z. B. „Brasilia“, „Rio de Janeiro“) und wählt die konsistenteste (Brasilia).
5. Automatic Chain-of-Thought (Auto-CoT)
Beschreibung: Auto-CoT automatisiert den Prozess der Kettenüberlegung, indem das Modell trainiert wird, bei jeder Aufgabe automatisch eine gedankliche Kette zu bilden. Dies erhöht die Fähigkeit des Modells, komplexe Probleme ohne explizite Anweisung zu lösen.
Anwendungsfälle:
- Algorithmische Problemlösung: Automatisiertes Lösen von Problemen, die mehrere Schritte erfordern.
- Komplexe Berechnungen: Einsatz bei mathematischen oder logischen Aufgaben, bei denen mehrere Schritte erforderlich sind.
Beispiel:
- Prompt: „Löse die Gleichung 3x + 5 = 14.“
- Erwartete Antwort: „Schritt 1: Subtrahiere 5 von beiden Seiten: 3x = 9. Schritt 2: Teile durch 3: x = 3.“
6. Program-of-Thoughts (PoT)
Beschreibung: Program-of-Thoughts kombiniert Chain-of-Thought mit programmatischen Ansätzen. Es werden programmartige Schritte genutzt, um das Problem zu lösen, was insbesondere bei technischen oder mathematischen Aufgaben hilfreich ist.
Anwendungsfälle:
- Technische Berechnungen: Anwenden von Algorithmen und formalen Schritten zur Problemlösung.
- Programmierung: Schreiben von einfachem Code zur Lösung einer Aufgabe.
Beispiel:
- Prompt: „Berechne die Fläche eines Rechtecks mit einer Länge von 5 und einer Breite von 4.“
- Erwartete Antwort: „Schritt 1: Verwende die Formel A = Länge * Breite. Schritt 2: Setze die Werte ein: A = 5 * 4. Schritt 3: Berechne: A = 20.“
7. Least-to-Most Prompting
Beschreibung: Least-to-Most Prompting stellt der KI zuerst einfache Aufgaben, um ihre Grundfähigkeiten zu testen, und steigert allmählich die Komplexität der Aufgaben. Dies ermöglicht es dem Modell, mit zunehmender Schwierigkeit besser zu werden.
Anwendungsfälle:
- Schrittweises Lernen: Aufbau von Wissen und Fähigkeiten durch zunehmende Herausforderung.
- Kumulative Problemlösung: Lösung von Problemen, bei denen frühere Teillösungen zu schwierigeren Aufgaben führen.
Beispiel:
- Prompt: „Löse zuerst 2 + 2. Dann löse 5 * 6. Schließlich löse (2 + 3) * 7.“
- Erwartete Antwort: „4, 30, 35.“
8. Chain-of-Symbol (CoS)
Beschreibung: Chain-of-Symbol integriert symbolisches Denken und logische Verknüpfungen in die Problemlösung. Es werden Symbole und Formeln verwendet, um die Lösung systematisch und formal zu gestalten.
Anwendungsfälle:
- Mathematische Beweise: Erklären und Beweisen von mathematischen Ausdrücken.
- Formale Logik: Nutzung von logischen Operatoren und Symbolen zur Lösung von Problemen.
Beispiel:
- Prompt: „Vereinfachen Sie den Ausdruck 3(x + 2) – 5.“
- Erwartete Antwort: „Schritt 1: Verteile die 3: 3x + 6 – 5. Schritt 2: Vereinfache: 3x + 1.“
9. Structured Chain-of-Thought (SCoT)
Beschreibung: Structured Chain-of-Thought erweitert die CoT-Technik, indem es die Überlegungen des Modells in einer klar strukturierten Weise organisiert. Dies hilft insbesondere bei der Bewältigung von Aufgaben, die einen systematischen und geordneten Ansatz erfordern.
Anwendungsfälle:
- Wissenschaftliche Analyse: Strukturierte Herangehensweise an wissenschaftliche Fragen oder Hypothesen.
- Projektplanung: Systematische Planung und Organisation von Projekten oder Aufgaben.
Beispiel:
- Prompt: „Plane und beschreibe die Schritte für ein wissenschaftliches Experiment zur Untersuchung der Wirkung von Licht auf Pflanzenwachstum.“
- Erwartete Antwort: „1. Hypothese formulieren: Pflanzen wachsen besser bei mehr Licht. 2. Kontrollgruppe und Testgruppe definieren. 3. Daten sammeln und analysieren.“
10. Plan-and-Solve (PS)
Beschreibung: Plan-and-Solve zwingt die KI, zuerst einen Plan zur Problemlösung zu erstellen und diesen Plan dann schrittweise umzusetzen. Dies führt zu einem systematischen und strukturierten Lösungsprozess.
Anwendungsfälle:
- Strategische Planung: Entwicklung von Strategien zur Problemlösung.
- Komplexe Problemlösung: Anwendung bei Aufgaben, die eine klare Planung und strukturierte Umsetzung erfordern.
Beispiel:
- Prompt: „Entwickle einen Plan, um ein Auto zu reparieren, das nicht anspringt.“
- Erwartete Antwort: „Schritt 1: Überprüfe die Batterie. Schritt 2: Überprüfe den Zündschlüssel. Schritt 3: Überprüfe den Motor.“
11. MathPrompter
Beschreibung: MathPrompter ist speziell darauf ausgelegt, mathematische Probleme zu lösen, indem es
die KI anweist, jeden mathematischen Schritt explizit durchzuführen und zu erklären. Dies hilft bei der Reduzierung von Fehlern in mathematischen Berechnungen.
Anwendungsfälle:
- Mathematikunterricht: Unterstützung bei der Erklärung komplexer mathematischer Probleme.
- Prüfungsvorbereitung: Klare und nachvollziehbare Schritte bei mathematischen Aufgaben.
Beispiel:
- Prompt: „Berechne die Ableitung der Funktion f(x) = 3x^2 + 2x.“
- Erwartete Antwort: „Schritt 1: Verwende die Regel d/dx [x^n] = nx^(n-1). Schritt 2: f'(x) = 6x + 2.“
12. Contrastive Chain-of-Thought / Contrastive Self-Consistency
Beschreibung: Diese Technik verwendet kontrastierende Überlegungen oder Antworten, um die Konsistenz und Genauigkeit der finalen Antwort zu überprüfen. Dabei werden verschiedene Ansätze oder Perspektiven verglichen, um die bestmögliche Antwort zu finden.
Anwendungsfälle:
- Vergleichsanalyse: Untersuchung und Vergleich unterschiedlicher Lösungsansätze.
- Debattenvorbereitung: Vorbereitung auf argumentative Auseinandersetzungen durch Vergleich und Kontrast von Argumenten.
Beispiel:
- Prompt: „Sollte Kernenergie gefördert oder abgelehnt werden? Erörtere beide Seiten.“
- Erwartete Antwort: „Pro: Effiziente Energiequelle, geringe CO2-Emissionen. Contra: Hohe Risiken, Entsorgungsprobleme. Konsistenz: Die Risiken überwiegen die Vorteile, daher sollte sie abgelehnt werden.“
13. Synthetic Prompting
Beschreibung: Synthetic Prompting kombiniert mehrere Techniken oder Ansätze, um eine optimierte Antwort zu generieren. Hierbei werden verschiedene Modelle oder Methoden integriert, um die beste mögliche Antwort zu liefern.
Anwendungsfälle:
- Komplexe Fragestellungen: Einsatz bei Aufgaben, die verschiedene Lösungsansätze erfordern.
- Multidisziplinäre Analysen: Integrierte Antworten aus verschiedenen Wissensbereichen.
Beispiel:
- Prompt: „Analysiere die ökonomischen, sozialen und ökologischen Auswirkungen des Klimawandels.“
- Erwartete Antwort: Eine integrierte Analyse, die ökonomische, soziale und ökologische Faktoren berücksichtigt.
14. Tree-of-Thoughts (ToT)
Beschreibung: Tree-of-Thoughts (ToT) baut auf der Idee eines Entscheidungsbaumes auf. Die KI entwickelt verschiedene Gedankengänge und verzweigt diese, um mögliche Lösungswege zu erkunden und die besten Entscheidungen zu treffen.
Anwendungsfälle:
- Entscheidungsfindung: Unterstützung bei der Auswahl der besten Vorgehensweise unter mehreren Optionen.
- Problemstrukturierung: Aufspaltung komplexer Probleme in verschiedene Lösungsansätze.
Beispiel:
- Prompt: „Wie könnte man die Verkehrssituation in einer Großstadt verbessern?“
- Erwartete Antwort: Die KI generiert einen Entscheidungsbaum mit verschiedenen Ansätzen wie öffentlicher Verkehr, Fahrradinfrastruktur, Autoverkehrsreduktion, und wählt dann den besten Ansatz aus.
15. Logical Thoughts (LoT)
Beschreibung: Logical Thoughts (LoT) zwingt die KI, rein logisch und formal zu argumentieren, um eine Lösung zu finden. Dies schließt die Verwendung von logischen Schlüssen, Deduktion und formalen Argumenten ein.
Anwendungsfälle:
- Logische Deduktion: Lösung von Problemen durch logische Schlüsse und Argumentation.
- Mathematische Beweise: Erstellen und Verifizieren formaler mathematischer Beweise.
Beispiel:
- Prompt: „Wenn alle Menschen sterblich sind und Sokrates ein Mensch ist, ist Sokrates sterblich. Zeige dies formal.“
- Erwartete Antwort: „Prämisse 1: Alle Menschen sind sterblich. Prämisse 2: Sokrates ist ein Mensch. Schlussfolgerung: Sokrates ist sterblich.“
16. Maieutic Prompting
Beschreibung: Maieutic Prompting orientiert sich an der sokratischen Methode und ermutigt die KI, durch gezielte Fragen und Antworten eine tiefere Einsicht in das Problem zu gewinnen. Dies führt zu einer iterativen Verfeinerung der Antwort.
Anwendungsfälle:
- Philosophische Diskussionen: Erkundung komplexer philosophischer Fragen durch iterative Fragestellungen.
- Erziehung und Lehre: Anregen von tiefem Verständnis durch geführte Fragen und Antworten.
Beispiel:
- Prompt: „Was bedeutet Gerechtigkeit? Beginne mit einer allgemeinen Definition und verfeinere diese durch Fragen.“
- Erwartete Antwort: „Gerechtigkeit bedeutet, jedem das Seine zu geben. Frage: Was bedeutet ‚das Seine‘? Antwort: Was ihm rechtmäßig zusteht. Frage: Wer entscheidet, was rechtmäßig ist?“
17. Verify-and-Edit (VE)
Beschreibung: Verify-and-Edit zwingt die KI, ihre Antwort zu überprüfen und ggf. zu überarbeiten, bevor sie eine endgültige Antwort liefert. Dies reduziert Fehler und erhöht die Genauigkeit.
Anwendungsfälle:
- Qualitätssicherung: Überprüfung und Korrektur von Antworten, insbesondere in kritischen Kontexten.
- Texterstellung: Verbessern und Verfeinern von Texten durch Überprüfung und Editierung.
Beispiel:
- Prompt: „Schreibe einen Absatz über die Vorteile von Recycling und überprüfe ihn dann auf Genauigkeit.“
- Erwartete Antwort: Die KI schreibt einen Absatz und überprüft ihn anschließend auf Fehler oder Ungenauigkeiten, bevor sie die endgültige Version präsentiert.
18. Reason + Act (ReAct)
Beschreibung: ReAct kombiniert logisches Denken (Reason) mit Handlungsempfehlungen (Act). Die KI denkt systematisch über ein Problem nach und leitet dann konkrete Handlungsschritte ab.
Anwendungsfälle:
- Strategische Entscheidungen: Kombination von Analyse und Handlungsempfehlung in geschäftlichen oder politischen Kontexten.
- Problemlösung im Alltag: Praktische Problemlösungen, die logisches Denken und Handeln erfordern.
Beispiel:
- Prompt: „Wie gehe ich am besten vor, wenn mein Auto nicht startet?“
- Erwartete Antwort: „1. Denke: Überprüfe zuerst die Batterie. 2. Handlung: Lade die Batterie auf oder tausche sie aus.“
19. Active-Prompt
Beschreibung: Active-Prompt ermutigt die KI, proaktiv nach zusätzlichen Informationen oder Klärungen zu fragen, bevor sie eine Antwort gibt. Dies verbessert die Genauigkeit, insbesondere bei unklaren oder unvollständigen Prompts.
Anwendungsfälle:
- Ambivalente Fragen: Fragen, bei denen eine Klärung oder zusätzliche Information notwendig ist.
- Komplexe Probleme: Aufgaben, die zusätzliche Daten oder Kontext erfordern.
Beispiel:
- Prompt: „Was sind die Hauptursachen des Klimawandels?“
- Erwartete Antwort: Die KI könnte antworten: „Möchten Sie spezifisch über natürliche oder anthropogene Ursachen sprechen?“
20. Thread-of-Thought (ThoT)
Beschreibung: Thread-of-Thought verknüpft verschiedene Gedankengänge, um eine kohärente und tiefgehende Antwort zu generieren. Diese Technik ist nützlich, um komplexe oder lange Erklärungen zu strukturieren.
Anwendungsfälle:
- Komplexe Diskussionen: Erklärungen oder Analysen, die mehrere verbundene Gedankengänge erfordern.
- Aufsätze und längere Texte: Strukturierte Erstellung von längeren, kohärenten Texten.
Beispiel:
- Prompt: „Erkläre die Entwicklung der modernen Demokratie.“
- Erwartete Antwort: Eine detaillierte, zusammenhängende Darstellung, die die historischen, politischen und sozialen Aspekte der Entwicklung der Demokratie berücksichtigt.
21. Implicit Retrieval Augmented Generation (Implicit RAG)
Beschreibung: Implicit RAG lässt die KI automatisch relevante Informationen aus einer internen Datenbank abrufen, um qualitativ bessere Antworten zu generieren. Diese Technik nutzt implizite Verknüpfungen und Abrufe, um tieferes Wissen anzuwenden.
Anwendungsfälle:
- Fachliche Fragen: Beantwortung komplexer Fragen, die spezifisches Wissen aus verschiedenen Quellen erfordern.
- Wissensgenerierung: Generierung von Antworten, die auf detaillierten Hintergrundinformationen basieren.
Beispiel:
- Prompt: „Erkläre die Grundlagen der Quantenmechanik.“
- Erwartete Antwort: Eine tiefgehende Erklärung, die auf dem abgerufenen Wissen über Wellenfunktionen, Quantenverschränkung und Heisenbergsche Unschärferelation basiert.
22. System 2 Attention (S2A)
Beschreibung: System 2 Attention zwingt die KI, bewusster und analytischer an Aufgaben heranzugehen, ähnlich wie das menschliche „System 2“ Denken. Dies erfordert langsameres, methodisches und gründliches Denken.
Anwendungsfälle:
- Kritische Analysen: Aufgaben, die eine genaue und tiefe Analyse erfordern.
- Fehlervermeidung: Situationen, in denen schnelle, aber oberflächliche Antworten vermieden werden sollen.
Beispiel:
- Prompt: „Analysiere die Auswirkungen der Zinserhöhung auf die Wirtschaft.“
- Erwartete Antwort: Eine sorgfältige Analyse, die verschiedene Aspekte der Wirtschaft berücksichtigt, z. B. Verbraucherverhalten, Investitionen und Inflation.
23. Multimodal-CoT (MM-CoT)
Beschreibung: Multimodal-CoT integriert verschiedene Arten von Daten (z.B. Text, Bild, Audio) in den Denkprozess der KI. Diese Technik nutzt die unterschiedlichen Modalitäten, um eine umfassendere und genauere Antwort zu generieren.
Anwendungsfälle:
- Interdisziplinäre Forschung: Integration von Daten aus verschiedenen Disziplinen, um eine umfassende Analyse zu ermöglichen.
- Visuelle und textbasierte Problemlösung: Nutzung von Bildern und Texten, um komplexe Probleme zu lösen.
Beispiel:
- Prompt: „Analysiere dieses Diagramm und erkläre seine Bedeutung in Bezug auf die demografische Entwicklung.“
- Erwartete Antwort: Eine detaillierte Analyse, die die visuellen Daten des Diagramms mit textbasiertem Wissen verknüpft, um die demografischen Trends zu erklären.
Diese detaillierten Beschreibungen und Beispiele bieten eine umfassende Anleitung zur Anwendung der verschiedenen KI-Prompting-Techniken, um optimale Ergebnisse bei unterschiedlichen Aufgaben zu erzielen.
