Hören Sie auf, Eingabeaufforderungen erneut einzugeben: Vorlagen, Personas und wenige Beispiele

Jeder, der regelmäßig ein Sprachmodell verwendet, hat das gleiche archäologische Problem: Irgendwo in einem Chatverlauf befindet sich die Eingabeaufforderung, die vor drei Wochen genau die Ausgabe erzeugt hat, die Sie wollten, und Sie können sie nicht finden. Sie geben also einen Näherungswert erneut ein, erhalten etwas Ähnliches und passen es an – jedes Mal für die gleiche wiederkehrende Aufgabe. Das Update ist kein besserer Speicher. Dabei wird eine Eingabeaufforderung behandelt, die wie ein Artefakt funktioniert, das Sie behalten.

Trennen Sie, was sich ändert, von dem, was sich nicht ändert

Schauen Sie sich eine Eingabeaufforderung an, die Sie wöchentlich ausführen, und Sie werden zwei Teile finden. Es gibt einen stabilen Teil – die Rolle, die Einschränkungen, das Ausgabeformat, die Dinge, die Sie vermeiden möchten – und einen variablen Teil, der normalerweise aus einem Dokument und zwei oder drei Details besteht. Der Grund für die Abweichung liegt darin, den stabilen Teil jedes Mal neu einzugeben: Jede Neueingabe ist etwas anders, und Sie wissen nie, ob sich die Ausgabe geändert hat, weil sich Ihre Eingabe geändert hat oder weil Sie eine Anweisung unbeabsichtigt umformuliert haben.

Schreiben Sie es stattdessen einmal mit Platzhaltern. Der prompter Templater nimmt eine Vorlage mit {{placeholder}} Markierungen und eine Liste von key = value Paare und füllt sie aus. Speichern Sie die Vorlage, geben Sie die Werte ein und fügen Sie das Ergebnis ein. Der stabile Teil ist jetzt bei jedem Lauf byteidentisch, was Ihre Ausgabeunterschiede sinnvoll macht – und als Nebeneffekt dafür sorgt, dass das Prompt-Caching des Anbieters funktioniert, da das Caching von einem unveränderten Präfix abhängt.

Einige Platzhalter sind es wert, auch dann vorhanden zu sein, wenn Sie denken, dass Sie sie nicht brauchen: das Publikum, die Ausgabelänge, das Format und der Ton. Das sind genau die Parameter, die Sie am Ende in einer Folgenachricht korrigieren, und eine Folgenachricht kostet einen kompletten zusätzlichen Hin- und Rückweg des gesamten Gesprächs.

Der Persona-Block

Der stabile Teil beginnt normalerweise mit einer Beschreibung, wer das Modell sein soll. Beiläufig geschrieben, endet dies in drei vagen Sätzen, die weniger bewirken, als die Leute annehmen. Da er bewusst geschrieben ist, ist er der Teil der Eingabeaufforderung mit dem größten Nutzen, da er Standardwerte für alles festlegt, was Sie später nicht angeben.

Was tatsächlich hilft: eine bestimmte Rolle anstelle einer schmeichelhaften Rolle („ein technischer Redakteur, der 30 % jedes Entwurfs schneidet“ schlägt „einen Weltklasse-Schreibexperten“), das Publikum und sein Niveau, ein explizites Ausgabeformat und – am meisten unterschätzt – eine kurze Liste von Dingen, die man nicht tun sollte. Negative Einschränkungen sind unrühmlich und funktionieren: „Keine Einleitung, keine Zusammenfassung am Ende, keine Aufzählungslisten mit mehr als fünf Elementen“ beseitigt die drei häufigsten Ärgernisse in einer Zeile.

Der KI-Persona-Eingabeaufforderungsgenerator setzt diesen Block aus wenigen Feldern zusammen, sodass das Ergebnis jedes Mal die gleiche Struktur hat und nicht davon abhängt, woran Sie gerade gedacht haben. Behalten Sie den zusammengestellten Block in Ihren Notizen und verwenden Sie ihn als Kopfzeile jeder Vorlage, die eine gemeinsame Zielgruppe hat.

Beispiele schlagen Adjektive

Wenn es sich bei der Aufgabe um eine Transformation mit einem bestimmten Stil handelt – Support-Antworten neu schreiben, Felder extrahieren, Tickets klassifizieren, Notizen in ein Hausformat umwandeln –, bleiben die Anweisungen schnell stehen. Sie können drei Absätze über den gewünschten Ton schreiben und erhalten ein nahezu korrektes Ergebnis, das Sie nicht ganz in Worte fassen können. Zwei ausgearbeitete Beispiele beheben das Problem sofort, da das Modell die Zuordnung sehen kann, anstatt sie aus der Beschreibung abzuleiten.

Die Formatierung ist hier wichtiger als erwartet. Beispiele benötigen konsistente Trennzeichen, konsistente Beschriftungen und jedes Mal die gleiche Feldreihenfolge, sonst widmet das Modell seine Aufmerksamkeit der Ausarbeitung der Konvention statt des Inhalts. Der Wenig-Schuss-Prompt-Builder generiert eine leere Vorlage mit nummerierten Ein-/Ausgabeblöcken, sodass die Struktur festgelegt ist, bevor Sie mit dem Ausfüllen beginnen – was genau die Disziplin ist, die handgeschriebenen Beispielen im dritten fehlt.

Drei praktische Regeln. Verwenden Sie zwei bis fünf Beispiele; Darüber hinaus zahlen Sie Token für sinkende Erträge. Schließen Sie einen Randfall ein – ein leeres Feld, eine mehrdeutige Eingabe, etwas, das die Antwort „Ich weiß nicht“ hervorbringen sollte –, da Beispiele sowohl die Grenzen als auch die Mitte definieren. Und machen Sie die Beispiele real: Erfundene sind in der Regel aufgeräumter als Ihre tatsächlichen Daten, und das Modell lernt die Ordnung.

Wenn die Eingabe größer als das Fenster ist

Eine Vorlage übersteht den Kontakt mit einem langen Dokument nur, wenn das Dokument passt. Wenn dies nicht der Fall ist, ist Aufteilen die Antwort, und eine gute Aufteilung ist eine Frage der Blockgrenzen: Ein Block, der mitten im Satz endet, zwingt das Modell zum Raten, und ein Block, der mitten im Datensatz endet, erzeugt eine Teilextraktion, die mit Sicherheit als abgeschlossen gemeldet wird.

Der prompter Splitter Unterteilt den Text in aufeinanderfolgende Abschnitte mit einer von Ihnen festgelegten Zeichenbeschränkung, bricht ihn an sinnvollen Grenzen auf und nummeriert die Teile, sodass jeder einzelne mit dem gleichen angehängten Anweisungsblock ausgegeben werden kann. Zwei Dinge verbessern die Ergebnisse erheblich: Geben Sie die Gesamtsumme in der Anweisung jedes Blocks an („Teil 3 von 7, erst im letzten Teil zusammenfassen“) und halten Sie die Anweisung über alle Blöcke hinweg identisch, anstatt sie nach und nach zu bearbeiten.

Minen Sie Ihre eigene Geschichte

Die beste Quelle für Vorlagen sind die Eingabeaufforderungen, die Sie bereits geschrieben haben und die funktioniert haben. Aus einer Weboberfläche kopierte Chat-Transkripte sind ein Durcheinander – verschachtelte Rollen, UI-Artefakte, Zeitstempel, Kopierschaltflächen, die als vereinzelter Text dargestellt werden – und dieses Durcheinander ist der Grund, warum niemand sie noch einmal durchgeht.

Der KI-Chatprotokoll-Parser Bereinigt ein eingefügtes ChatGPT- oder Claude-Transkript in einen übersichtlichen Benutzer-/Assistentendialog, den Sie tatsächlich lesen und durchsuchen können. Führen Sie einmal pro Woche die Sitzungen durch, die zu etwas geführt haben, das Sie verwendet haben, ziehen Sie die Eingabeaufforderungen heraus, die funktioniert haben, und wandeln Sie sie in Vorlagen um. Das ist eine fünfzehnminütige Gewohnheit, die sich schneller entwickelt als jede Menge schneller technischer Ratschläge.

Behandeln Sie Eingabeaufforderungen wie Code

Drei Praktiken, zu denen Menschen irgendwann gelangen und die sie zu Beginn übernehmen sollten:

• Versionieren Sie sie. Bewahren Sie Eingabeaufforderungen in Dateien im Repository neben dem Code auf, der sie sendet. Eine Eingabeaufforderung auf einer Wiki-Seite ist eine Eingabeaufforderung, der niemand widersprechen kann.
• Behalten Sie feste Testeingaben bei. Drei oder vier repräsentative Dokumente, die Sie jedes Mal erneut ausführen, wenn Sie die Eingabeaufforderung oder das Modell ändern. Ohne sie ist „die neue Version scheint besser“ nicht zu fälschen – und jede Modellaktualisierung ist eine stille Verhaltensänderung.
• Notieren Sie, gegen welches Modell es geschrieben wurde. Eine Eingabeaufforderung, die auf die Besonderheiten eines Modells abgestimmt ist, kann sich beim nächsten anders verhalten, und wenn Sie wissen, wofür sie erstellt wurde, wissen Sie, wo Sie suchen müssen, wenn sich die Ausgabe verschiebt.

Nichts davon erfordert eine Plattform. Ein Ordner mit Textdateien, eine Vorlage mit Platzhaltern und die Angewohnheit, diejenigen zu speichern, die funktioniert haben, übertreffen einen unstrukturierten Chatverlauf auf unbestimmte Zeit. Jedes hier erwähnte Tool wird lokal in Ihrem Browser ausgeführt, sodass die von Ihnen organisierten Eingabeaufforderungen und Transkripte – die regelmäßig Kundenmaterial und interne Details enthalten – auf Ihrem Computer verbleiben.