Prompts und Methoden lassen sich in mehrere Kategorien einteilen. Grundsätzlich gibt es Systemprompts, die von den Entwicklern vorgegeben werden und das Grundverhalten der KI bestimmen, Benutzerprompts, die die direkten Eingaben der Nutzer sind, sowie Assistant-Prompts, die intern genutzt werden, um passende Antworten zu generieren. Methodisch wird zwischen Zero-Shot-, Few-Shot- und Many-Shot-Prompting unterschieden: Zero-Shot benötigt keinerlei Beispiele, Few-Shot liefert einige Beispiele zur Orientierung, und Many-Shot nutzt zahlreiche Beispiele, meist zu Trainingszwecken. Ergänzend gibt es Chain-of-Thought-Prompting, bei dem die KI schrittweise Denkprozesse durchläuft, um nachvollziehbare Ergebnisse zu liefern. Diese Methoden erlauben es, die Genauigkeit, Nachvollziehbarkeit und Passgenauigkeit von KI-Antworten je nach Anwendungsfall gezielt zu steuern.
Geschlossene Prompts
Geschlossene Prompts sind Anfragen, die eine eindeutige und präzise Antwort erfordern. Sie lassen keinen Interpretationsspielraum und eignen sich besonders für Faktenabfragen. Die Antworten sind klar überprüfbar, oft in Form von Ja/Nein, Zahlen oder kurzen Begriffen. Dadurch ähneln sie eher einer klassischen Suchanfrage, bieten aber den Vorteil, direkt in einem Dialogsystem verarbeitet zu werden.
Beispiel: „Wie viele Kantone hat die Schweiz?“
Offene Prompts
Offene Prompts fordern die KI zu kreativen, vielschichtigen oder interpretativen Antworten heraus. Sie haben keine eindeutige „richtige“ Lösung, sondern ermöglichen verschiedene Sichtweisen und neue Inhalte. Dadurch eignen sie sich besonders für Diskussionen, Analysen, Ideenfindung oder kreative Texte. Im Gegensatz zu geschlossenen Prompts liegt hier der Fokus auf Vielfalt und Tiefe der Antwort.
Beispiel: „Welche Auswirkungen hat künstliche Intelligenz auf die Zukunft der Arbeit?“
Reduktive Prompts
Reduktive Prompts dienen dazu, komplexe Informationen auf das Wesentliche zu verdichten. Sie helfen beim Zusammenfassen, Extrahieren oder Klassifizieren von Inhalten und unterstützen so Recherche, Präsentationen oder Berichte. Ziel ist es, große Datenmengen übersichtlich darzustellen und den Kern der Information herauszufiltern.
Beispiel: „Fasse den folgenden Text in fünf Stichpunkten zusammen.“
Transformative Prompts
Transformative Prompts werden eingesetzt, um Inhalte umzuwandeln, zu strukturieren oder neu zu formulieren. Sie ermöglichen Übersetzungen, Stiländerungen, Umformulierung für bestimmte Zielgruppen oder das Umwandeln von Texten in andere Formate wie Tabellen oder Listen. So lassen sich vorhandene Inhalte flexibel anpassen und für neue Zwecke nutzbar machen.
Beispiel: „Formuliere den folgenden Text so um, dass er für Grundschüler verständlich ist.“
Generative Prompts
Generative Prompts regen die KI dazu an, neue Inhalte zu erschaffen, die zuvor nicht existierten. Sie sind besonders nützlich für kreative Aufgaben wie das Verfassen von Texten, das Entwickeln von Ideen, das Erstellen von Plänen oder sogar das Generieren von Bildern und Präsentationen. Der Fokus liegt hier auf Originalität und der Erweiterung bestehender Gedanken.
Beispiel: „Erfinde eine kurze Geschichte über einen Roboter, der Freundschaft lernt.“
Zero-Shot-Prompt
Ein Zero-Shot-Prompt ist eine Anfrage, bei der die KI ohne Beispiele direkt eine Aufgabe lösen soll. Die Maschine greift dabei ausschließlich auf ihr trainiertes Wissen zurück. Diese Methode eignet sich besonders für einfache Fragen oder Aufgaben, bei denen keine zusätzlichen Hinweise nötig sind. Der Vorteil liegt in der schnellen Anwendung, der Nachteil in möglichen Ungenauigkeiten bei komplexeren Aufgaben.
Beispiel: „Übersetze den Satz ‚Guten Morgen‘ ins Italienische.“
Few-Shot-Prompt
Ein Few-Shot-Prompt liefert der KI einige Beispiele als Orientierung, bevor die eigentliche Aufgabe gestellt wird. Dadurch versteht das Modell besser, welche Struktur, welchen Stil oder welches Format erwartet wird. Diese Methode verbessert die Genauigkeit der Antworten und eignet sich gut für komplexere Aufgaben, bei denen reine Anweisungen nicht ausreichen.
Beispiel: „Formuliere Synonyme: ‚glücklich → fröhlich‘, ‚traurig → bedrückt‘. Jetzt: ‚schnell → ?‘“ → „rasch“
Many-Shot-Prompt
Beim Many-Shot-Prompt erhält die KI eine große Anzahl an Beispielen, bevor sie die eigentliche Aufgabe löst. Dadurch wird das Modell sehr genau auf den gewünschten Stil, die Struktur oder den Kontext eingestellt. Diese Methode eignet sich vor allem für komplexe Aufgaben, die konsistente Ergebnisse erfordern, etwa beim Erstellen von Texten nach klaren Mustern oder beim Trainieren auf spezielle Formate.
Beispiel: Nach zehn Beispiel-Slogans wie „Frisch. Regional. Für dich.“ oder „Qualität, die man schmeckt.“ folgt der Prompt: „Erstelle einen weiteren Slogan für eine Bio-Bäckerei.“ → „Natürlich gut. Jeden Tag.“
Chain-of-Thought-Prompting
Beim Chain-of-Thought-Prompting wird die KI angewiesen, ihre Gedankengänge Schritt für Schritt darzulegen, bevor sie zum Endergebnis kommt. Dadurch werden Antworten transparenter und nachvollziehbarer, was besonders bei komplexen Aufgaben, Problemlösungen oder logischen Schlussfolgerungen hilfreich ist. Diese Methode steigert sowohl Genauigkeit als auch Verständlichkeit.
Beispiel: „Erkläre Schritt für Schritt, wie man einen Aufsatz gliedert.“ → Einleitung → Hauptteil → Schluss.