Anatomie eines Prompts
Bevor wir etwas benennen, betrachte den ganzen Prompt als rohe Modelleingabe. Es ist eine einzige Sequenz, aber die Zeilen haben unterschiedliche Aufgaben:
đĄ Das ist die Token-Ansicht: ehrliche, wörtliche Modelleingabe. Der Tokenizer kennt keine Rollen wie Instruction, Task, Context, Format oder Examples.
Ein Prompt hat zwei Wahrheiten. Die Token-Ansicht ist das, was das Modell wörtlich bekommt: Token-IDs in Reihenfolge. Die Anatomy-Ansicht ist das, worauf du beim Schreiben achten solltest: Jeder Satzteil braucht eine Aufgabe. Wenn ein Satzteil keine Aufgabe hat, ist er FĂŒllmaterial. Wenn zwei Satzteile dieselbe Aufgabe haben, ist einer wahrscheinlich Rauschen.
Die fĂŒnf Rollen sind einfach:
| Rolle | Aufgabe | Ăndern, wenn⊠|
|---|---|---|
| Instruction | setzt das Verhalten fĂŒr die ganze Anfrage | das Modell die falsche Art Arbeit macht |
| Task | benennt die konkrete Operation | sich das Ziel geÀndert hat |
| Context | liefert das Material, auf dem gearbeitet wird | sich Fakten, Dokument, Ticket oder GesprÀch geÀndert haben |
| Format | bestimmt die Antwortform | ein Mensch oder Programm eine andere Ausgabeform braucht |
| Examples | zeigt GrenzfÀlle | das Modell Kategorien oder Stil verwechselt |
Diese Taxonomie ist ein Schreibwerkzeug, keine Sicherheitsmauer. Im September 2022 beschrieb Simon Willison Prompt-Injection-Angriffe gegen GPT-3, bei denen Text in einem Prompt mit der beabsichtigten Entwickler-Anweisung konkurrieren konnte. Die dauerhafte Lehre ist nicht: âTrennzeichen lösen es.â Trennzeichen bauen keine harte Grenze im Modell. Die Lehre ist grundlegender: Wenn du nicht sagen kannst, welcher Text Anweisung ist und welcher Text unvertrauenswĂŒrdiger Context ist, kannst du ĂŒber den Fehler nicht einmal sauber nachdenken.
Lies jetzt den Support-Prompt noch einmal. Instruction sagt: klassifizieren, nicht beantworten. Task sagt: ein Label auswÀhlen. Context ist das Ticket selbst. Format sagt JSON. Examples zeigen, wo zwei Labels anfangen und aufhören. Wenn du den Tickettext Ànderst, Ànderst du Context. Wenn du CSV statt JSON verlangst, Ànderst du Format. Wenn du einen Fall wie "Password reset loop" -> access ergÀnzt, Ànderst du Examples. Das Modell sieht einen Strom, aber du solltest ihn mit Skalpell bearbeiten.
Der schnellste Debugging-Schritt ist: Benenne die Rolle, bevor du Text Ă€nderst. âEs entschuldigt sich dauerndâ ist wahrscheinlich ein Instruction-Problem. âEs antwortet auf den falschen Kundenâ ist wahrscheinlich ein Context-Problem. âEs schreibt einen Absatz, obwohl mein Parser Felder brauchtâ ist ein Format-Problem. âEs verwechselt RĂŒckerstattung mit Kontozugangâ ruft nach Examples. So wird Prompting nicht zu Aberglauben: Jede Ănderung ist eine Hypothese darĂŒber, welche Rolle kaputt ist, und der nĂ€chste Beleg zeigt, ob sie geholfen hat. Genau das ĂŒbst du jetzt.
Ăbung: Rollen-OP
Schreibe den kompakten Support-Triage-Prompt. Der Checker liest deinen Prompt, nicht die Antwort des Modells: Er sucht die fĂŒnf Anatomy-Labels in Reihenfolge und prĂŒft das Prompt-Tokenbudget.
Schreibe einen kompakten Support-Triage-Prompt mit fĂŒnf beschrifteten Rollen, in dieser Reihenfolge: Instruction, Task, Context, Format, Examples. Der Checker liest deinen Prompt und hĂ€lt ihn unter 85 Prompt-Tokens.
Kein Modell verbunden â verbinde eines, um deinen Versuch auszufĂŒhren.
Teste dein VerstÀndnis
WofĂŒr ist die Anatomy-Ansicht da?