Generative-AI-Engineering
Lernen Sie, wie Rollen, Anweisungen, Kontext, Beispiele, Ausgabeschemata, mehrstufige Workflows und fortgeschrittene Reasoning-Muster zuverlässige AI-Antworten prägen.
18 Begriffe
Struktur
Role
Eine Beschreibung der Perspektive oder Aufgabe, die das Modell einnehmen soll.
Verwenden Sie es, um relevante Expertise, Zielgruppe und Ton festzulegen.
Fungieren Sie als koreanischer technischer Redakteur für Anfängerentwickler.Struktur
Instruction
Eine direkte Aussage über die Aufgabe, die das Modell ausführen soll.
Verwenden Sie ein explizites Verb und ein klares Ergebnis, um Mehrdeutigkeiten zu reduzieren.
Fassen Sie den Bericht in fünf Entscheidungspunkten zusammen.Struktur
Context
Hintergrundinformationen, die das Modell benötigt, um die Aufgabe korrekt zu interpretieren.
Geben Sie das Publikum, die Ziele, die Einschränkungen, das Ausgangsmaterial und die Definitionen an, die die Antwort beeinflussen.
Kontext: Die Leser sind erstmalige Benutzer und die Funktion wird nächste Woche veröffentlicht.Struktur
Constraint
Eine Beschränkung für Inhalte, Länge, Stil, Tools oder zulässige Aktionen.
Verwenden Sie es, um Akzeptanzkriterien sichtbar und testbar zu machen.
Verwenden Sie nur die angegebene Richtlinie, halten Sie sich an maximal 150 Wörter und leiten Sie keine fehlenden Daten ab.Struktur
Delimiter
Ein Marker, der Anweisungen, Beispiele und Quelldaten trennt.
Verwenden Sie XML-ähnliche Tags, Überschriften oder abgegrenzte Blöcke, wenn der Prompt mehrere Abschnitte enthält.
Summarize only the text inside <source>...</source>.Beispiele
Zero-shot prompting
Fordert eine Aufgabe an, ohne ein Beispiel zu geben.
Beginnen Sie hier mit häufigen Aufgaben, die das Modell bereits gut versteht.
Klassifizieren Sie jede Bewertung als positiv, neutral oder negativ.Beispiele
Few-shot prompting
Bereitstellung einer kleinen Anzahl von Eingabe-Ausgabe-Beispielen vor der eigentlichen Aufgabe.
Verwenden Sie es, um eine bestimmte Richtlinie für Kennzeichnungen, einen Ton, einen Sonderfall oder ein Ausgabemuster zu vermitteln.
Eingabe: Die Lieferung war schnell. Ausgabe: Logistik-positiv. Jetzt klassifizieren: Der Karton ist beschädigt angekommen.Wiederverwendung
Prompt template
Ein wiederverwendbarer Prompt mit Platzhaltern, die zur Laufzeit durch Variablen gefüllt werden.
Verwenden Sie es für wiederholte Arbeitsabläufe, die konsistente Anweisungen erfordern.
Summarize {{document}} for {{audience}} using {{format}}.Ausgabe
Structured output
Eine Antwort, die eine vorhersehbare, maschinenlesbare Form hat.
Verwenden Sie es, wenn ein anderes Programm das Ergebnis parsen oder validieren soll.
Gibt ein Objekt mit den folgenden Attributen zurück: title, summary, risk_level und source_ids.Ausgabe
JSON Schema
Eine formale Beschreibung der zulässigen JSON-Felder, -typen und -erforderlichen Werte.
Verwenden Sie unterstützte Schema-Constraints, um Parsing-Fehler in automatisierten Workflows zu reduzieren.
Erfordert den status als Enumeration und das Datum due_date als ein nullable ISO-Datum.Arbeitsablauf
Task decomposition
Aufteilen einer komplexen Anfrage in kleinere, überprüfbare Teilaufgaben.
Verwenden Sie es, wenn Forschung, Transformation, Überprüfung und endgültige Synthese unterschiedliche Schritte erfordern.
Zuerst die Anforderungen ermitteln, dann Konflikte identifizieren, dann eine Antwort entwerfen und überprüfen.Arbeitsablauf
Prompt chaining
Übergabe der Ausgabe eines Modellschritts an einen späteren Modellschritt.
Verwenden Sie es, wenn Zwischenergebnisse inspiziert, transformiert oder genehmigt werden sollen.
Fehler können sich über mehrere Schritte ausbreiten, daher sollten wichtige Zwischenergebnisse validiert werden.
Extract claims -> retrieve evidence -> verify each claim -> write the final brief.Erweiterte Denkweisen
Step-back prompting
Beginnen Sie mit einem allgemeineren Prinzip, einer Definition oder einem Entscheidungsrahmen, bevor Sie eine bestimmte Frage beantworten.
Verwenden Sie es, wenn der spezifische Fall leicht missverstanden werden kann, wenn nicht zuerst die zugrunde liegenden Konzepte oder Einschränkungen identifiziert werden.
Der breitere Schritt kann dennoch falsch oder irrelevant sein, daher überprüfen Sie ihn anhand von zuverlässigen Quellen.
Zuerst die Richtlinienprinzipien ermitteln, die die Rückerstattungsberechtigung regeln. Dann diese auf diesen Fall anwenden und die entsprechenden Klauseln angeben.Erweiterte Denkweisen
Least-to-most prompting
Lösen Sie zunächst einfachere abhängige Teilprobleme und verwenden Sie deren verifizierte Ergebnisse, um die schwierigere Gesamtaufgabe zu lösen.
Verwenden Sie es, wenn spätere Schlussfolgerungen von mehreren Voraussetzungen, Fakten oder Entscheidungen abhängen.
Ein früher Fehler kann sich auf spätere Schritte auswirken; validieren Sie die Voraussetzungen, bevor Sie die Ergebnisse erneut verwenden.
1. Die Vertragsdaten extrahieren. 2. Die Kündigungsfristen berechnen. 3. Die Fristen mit der Kündigungsklausel vergleichen. 4. Das Ergebnis mit Beweisen dokumentieren.Erweiterte Denkweisen
Self-consistency
Generierung mehrerer, unabhängig voneinander erstellter Kandidatenlösungen und Auswahl einer Antwort, die durch Übereinstimmung oder eine separate Überprüfungsregel unterstützt wird.
Verwenden Sie es selektiv für schwierige Aufgaben, bei denen mehrere gültige Lösungspfade verglichen werden können und die zusätzlichen Kosten gerechtfertigt sind.
Eine Übereinstimmung beweist nicht die Korrektheit, korrelierte Fehler können übereinstimmen, und mehrere Stichproben erhöhen die Latenz und die Kosten.
Generieren Sie fünf unabhängige Gesamtergebnisse, vergleichen Sie die Endergebnisse und akzeptieren Sie nur eines, wenn die Quellzeilen und die deterministische Berechnung dies bestätigen.Erweiterte Denkweisen
Critique-and-revise
Erstellung eines Entwurfs, Bewertung anhand expliziter Kriterien und Beweise sowie Überarbeitung der identifizierten Schwächen.
Verwenden Sie es, wenn die Ausgabe eine überprüfbare Richtlinie hat, z. B. Vollständigkeit, Quellenangaben, Formatierung, Ton oder Richtlinienkonformität.
Ein Modell kann seine eigenen Fehler übersehen; Ergebnisse mit hoher Auswirkung erfordern dennoch unabhängige Prüfungen oder eine menschliche Überprüfung.
Entwerfen Sie die Antwort. Bewerten Sie sie anhand der erforderlichen Fakten, Zitate, verbotenen Aussagen und der Länge. Überarbeiten Sie nur die fehlerhaften Elemente und geben Sie dann die endgültige Antwort zurück.Erweiterte Denkweisen
Plan-and-execute
Trennung der Aufgabenplanung von der Ausführung, sodass Abhängigkeiten, Tools, Checkpoints und Abschlusskriterien definiert werden, bevor die Arbeit beginnt.
Verwenden Sie es für mehrstufige Aufgaben, bei denen die Reihenfolge, die Berechtigungen, die Ressourcenbeschränkungen oder die Zwischenvalidierung wichtig sind.
Behandeln Sie den Plan als überarbeitbar; setzen Sie die Arbeit nicht blind fort, wenn neue Erkenntnisse ihn ungültig machen.
Geben Sie einen prägnanten Aktionsplan mit Abhängigkeiten und Genehmigungspunkten zurück. Führen Sie jeden genehmigten Schritt aus, erfassen Sie Beweise und planen Sie neu, wenn eine Annahme fehlschlägt.Erweiterte Denkweisen
Verifier pattern
Verwendung eines eindeutigen Verifizierungsschritts, um eine Kandidatenantwort anhand von Regeln, Beweisen, Schemata oder deterministischen Tools zu überprüfen, bevor sie akzeptiert wird.
Verwenden Sie es, wenn wichtige Behauptungen, Berechnungen, Zitate, strukturierte Ausgaben oder Tool-Argumente unabhängig überprüft werden können.
Ein Verifier, der feststellt, dass der gleiche fehlende Beweis oder die gleichen fehlerhaften Annahmen den Fehler des Generators wiederholen können.
Generator: Erstellt die Rechnungszusammenfassung mit den Quell-Zeilen-IDs. Verifizierer: Berechnet die Gesamtsummen neu, validiert das Schema und lehnt nicht unterstützte Aussagen ab.Wählen Sie ein Muster nur dann aus, wenn die Aufgabenstruktur und die Evaluationsnachweise zusätzliche Schritte, Tokens, Latenz und Komplexität rechtfertigen.
| Bedarf | Muster, das berücksichtigt werden soll |
|---|---|
| Identifizieren Sie die grundlegenden Prinzipien, bevor Sie diese auf einen Fall anwenden. | Schrittweise Aufforderung |
| Lösen Sie abhängige Teilprobleme in Abhängigkeitsreihenfolge. | Prompting von einfach nach komplex |
| Vergleichen Sie mehrere Kandidatenlösungen, wenn zusätzliche Stichproben gerechtfertigt sind. | Selbstkonsistenz plus unabhängige Verifizierung |
| Verbessern Sie einen Entwurf anhand expliziter Bewertungskriterien. | Kritik und Überarbeitung |
| Koordinierung von Abhängigkeiten, Tools und Genehmigungspunkten. | Planen und Ausführen |
| Verwerfen Sie ungültige Behauptungen, ungültige Schemata oder falsche Berechnungen. | Verifier-Muster |
Nein. Bevorzugen Sie eine prägnante Antwort, überprüfbare Zwischenergebnisse, zitierte Beweise, Annahmen, Berechnungen und Validierungsergebnisse. Einige Reasoning-Modelle führen internes Denken automatisch durch, und eine lange, sichtbare Begründung ist kein Beweis dafür, dass die Antwort korrekt ist.
Nein. Ihre Wirkung variiert je nach Modell, Aufgabe, Prompt, Sampling und Bewertungsmethode. Sie können auch Latenz, Token-Kosten, korrelierte Fehler und Fehlerfortpflanzung verursachen. Vergleichen Sie sie mit einer einfachen Baseline auf repräsentativen Fällen.
Kritik und Überarbeitung verbessert einen Entwurf durch Überprüfung und Bearbeitung. Ein Verifizierer fungiert als Akzeptanzfilter, der einen Kandidaten anhand von Beweisen, Regeln, Schemata oder deterministischen Tools überprüft und ihn ablehnen kann, ohne ihn zu überarbeiten.
Offizielle Richtlinien zu strukturierten Prompts, Reasoning, Planung, Validierung, agentischen Workflows und modellspezifischem Denkverhalten.
Primäre Forschung, die Selbstkonsistenz als Auswahl verschiedener Denkpfade einführt und die konsistenteste Antwort auswählt.
Erweitern Sie eine Eingabeaufforderung in einen kontrollierten Kontext, der Beweise, Historie, Status und wiederverwendbare Materialien enthält.
Entwerfen Sie Anfragen, die Text mit Bildern, Dokumenten, Audio oder Video kombinieren.
Vergleichen Sie verschiedene Prompt-Varianten mit wiederholbaren Fällen, Metriken und Regressionsprüfungen.
Version, Genehmigung, Bereitstellung, Beobachtung, Rückruf und Ausmusterung von Produktions-Prompts.
Wenden Sie Query-Rewriting, evidenzbasierte Antworten, Abstinenz, Zitate, Synthese und die Behandlung von Quellenkonflikten an.