Prompt Engineering — Entwurf von Anweisungen für große Sprachmodelle
Prompt Engineering ist die Praxis, strukturierte Anweisungen in natürlicher Sprache – Prompts – zu formulieren, um gezielte Ausgaben von großen Sprachmodellen (LLMs) zu erhalten. Formalisiert von Brown et al. (2020) im Kontext von GPT-3 und erweitert von Wei et al. (2022) mit Chain-of-Thought-Prompting, umfasst sie vier Hauptstrategien: Zero-Shot, Few-Shot, Chain-of-Thought und Tree-of-Thought. Anstatt ein Modell neu zu trainieren, gestaltet der Analyst das Verhalten des Modells ausschließlich durch das Design des Eingabetextes.
Die vollständige Methode lesen
Melden Sie sich mit einem kostenlosen Konto an, um diesen Abschnitt zu lesen.
Method map
The neighbourhood of related methods — select a node to explore.
Quellen
- Brown, T. et al. (2020). Language Models are Few-Shot Learners. Advances in Neural Information Processing Systems (NeurIPS), 33, 1877-1901. link ↗
- Wei, J. et al. (2022). Chain-of-Thought Prompting Elicits Reasoning in Large Language Models. Advances in Neural Information Processing Systems (NeurIPS), 35. link ↗
So zitieren Sie diese Seite
ScholarGate. (2026, June 1). Prompt Engineering (Instruction Design for Large Language Models). ScholarGate. https://scholargate.app/de/text-mining/prompt-engineering
Which method?
Set this method beside its closest kin and read them side by side — the library lays the books on the table; the choice is yours.
- Few-Shot Text ClassificationText Mining↔ compare
- GPT-FeinabstimmungDeep Learning↔ compare
- LoRA und PEFTDeep Learning↔ compare
- Natürliche SprachgenerierungText Mining↔ compare
- Retrieval-Augmented Generation (RAG)Text Mining↔ compare
- TextklassifizierungText Mining↔ compare
- Zero-Shot-Klassifikation – Textklassifikation ohne TrainingsdatenText Mining↔ compare
Einen Fehler auf dieser Seite entdeckt? Melden oder Korrektur vorschlagen →