Fünf Prompting-Gewohnheiten, die Anthropic und OpenAI beide in ihre eigene Dokumentation aufgenommen haben
Die beiden Labore schreiben für unterschiedliche Modelle und unterschiedliche Zielgruppen, und ihre veröffentlichten Leitlinien landen immer wieder bei denselben fünf Schritten. Keiner von ihnen ist ein Zauberwort. Bei allen fünf geht es darum, Mehrdeutigkeiten zu beseitigen.
Kurze Antwort
Was empfehlen Anthropic und OpenAI eigentlich für das Schreiben besserer Prompts?
Beide Labore geben dieselben Kernratschläge: Formulieren Sie die Anweisung als Befehl und nicht als Frage, geben Sie dem Modell ausdrücklich die Erlaubnis, zu sagen, dass es etwas nicht weiß, stellen Sie den Kontext vor die Frage, behalten Sie eine Aufgabe pro Prompt bei und sagen Sie dem Modell, wie proaktiv es sein soll. Der gemeinsame Nenner ist, dass jeder einzelne von ihnen Mehrdeutigkeiten beseitigt – keiner von ihnen ist eine Phrase, die Sie einfügen, um versteckte Qualität freizuschalten.
Das Wichtigste
- Neuere Modelle folgen Anweisungen wörtlich. Eine Frage liefert Ihnen eine Antwort zur Arbeit. Ein Befehl liefert Ihnen die Arbeit.
- Einem Modell zu sagen, dass es mit «Ich weiß nicht» antworten darf, reduziert nachweislich die sichere Erfindung – Anthropic dokumentiert dies als erste Abhilfemaßnahme.
- Kontext zuerst, Frage zuletzt. Beide Leitfäden stellen das Material über die Anfrage, nicht darunter.
- Eine Eingabeaufforderung, eine Aufgabe. Aufteilen ist keine Umgehung von Kontextgrenzen mehr; es ist eine eigene Qualitätstechnik.
- OpenAI exponiert Proaktivität als Einstellung (Argumentationsaufwand, agentische Eifer). Wenn Sie sie nicht einstellen, akzeptieren Sie einen Standardwert, der möglicherweise nicht zu Ihrer Aufgabe passt.
Die meisten Ratschläge zum Prompting, die online kursieren, sind Folklore: ein Satz, den jemand einmal eingefügt hat, eine gute Antwort erhielt und weitergab. Die beiden Labore, die die Modelle entwickeln, die die meisten Leute nutzen, veröffentlichen ihre eigenen Anleitungen, und die lesen sich ganz anders. Sie sind unglamourös, spezifisch und – geschrieben für verschiedene Modelle, verschiedene Jahre, verschiedene Zielgruppen – sie kommen immer wieder auf dieselben wenigen Handgriffe zurück.
Hier sind fünf, die in beiden vorkommen, mit der Begründung, warum sie funktionieren.
1. Formulieren Sie die Anweisung als Befehl, nicht als Frage
„Können Sie Änderungen an dieser Funktion vorschlagen?“ und „Ändern Sie diese Funktion so, dass sie eine leere Liste verarbeitet“ sind keine gleichwertigen Anfragen. Die erste fragt, ob Vorschläge möglich sind; ein wörtlicher Leser beantwortet diese Frage und hört auf. Die zweite fordert die Arbeit.
Die Anleitung von Anthropic besagt ausdrücklich, dass aktuelle Claude-Modelle Anweisungen wörtlich nehmen und das tun, was gefragt wird, und nicht mehr. Das OpenAI-Kochbuch macht denselben Punkt aus der anderen Richtung: Es behandelt Mehrdeutigkeit als Mangel und weist das Modell an, wenn eine Anfrage unklar ist, seine beste Vermutung zu äußern und fortzufahren, anstatt zu zögern.
Das Muster: Nennen Sie das Verb, nennen Sie das Objekt, nennen Sie die Grenze.
2. Geben Sie ausdrücklich die Erlaubnis, „Ich weiß es nicht“ zu sagen
Dies ist die billigste verfügbare Zuverlässigkeitsverbesserung, und fast niemand nutzt sie.
Ein Modell, das gezwungen wird, etwas Selbstbewusstes zu beantworten, über das es keine Informationen hat, wird manchmal die Lücke füllen. Die Dokumentation von Anthropic geht direkt darauf ein: Das Hinzufügen der ausdrücklichen Erlaubnis, Unsicherheit zuzugeben, verhindert dies. Ein Satz in Ihrem Prompt – wenn Sie nicht genügend Informationen haben, sagen Sie es, anstatt zu raten – ändert das Ergebnis, da Sie die implizite Anweisung entfernt haben, dass eine Antwort obligatorisch ist.
Es lohnt sich, dies zu jedem Prompt hinzuzufügen, bei dem eine falsche Antwort mehr kostet als keine Antwort: alles, was Zahlen, Zitate, rechtliche oder medizinische Details oder eine Behauptung betrifft, die Sie jemand anderem wiederholen möchten.
3. Stellen Sie den Kontext über die Frage, nicht darunter
Beide Anleitungen ordnen den Prompt auf dieselbe Weise an: Material zuerst, Anweisung zuletzt.
Der praktische Ansatz von Anthropic ist, dass lange Eingaben klar strukturiert sein sollten, wobei die kritischen Details am Anfang oder Ende und nicht in der Mitte vergraben sein sollten. Neuere Modelle verarbeiten lange Kontexte weitaus besser als die Generation, die die ursprüngliche Forschung zu „Lost in the Middle“ hervorbrachte, aber die Reihenfolge kostet nichts und hilft trotzdem – und sie erleichtert die Bearbeitung Ihres eigenen Prompts, da die Anfrage unten an einer Stelle bleibt, anstatt drei Absätze in einer Wand aus eingefügtem Text versteckt zu sein.
4. Ein Prompt, eine Aufgabe
Die Versuchung bei einem großen Kontextfenster ist, alles hineinzuladen und sechs Dinge auf einmal zu fragen. Beide Anleitungen widersprechen dem.
Die Version von Anthropic des Arguments ist die interessanteste, da sie den Grund von der alten Einschränkung explizit trennt: Das Aufteilen einer großen Aufgabe in kleinere Abschnitte lohnt sich nicht wegen Kontextbeschränkungen, sondern weil eine fokussierte Aufgabe mit klaren Grenzen eine höhere Qualität liefert als ein Prompt, der mehrere Ziele gleichzeitig verfolgt. Das macht das Aufteilen von einer Notlösung zu einer Technik – es bleibt nützlich, egal wie groß die Fenster werden.
Wenn Sie die Zusammenfassung, die Risikoliste und den E-Mail-Entwurf wünschen, sind das drei Prompts. Sie werden auch feststellen können, welcher schiefgelaufen ist.
5. Entscheiden Sie, wie proaktiv das Modell sein soll
Dies ist die Gewohnheit, über die die meisten Leute noch keine Entscheidung getroffen haben, weil sie unsichtbar ist, bis man danach sucht.
OpenAIs GPT-5-Anleitung widmet sich der Kalibrierung der „agentischen Eifer“ – wie weit das Modell von sich aus läuft, bevor es zurückmeldet – und stellt fest, dass die Reduzierung des Denkaufwands den Umfang dieses Verhaltens einschränkt und tangentiale Tool-Aufrufe und Latenz reduziert. Der Standard ist eine gründliche Kontextsammlung, die für eine offene Untersuchung richtig und für eine kleine, gut spezifizierte Bearbeitung falsch ist.
Entscheiden Sie also pro Aufgabe, welche Sie ausführen. Eine gut definierte Änderung erfordert eine enge Leine und eine niedrige Aufwandseinstellung. Eine vage Untersuchung erfordert das Gegenteil. Die Annahme des Standards bedeutet stillschweigend, dass die Hälfte Ihrer Aufgaben die falsche Haltung einnimmt.
Das Muster darunter
Lesen Sie die fünf zusammen und sie sind eine Anweisung mit fünf Hüten: Sagen Sie, was Sie wirklich wollen.
Befehl statt Frage beseitigt die Mehrdeutigkeit darüber, ob Sie die Arbeit erledigt haben möchten. Die Erlaubnis zur Ablehnung beseitigt die implizite Anforderung, etwas zu produzieren. Kontext zuerst beseitigt die Mehrdeutigkeit darüber, wofür das Material bestimmt ist. Eine Aufgabe beseitigt die Mehrdeutigkeit darüber, welches Ziel gewinnt. Die Einstellung des Eifers beseitigt die Mehrdeutigkeit darüber, wie weit man alleine gehen soll.
Deshalb konvergieren die Ratschläge über zwei Labore und mehrere Modellgenerationen hinweg. Die Modelle ändern sich ständig. Die Sache, die behoben wird – eine unter-spezifizierte Anfrage – nicht.
Überprüfen Sie das Datum. Beide Anbieter überarbeiten diese Dokumente, wenn Modelle ausgeliefert werden. Die Links unter Quellen sind die primären Versionen; wenn Sie dies Monate später lesen, lesen Sie diese anstelle von uns.
Häufige Fragen
- Verbessern höfliche Formulierungen, Trinkgeldangebote oder Drohungen die Ergebnisse?
- Nichts in der derzeit veröffentlichten Anleitung eines der beiden Labore empfiehlt sie. Beide Anleitungen basieren auf Spezifität, Struktur und expliziten Einschränkungen. Behandeln Sie eingefügte «magische Phrasen» als Folklore, bis ein Herstellersupportdokument sie unterstützt.
- Ist ein längerer Prompt ein besserer Prompt?
- Nein. Anthropic's Leitlinie ist, einfach anzufangen und Struktur erst hinzuzufügen, wenn ein Test zeigt, dass sie hilft. Länge, die keine Mehrdeutigkeit beseitigt, ist nur Kosten und Latenz.
- Gilt dies für die Chat-Apps oder nur für die APIs?
- Die ersten vier Gewohnheiten beziehen sich darauf, wie Sie schreiben, daher gelten sie überall. Die fünfte ist teilweise eine Einstellung – der Argumentationsaufwand wird in den APIs und in einigen App-Oberflächen offengelegt, prüfen Sie also, was Ihre Benutzeroberfläche tatsächlich bietet.
- Warum konvergieren die beiden Labore, wenn die Modelle unterschiedlich sind?
- Weil der Fehler, den sie beide beheben, derselbe ist: Das Modell rät, was Sie gemeint haben. Unterschiedliches Training, dieselbe unterbestimmte Anfrage.