Meta-Prompting ist Prompting über Prompts: Statt ein Modell um eine Aufgabe zu bitten, lässt du es den Prompt für die Aufgabe schreiben, einen vorhandenen Prompt verbessern oder die Aufgabe in kleinere Prompts zerlegen, die weitere Modellaufrufe ausführen. Die ersten beiden sind Alltagskniffe, die in ChatGPT, Claude und Gemini funktionieren. Die dritte ist eine Technik aus der Forschung, bei der eine Modellinstanz als Dirigent für mehrere andere auftritt.
Alle drei beruhen auf derselben Tatsache: Aktuelle Modelle haben sehr viel Text darüber gesehen, wie man Modelle anleitet, deshalb erkennen sie gut, was in einem Prompt fehlt. Genauso gut füllen sie diese Lücken mit Vermutungen, und genau davor musst du dich vor allem schützen.
Lass das Modell den Prompt schreiben
Der schwächste Weg, einen Prompt zu erzeugen, ist "schreib mir einen Prompt für X". Das Modell weiß nichts über dein X, also schreibt es einen generischen Prompt für die Durchschnittsversion der Aufgabe. Die Lösung: Lass es zuerst fragen. Fragen holen den fehlenden Kontext ans Licht, und deine Antworten werden zur Substanz des Prompts.
- Wer liest die E-Mail: nur die Leute, die im Meeting waren, oder auch Führungskräfte und andere Teams?
- Was muss jede Zusammenfassung enthalten? Zum Beispiel getroffene Entscheidungen, To-dos mit verantwortlicher Person und Frist und offene Fragen.
- Wie lang soll sie sein, und bevorzugst du Stichpunkte oder kurze Absätze?
- Welchen Ton nutzt dein Team in E-Mails: förmlich, neutral oder locker?
- Gibt es etwas, das nie darin stehen darf, etwa Nebengespräche, persönliche Bemerkungen oder vertrauliche Zahlen?
Beantworte die Fragen in einer Nachricht, und du bekommst einen Prompt, der deine Entscheidungen enthält statt der Standardannahmen des Modells. Speicher ihn: Ein Prompt mit Platzhaltern ist eine Prompt-Vorlage, die du jede Woche nutzen kannst.
Verbessere einen Prompt, den du schon hast
"Verbessere diesen Prompt" ist einer der häufigsten Meta-Prompts, und sein typischer Fehler ist im ersten Tab unten zu sehen. Das Modell macht den Prompt länger und selbstsicherer, indem es Details erfindet: ein Publikum, eine Wortzahl, einen Call to Action. Jede Erfindung ist plausibel, und jede ist eine Entscheidung, die du nicht getroffen hast. Der zweite Tab gibt dem Modell Regeln für das Umschreiben.
Hier ist eine verbesserte Version deines Prompts:
"Du bist eine erfahrene Content-Autorin und Redakteurin mit jahrelanger Erfahrung im digitalen Publizieren. Fasse den folgenden Artikel für meinen Newsletter zusammen, den vielbeschäftigte Fachleute aus der Tech-Branche lesen. Schreib eine fesselnde Zusammenfassung von 150 bis 200 Wörtern in einem freundlichen, aber professionellen Ton. Beginne mit einem Aufhänger, hebe die drei wichtigsten Erkenntnisse hervor und schließe mit einem Call to Action, der die Leser ermutigt, den ganzen Artikel zu lesen."
Diese Version ergänzt eine Rolle, ein Publikum, eine Länge, einen Ton und eine klare Struktur und liefert dir damit fokussiertere und nützlichere Zusammenfassungen.
Die erste Antwort ist nicht falsch; sie ist anmaßend: Wenn dein Newsletter für Hobbygärtner ist, lenkt "vielbeschäftigte Fachleute aus der Tech-Branche" jede Zusammenfassung unbemerkt in die falsche Richtung. Die zweite Antwort tut weniger und lässt dir die Entscheidungen, auf die es ankommt. Die Platzhalter zeigen dir außerdem, welcher Kontext deinem ursprünglichen Prompt gefehlt hat, und das ist nützlich, selbst wenn du die Neufassung wegwirfst.
Prüf einen generierten Prompt, bevor du ihm vertraust
Ein Prompt, den ein Modell geschrieben hat, liest sich gut, und genau deshalb übersieht man seine Probleme leicht. Achte auf diese Punkte, bevor du einen verwendest:
- Erfundene Anforderungen. Jede Länge, jedes Publikum, jeder Ton und jede Regel, um die du nicht gebeten hast. Streich sie oder ersetz sie durch deine echte Antwort.
- Eine generische Rolle. "Du bist ein Experte von Weltrang" bringt Länge und sonst wenig. Eine Rolle hilft, wenn sie Publikum und Maßstab nennt; siehe Rollen-Prompting.
- Wiederholungen. Generierte Prompts sagen dieselbe Anweisung oft auf drei Arten. Ein klarer Satz wirkt genauso und lässt weniger Raum für Widersprüche.
- Kein Test. Einen Prompt zu lesen, sagt wenig über seine Ergebnisse. Lass ihn mit drei oder vier echten Inputs laufen, darunter einem unbequemen, und vergleich die Ausgaben mit dem, was dein alter Prompt geliefert hat. Prompts iterativ verbessern beschreibt, wie du das machst, ohne dich selbst zu täuschen.
Ein Modell kann dir auch helfen, einen gescheiterten Prompt zu analysieren. Wenn ein Prompt ein schlechtes Ergebnis liefert, füg den Prompt, den Input und die schlechte Ausgabe ein und frag: "Welcher Teil dieses Prompts hat diese Ausgabe am wahrscheinlichsten verursacht? Schlag die kleinste Änderung vor, die das beheben würde." Eine gezielte Diagnose ist nützlicher als eine komplette Neufassung, weil du erfährst, welche Anweisung schuld war.
Die Dirigenten-Methode (Suzgun und Kalai, 2024)
In der Forschung bezeichnet "Meta-Prompting" auch eine bestimmte Methode aus dem Paper "Meta-Prompting: Enhancing Language Models with Task-Agnostic Scaffolding" von Suzgun und Kalai aus dem Jahr 2024. Eine Modellinstanz, der Dirigent, bekommt die Aufgabe zusammen mit festen übergeordneten Anweisungen, die für jede Aufgabe gleich sind. Er zerlegt die Aufgabe in Teile und schreibt für jeden Teil einen Prompt für einen "Experten": einen frischen Aufruf desselben Modells, mit Anweisungen, die der Dirigent für diesen Teil geschrieben hat. Experten sehen nur, was der Dirigent ihnen schickt, nicht den ganzen Verlauf, und prüfen die Arbeit deshalb mit frischem Blick. Der Dirigent liest ihre Antworten, bittet um Überprüfung, wenn er an einer zweifelt, und setzt die Endantwort zusammen. In manchen Experimenten konnte einer der Experten Python-Code ausführen.
Die Autoren testeten das mit GPT-4 an einer Mischung von Aufgaben, darunter das Rätsel Game of 24, ein Schachmatt in einem Zug finden, Programmierrätsel in Python und das Schreiben von Sonetten. Im Durchschnitt über alle Aufgaben schlug der Dirigenten-Aufbau mit Python-Interpreter normales Prompting und die anderen Prompting-Gerüste, mit denen sie verglichen.
Das ist ein Programm, keine einzelne Chat-Nachricht: Jeder Expertenaufruf ist eine eigene Anfrage deines Codes, genauso wie Prompt Chaining Ausgaben zwischen Schritten weiterreicht. Der Unterschied: In einer Kette legst du die Schritte vorab fest, während der Dirigent sie zur Laufzeit entscheidet. Diese Flexibilität kostet mehr Aufrufe und ist schwerer zu debuggen, deshalb ist bei einer Aufgabe, deren Schritte du schon kennst, eine feste Kette meist die bessere Wahl.
Häufig gestellte Fragen
Was ist Meta-Prompting?
Meta-Prompting heißt, ein Sprachmodell an Prompts arbeiten zu lassen statt an der Aufgabe selbst: Es soll einen Prompt schreiben, einen umschreiben, damit er bessere Ergebnisse liefert, oder eine Aufgabe in Teil-Prompts für weitere Modellaufrufe zerlegen. Die letzte Bedeutung ist die Methode aus dem Paper "Meta-Prompting" von Suzgun und Kalai aus dem Jahr 2024, in der ein Modellaufruf frische Aufrufe desselben Modells koordiniert.
Mit welchem Prompt lasse ich ChatGPT gute Prompts schreiben?
Beschreib die Aufgabe, für die der Prompt gedacht ist, und bitte das Modell dann, dir Fragen zu stellen, bevor es etwas schreibt: "Bevor du den Prompt schreibst, stell mir bis zu fünf Fragen dazu, was du wissen musst." Beantworte sie und bitte um den fertigen Prompt in einem Codeblock, mit Platzhaltern für die Teile, die sich jedes Mal ändern. Der meiste Nutzen steckt in den Fragen, weil sie Kontext ans Licht bringen, den du vergessen hast.
Sind KI-generierte Prompts besser als selbst geschriebene?
Sie sind meist besser gegliedert und vollständiger, und meist länger als nötig. Ein Modell kann dein Publikum, deine Daten und deine Maßstäbe nicht kennen, also füllt ein generierter Prompt diese Lücken mit plausiblen Vermutungen. Behandle ihn als Entwurf: Streich alles, worum du nicht gebeten hast, und teste ihn dann mit echten Inputs.
Warum schreibt das Modell in jeden verbesserten Prompt "Du bist ein Experte"?
Wahrscheinlich, weil so viele veröffentlichte Prompts so anfangen, und das Modell es deshalb für einen Teil dessen hält, wie ein verbesserter Prompt aussieht. Eine generische Expertenrolle ändert selten viel; eine konkrete Rolle, die Publikum und Maßstab nennt, schon. Wenn du um eine Verbesserung bittest, sag, welche Art von Ergänzungen du willst, und sag ihm, dass es keine Anforderungen hinzufügen soll, die du nicht genannt hast.
