Prompt-Reihenfolge und Wiederholung: Zwei Methoden für bessere KI-Antworten

Eine neue Arbeit von Forschern von Google Research zeigt zwei einfache Methoden, die Sprachmodelle besser machen, allerdings nur bei Modellen ohne aktivierten Reasoning-Modus. Bevor wir zu den Methoden kommen, eine wichtige Unterscheidung: Es gibt Standard-Sprachmodelle (Non-Reasoning) und Reasoning-Modelle. Standard-LLMs antworten sofort nach der Eingabe. Reasoning-Modelle hingegen "denken" erst nach: Sie erzeugen intern eine Gedankenkette, in der sie die Aufgabe analysieren, Details ergänzen und oft Teile des Prompts wiederholen. Das erkennt ihr daran, dass die Antwort verzögert kommt und das Modell seinen Denkprozess (je nach Benutzeroberfläche) sichtbar macht (oft in einem ausklappbaren "Thinking"-Bereich). Hier ein Beispiel aus ChatGPT: [video width="1920" height="1080" mp4="https://the-decoder.de/wp-content/uploads/2025/04/Introducing-OpenAI-o3-and-o4-mini-OpenAI.mp4"][/video] Beispiele für Reasoning-Modelle sind GPT-5.2-Thinking oder Gemini 3 Pro. Claude ist ein Sonderfall: Ab Version 3.7 arbeitet Claude Sonnet als Hybrid-Modell, das je nach Einstellung auch Reasoning nutzen kann. In der Studie wurde Claude 3 Haiku sowie Claude 3.7 Sonnet ohne aktiviertes Reasoning getestet. Beispiele für Non-Reasoning-Modelle, also ohne diesen Denkprozess, sind GPT-4o oder DeepSeek V3. Bei diesen und ähnlichen Modellen sollen die folgenden Prompting-Tipps helfen. Methode 1: Frage vor den Kontext stellen Die Frage oder Aufgabe sollte vor dem Kontext oder den Daten stehen, nicht danach. KI-Modelle verarbeiten Text von links nach rechts, frühere Wörter können spätere nicht "sehen". Steht die Frage erst am Ende, verarbeitet das Modell die Daten davor, ohne zu wissen, worauf es achten soll. Für Unternehmen bedeutet das: Prompts sollten mit der Aufgabe beginnen, dann folgen Dokumente, Listen oder Kundendaten. Methode 2: Den Prompt wiederholen Den kompletten Prompt zu wiederholen, kann die Ergebnisse nochmals deutlich verbessern. So funktioniert es: Ihr schreibt euren Prompt, kopiert ihn und fügt ihn direkt darunter noch einmal ein. Dann schickt ihr die Nachricht ab. Euer Prompt wird jetzt direkt zweimal vom Modell gelesen. Es ist wirklich so banal. Beispiel ohne Wiederholung: Erkläre die Relativitätstheorie in drei Sätzen für Laien. Beispiel mit Wiederholung: Erkläre die Relativitätstheorie in drei Sätzen für Laien. Erkläre die Relativitätstheorie in drei Sätzen für Laien. In 47 von 70 Tests der Forscher schnitt die Wiederholungsmethode besser ab – ohne Nachteile. Die Antworten wurden weder länger noch langsamer generiert. Warum funktioniert das und wann bringt es nichts? Wie bei Methode 1 erklärt: Das Modell liest Text nur vorwärts. Wiederholt man den Prompt, liest das Modell ihn ein zweites Mal – dieses Mal mit dem Wissen aus dem ersten Durchgang. Es versteht den Zusammenhang besser. Bei Reasoning-Modellen bringt die Methode kaum Vorteile (5 Verbesserungen, 1 Verschlechterung, 22 neutral), da diese ohnehin in ihrer Gedankenkette Teile der Frage selbst wiederholen. Dreifache Wiederholung bei speziellen Aufgaben Bei bestimmten Aufgaben lohnt sich sogar eine dreifache Wiederholung. Das gilt besonders, wenn das Modell Positionen in langen Listen finden oder Elemente zählen soll. In einem Test stieg die Genauigkeit von Gemini 2.0 Flash-Lite bei einer solchen Aufgabe von 21,33 Prozent auf 97,33 Prozent. Bei Aufgaben mit langen Dokumenten, Tabellen oder Namenslisten kann eine zusätzliche Wiederholung helfen. Mehr zum Thema Prompt-Engineering gibt es in unserem Lernvideo und im Webinar.

Prompt-Reihenfolge und Wiederholung: Zwei Methoden für bessere KI-Antworten

heise KI PROKI VERSTEHEN UND ANWENDEN

heise KI PRO
KI VERSTEHEN UND ANWENDEN