Prompt Injection
Prompt Injection ist die wichtigste LLM-Sicherheitsschwachstelle (OWASP LLM01), bei der Angreifer bösartige Anweisungen in Benutzereingaben oder abgerufene Inha...
4 Min. Lesezeit
AI Security
Prompt Injection
+3
Die Rolle eines Prompts in LLM
Prompts spielen eine entscheidende Rolle für die Funktionsweise von LLMs. Sie sind der primäre Mechanismus, über den Nutzer mit diesen Modellen interagieren. Durch das effektive Formulieren Ihrer Anfragen oder Anweisungen können Sie die Qualität und Relevanz der vom LLM generierten Antworten maßgeblich beeinflussen. Gute Prompts sind unerlässlich, um das volle Potenzial von LLMs auszuschöpfen – sei es für geschäftliche Anwendungen, Content-Erstellung oder Forschungszwecke.
Wie wird ein Prompt in LLM verwendet?
Prompts werden auf verschiedene Arten genutzt, um die Ausgabe eines LLM zu steuern. Hier sind einige gängige Ansätze:
- Zero-Shot Prompting: Das LLM erhält eine Aufgabe ohne jegliche Beispiele. Zum Beispiel: „Übersetze ‚cheese‘ ins Französische.“
- One-Shot Prompting: Es wird ein Beispiel zur Veranschaulichung der Aufgabe gegeben. Zum Beispiel: „Übersetze Englisch nach Französisch: cheese => fromage. Übersetze nun ‚bread‘.“
- Few-Shot Prompting: Mehrere Beispiele dienen als Anleitung für das Modell. Zum Beispiel: „Übersetze Englisch nach Französisch: cheese => fromage, bread => pain. Übersetze nun ‚apple‘.“
- Chain-of-Thought Prompting: Im Prompt werden detaillierte Gedankenschritte angegeben, die dem Modell helfen, eine durchdachte Antwort zu generieren. Zum Beispiel: „Wenn du 5 Äpfel hast und 3 weitere kaufst, wie viele Äpfel hast du dann? Zuerst hast du 5 Äpfel. Dann kommen 3 dazu, was insgesamt 8 Äpfel ergibt.“
Bereit, Ihr Geschäft zu erweitern?
Starten Sie heute Ihre kostenlose Testversion und sehen Sie innerhalb weniger Tage Ergebnisse.
Effektive Prompts für LLM erstellen
Für effektive Prompts sind Klarheit und Spezifität entscheidend. Hier einige Tipps:
- Klarheit: Verwenden Sie einfache, eindeutige Sprache. Vermeiden Sie Fachbegriffe und komplexen Wortschatz. Zum Beispiel statt „Wer hat die Wahl gewonnen?“ besser formulieren: „Welche Partei hat die Parlamentswahl 2023 in Paraguay gewonnen?“
- Spezifität: Geben Sie den notwendigen Kontext an. Anstatt „Erstelle eine Liste von Titeln für meine Autobiografie“, seien Sie spezifisch: „Erstelle eine Liste von zehn Titeln für meine Autobiografie. Das Buch handelt von meiner Reise als Abenteurer, der ein unkonventionelles Leben geführt hat, viele verschiedene Persönlichkeiten traf und schließlich im Gärtnern Frieden fand.“
- Positive Anweisungen: Formulieren Sie Ihre Anweisungen positiv. Anstatt zu sagen „Die Titel sollen nicht zu lang sein“, besser: „Jeder Titel soll zwischen zwei und fünf Wörtern lang sein.“
Fortgeschrittene Prompting-Techniken
Few-Shot- und Chain-of-Thought-Prompting
Forschende haben herausgefunden, dass das Angeben von Beispielen (Few-Shot-Prompting) oder das Einbinden detaillierter Gedankenschritte (Chain-of-Thought-Prompting) die Leistung des Modells erheblich verbessern kann. Zum Beispiel:
- Few-Shot Prompting: „Übersetze Englisch nach Französisch: cheese => fromage, bread => pain. Übersetze nun ‚apple‘.“
- Chain-of-Thought Prompting: „Roger hat 5 Tennisbälle. Er kauft 6 weitere. Wie viele Tennisbälle hat er insgesamt? Zuerst hat Roger 5 Tennisbälle. Dann kauft er 6 dazu, das heißt, er hat nun 11 Tennisbälle.“
Strukturiertes Prompting
Wenn Sie Ihren Prompt sinnvoll strukturieren, kann das LLM gezielter und relevanter antworten. Wenn es beispielsweise um Kundenservice geht, könnten Sie mit einer Systemmeldung starten: „Sie sind ein freundlicher KI-Agent, der den Kunden bei ihrer letzten Bestellung unterstützen kann.“
