Systemaufforderung und Modellparameter

Gewinne:

• Kann entwerfen, wie die Systemaufforderung das Modell durch das gesamte Gespräch führt
• Versteht die Rolle und die Kostenauswirkungen adaptiver Denk- und Aufwandsparameter
• implementiert Ausgabesteuerungen wie max_tokens, Stoppsequenzen und strukturierte Ausgabe

Zwei verschiedene Produkte desselben Modells können sich völlig unterschiedlich verhalten. Der Unterschied liegt nicht im Modell selbst, sondern in der Systemaufforderung und den ihm zugewiesenen Parametern. Die Systemaufforderung ist der „Arbeitsvertrag“ des Modells und die Parameter sind „Arbeitseinstellungen“. In dieser Einheit erfahren Sie, wie Sie eine leistungsstarke Systemeingabeaufforderung entwerfen, was die Denk- und Aufwandseinstellungen in modernen Modellen bewirken und wie Sie die Ausgabe hinsichtlich Format/Länge steuern. Wenn Sie diese Einstellungen richtig festlegen, können Sie gleichzeitig Qualität und Kosten verwalten.

Systemaufforderung: Permanente Anweisung des Modells

Die Systemaufforderung ist die übergeordnete Anweisung, die während des gesamten Gesprächs gilt. Diese Regeln bleiben gültig, unabhängig davon, was der Benutzer eingibt. Eine gute Systemaufforderung umfasst die folgenden Komponenten:

1. Rolle/Identität: Wer ist das Model? („Sie sind ein Assistent für den Unternehmenssupport.“)
2. Umfang und Grenzen: Was macht es und was nicht? („Basiert ausschließlich auf dem bereitgestellten Versicherungsdokument.“)
3. Formatregeln: Wie soll die Ausgabe aussehen? („Maximal 3 Artikel, Amtssprache.“)
4. Verhalten bei Unsicherheit: Was tun, wenn man unsicher ist? („Wenn es keine Informationen gibt, erfinden Sie sie und leiten Sie sie an die zuständige Einheit weiter.“)
5. Sicherheit/Privatsphäre: Was will/will nicht? („Personenbezogene Daten anfordern.“)

Tipp: Lassen Sie die Systemaufforderung unverändert. Betten Sie keine Informationen ein, die sich bei jeder Anfrage ändern (aktuelles Datum, Benutzername, Sitzungs-ID). Dadurch wird sowohl die Konsistenz beeinträchtigt als auch der Eingabeaufforderungscache auf Einheit 6 ungültig gemacht. Fügen Sie die Variableninformationen in die Benutzernachricht ein.

Die übermäßig aggressive Unterrichtsfalle

Moderne Modelle befolgen die Anweisungen sehr genau. Aggressive Formulierungen wie „MUSS“, „IMMER“, „TUN SIE DIES AUF JEDEN FALL“ usw., die in älteren Modellen funktionierten, führen heute zu Overtriggering: Das Modell ruft einen Agenten auf, wenn er nicht benötigt wird oder unnötig lange läuft. Lockern Sie die Regel: Anstelle von „MUSS die Suchfunktion verwenden“ ist „Wenn die Antwort nicht in der Konversation enthalten ist, verwenden Sie die Suchfunktion“ genauer.

Modellparameter: Gedanke und Aufwand

Klassische LLMs hatten einen Temperaturparameter: Ein niedrigerer Wert erzeugte eine spezifischere/konsistentere Ausgabe, ein höherer Wert erzeugte eine vielfältigere/kreativere Ausgabe. Modelle moderner Generationen (wie Opus 4.8, Sonnet 5) ersetzen diesen Ansatz durch zwei leistungsfähigere Mechanismen und akzeptieren keine Abtastparameter wie die Temperatur mehr.

• Adaptives Denken: Das Modell argumentiert Schritt für Schritt in seinem „Kopf“, bevor es reagiert. Das Modell entscheidet anhand der Schwierigkeit der Aufgabe, wie viel gedacht werden soll. Verbessert die Genauigkeit bei komplexen, mehrstufigen Problemen erheblich; Er denkt weniger, um unnötige Verzögerungen bei einfachen Fragen zu vermeiden.
• Aufwand: Oberer Knopf, der anpasst, wie tief das Modell in eine Aufgabe eintaucht und wie viele Token es insgesamt ausgibt. Typische Werte: niedrig, mittel, hoch und höher. Ein hoher Aufwand verbessert zwar die Qualität, erhöht aber auch die Verzögerung und die Kosten. Geringer Aufwand bringt Geschwindigkeit und Einsparungen.

Einstellung

Was bedeutet

wann

Nachdenken/geringer Aufwand

Schnell, günstig, oberflächlich

Einfache Klassifizierung, kurze Reaktionszeit, verzögerungsempfindliche Aufgaben

Adaptives Denken + mittlerer Aufwand

Ausgewogene Qualität/Kosten

Die meisten allgemeinen Aufgaben

Adaptives Denken + hoher Aufwand

höchste Genauigkeit

Komplexe Argumentation, Codierung, weitreichende Agentenarbeit

Achtung: Der „Maximalaufwand egal was“-Reflex treibt die Kosten in die Höhe. Aufwand an Aufgabe anpassen; Bei einfachen Aufgaben führt ein geringer Aufwand oft zu den gleichen genauen Ergebnissen zu einem viel günstigeren Preis. Gehen Sie dort hoch hinaus, wo entscheidende Genauigkeit erforderlich ist.

Ausgabesteuerung: Format, Länge, Struktur

Neben den Parametern steuern Sie auch die Ausgabe selbst:

• max_tokens: Harte Obergrenze der Ausgabe (1. und 3. Einheit).
• Stoppsequenzen: Stoppen des Modells, wenn es eine bestimmte Zeichenfolge sieht. Nützlich zum Setzen von Haltepunkten in der strukturierten Produktion.
• Strukturierte Ausgabe: Erzwingen Sie, dass die Antwort des Modells einem von Ihnen bereitgestellten JSON-Schema entspricht. Dadurch wird sichergestellt, dass die Ausgabe programmgesteuert analysierbar und gültig ist. Dies ist zuverlässiger, als mit einer Eingabeaufforderung zu sagen: „Gib einfach JSON zurück“.

{ "output_config": { "format": { "type": "json_schema", "schema": { "type": "object", "additionalProperties": false, "properties": { "category": { "type": "string", "enum": ["invoice", "technical", "return", "other"] }, "urgency": { "type": "string", "enum": ["low", „mittel“, „hoch“] } }, „erforderlich“: [„Kategorie“, „Dringlichkeit“] } } }}

Kopierbare System-Eingabeaufforderungsvorlagen

# Unternehmens-Support-AssistentSie sind ein Unternehmens-Support-Assistent. – Verlassen Sie sich ausschließlich auf das bereitgestellte Richtliniendokument. Wenn sie nicht im Dokument enthalten ist, sagen Sie „Ich habe diese Informationen nicht.“ - Geben Sie eine formelle und klare Antwort in maximal 3 Sätzen. - Fragen Sie nach persönlichen Daten (TC-ID-Nummer, Kartennummer) und wiederholen Sie diese nicht in Ihrer Antwort. - Wenn Sie sich nicht sicher sind, raten Sie nicht.

# Klassifikator für strukturierte Ausgabe Sie sind ein Bedarfsklassifizierer. Der Input ist eine Kundennachricht. Geben Sie nur die angeforderten Felder zurück, schreiben Sie keine Kommentare. Wenn Sie sich nicht sicher sind, verwenden Sie „andere“.

# Analyst mit definiertem Verhalten, in Unsicherheit zu stehenSie sind Datenanalyst. Ziehen Sie aus der bereitgestellten Tabelle nur überprüfbare Schlussfolgerungen. Ziehen Sie niemals eine Schlussfolgerung, die in den Daten nicht vorhanden ist. Wenn eine Schlussfolgerung unklar ist, schreiben Sie „Daten unzureichend“.

# Content-Autor mit Ton- und LängenkontrolleSie sind ein Content-Autor. Verwenden Sie einen warmen, aber professionellen Ton. Begrenzen Sie jeden Text auf maximal 120 Wörter. Vermeiden Sie klischeehafte Marketingsprache.

Schwache Eingabeaufforderung / Starke Eingabeaufforderung

# SCHWACHSeien Sie hilfsbereit und geben Sie gute Antworten. Gib dein Bestes.

# STRONGRole: Spezialist für technischen Support. Geltungsbereich: Nur Produkthandbuch bereitgestellt. Format: Schritt-für-Schritt-Anleitung, nummerierte Liste, maximal 5 Schritte. Einschränkung: Empfohlene Lösung, die nicht im Handbuch enthalten ist; Sagen Sie: „Ich konnte es im Handbuch nicht finden.“ Datenschutz: Wiederholen Sie nicht die vom Benutzer in der Antwort angegebene Seriennummer.

Leistungsstarke Version; Es legt die Rolle, den Umfang, das Format, die Grenzen und die Vertraulichkeit gesondert fest. Die Konsistenz der Ausgabe ergibt sich direkt aus dieser Klarheit.

Drei Mini-Hüllen

Fall 1 – Kostensenkung durch Aufwandsanpassung. Ein Team führte alle seine Anrufe mit großem Aufwand und Nachdenken durch; Selbst einfache E-Mail-Zusammenfassungen waren teuer und langsam zu erstellen. Sie ordneten einfache Aufgaben wie Zusammenfassungen der Kategorie „geringer Aufwand“ und Vertragsanalysen der Kategorie „hoher Aufwand“ zu. Die Genauigkeit blieb erhalten, die durchschnittliche Latenz wurde halbiert und die monatlichen Kosten wurden um ein Drittel reduziert.

Fall 2 – JSON-Garantie. Ein Betriebsteam fragte nach der Klassifizierungsausgabe mit der Aufforderung „Geben Sie einfach JSON an“, aber das Modell schrieb gelegentlich „Hier ist das Ergebnis:“ und der Parser stürzte ab. Als ich das konfigurierte Ausgabeschema verbunden habe, gab die Ausgabe jedes Mal gültiges JSON zurück; Parsing-Fehler wurden zurückgesetzt.

Fall 3 – Aggressiver sofortiger Rückstoß. Eine Eingabeaufforderung des Assistenten sagte: „MUSS nach JEDER FRAGE gesucht werden“; Das Modell machte selbst bei einfachen Fragen, auf die es die Antwort bereits kannte, unnötige Suchvorgänge erforderlich, was die Geschwindigkeit verlangsamte und die Kosten erhöhte. Sie lockerten die Regel auf „Wenn die Antwort nicht im Kontext steht, suchen Sie“; Unnötige Anrufe gingen um 70 % zurück und die Antworten beschleunigten sich.

Häufige Fehler

• Einbetten variabler Daten in die Systemeingabeaufforderung: Unterbricht die Konsistenz und macht den Cache ungültig.
• Übermäßig aggressive Anweisung: Übermäßige Auslösung und unnötige Kosten bei modernen Modellen.
• Hoher Aufwand bei jeder Aufgabe: Verschwendung bei einfachen Aufgaben; Passen Sie den Aufwand an die Aufgabe an.
• JSON nur per Eingabeaufforderung anfordern: Es bricht gelegentlich ab; Wenn dies kritisch ist, verwenden Sie eine strukturierte Ausgabe.
• Keine Definition von Grenz-/Mehrdeutigkeitsverhalten: Das Modell füllt die Lücke mit Erfindung (Halluzination).
• Alte „Temperatur“-Gewohnheit: Moderne Modelle akzeptieren dies nicht; Leiten Sie das Verhalten schnell und mit Mühe an.

Tiefer: Die Eingabeaufforderung wie einen Vertrag schreiben

Erfahrene Teams behandeln die Systemaufforderung wie einen Vertrag, nicht wie einen literarischen Text: klare Klauseln, messbare Regeln, eindeutige Grenzen. Dieser Ansatz hat drei konkrete Vorteile. Das erste ist Konsistenz: Die gleiche Eingabe liefert zu unterschiedlichen Zeiten eine ähnliche Ausgabe. Zweitens geht es um die Testbarkeit: Sie können jeden Artikel einzeln anhand einer Probe testen. Drittens ist die Wartungsfreundlichkeit wichtig: Wenn ein Verhalten fehlerhaft ist, wissen Sie, welches Element ersetzt werden muss.

Eine gute Vorgehensweise besteht darin, mit positiven Beispielen voranzugehen. Anstatt eine Liste mit „Tu das nicht“ bereitzustellen, ist es in modernen Modellen viel effektiver, ein Beispiel bereitzustellen, das besagt: „Genau so sieht die gewünschte Ausgabe aus“. Wenn Sie beispielsweise in einem Klassifikator ein oder zwei Beispiele des erwarteten JSON-Codes zur Eingabeaufforderung hinzufügen, werden Formatierungsfehler erheblich reduziert.

Eine weitere leistungsstarke Technik besteht darin, das Unsicherheitsverhalten explizit zu schreiben. Eine Klausel wie „Wenn Sie unsicher sind, raten Sie nicht; sagen Sie ‚unzureichende Daten‘“ unterdrückt die Tendenz des Modells, die Lücke mit Erfindungen (Halluzinationen) zu füllen. Dieser einzelne Satz entlastet die Verifizierungsebene, die wir in Einheit 11 behandeln werden: Sobald das Modell bereits Unsicherheiten gemeldet hat, wird es einfacher, zu einer menschlichen Validierung zu gelangen.

Berücksichtigen Sie abschließend Aufwand und Aufforderung gemeinsam. Bei hohem Aufwand erforscht das Modell mehr und leistet manchmal unerwünschte „Mehrarbeit“ (unnötige Erklärung, zusätzlicher Vorschlag). Wenn Sie in der Eingabeaufforderung sagen: „Geben Sie nur die gewünschte Ausgabe aus, fügen Sie keine zusätzlichen Kommentare hinzu“, wird dieser Nebeneffekt des hohen Aufwands ausgeglichen.

Zusammenfassend

Die Systemeingabeaufforderung ist die permanente Anweisung des Modells: Sie definiert die Rolle, den Umfang, das Format, das Unklarheitsverhalten und die Vertraulichkeit. In modernen Modellen wird das Verhalten eher durch adaptives Denken und Anstrengungsparameter als durch die Temperatur bestimmt; Durch die Abstimmung des Aufwands auf die Aufgabe werden Qualität und Kosten gleichzeitig verwaltet. Sie sichern die Ausgabe mit max_tokens, Stopp-Arrays und strukturierter Ausgabe.

Anwendungsaufgabe

Wählen Sie eine Aufgabe. (1) Schreiben Sie eine Systemaufforderung mit fünf Komponenten (Rolle, Umfang, Format, Mehrdeutigkeit, Vertraulichkeit). (2) Geben Sie an, welchen Aufwand Sie für diese Aufgabe wählen würden und warum. (3) Wenn die Ausgabe strukturiert sein soll, skizzieren Sie ein kleines JSON-Schema. (4) Überprüfen Sie, ob Ihre Aufforderung ein übermäßig aggressives Muster enthält, und mildern Sie es.

Checkliste

• [ ] Ich kann fünf Komponenten einer guten Systemeingabeaufforderung nennen.
• [ ] Ich kann erklären, was die adaptiven Denk- und Anstrengungsparameter bewirken.
• [ ] Ich kann Qualität/Kosten in Einklang bringen, indem ich den Aufwand entsprechend der Aufgabe anpasse.
• [ ] Ich weiß, warum eine strukturierte Ausgabe sicherer ist, als JSON per Eingabeaufforderung anzufordern.
• [ ] Ich kann das Risiko übermäßig aggressiver Anweisungen in modernen Modellen erkennen.