← Zurück zur Liste

Schnelle technische Best Practices

Behandeln Sie Eingabeaufforderungen wie Code: Geben Sie ihnen Struktur, versionieren Sie sie und bewerten Sie sie. Nachfolgend sind sechs Praktiken aufgeführt, die Dutzende von Produktionspfaden auf Starsg überstanden haben – diejenigen, die konsequent die Nadel bewegt haben, in der Reihenfolge, in der sie normalerweise von Bedeutung sind.

1. Legen Sie die Rolle und das Ziel fest

Die ersten ein oder zwei Zeilen sollten die Perspektive des Models verankern: wer es ist, für wen es schreibt, wie Erfolg aussieht. Begriffsdichte, Tonfall und die Wahl dessen, was einbezogen werden soll, fallen alle aus diesem Anker – viel günstiger, als das Modell später mit „nicht zu ausführlich“ oder „nicht zu akademisch“ zurückzuziehen. Eine solide Eröffnung beantwortet drei Dinge: Identität, Zielgruppe, Ziel.

Vorlage zur Rolleneinstellung

text
Sie sind Developer-Relations-Ingenieur.
Zielgruppe: Backend-Ingenieure, die mit HTTP-APIs vertraut sind, sich aber noch nicht mit LLMs und tokenbasierter Preisgestaltung auskennen.
Ziel: Helfen Sie dem Leser in drei Minuten zu entscheiden, ob Starsg eine Integration wert ist, und teilen Sie ihm den nächsten Schritt mit.
Verwenden Sie einen einfachen, aber professionellen Ton. Vermeiden Sie Marketing-Fluch.

2. Schreiben Sie die Aufgabe explizit

„Write a Product Blurb“ übergibt jede Entscheidung an das Modell – jeder Durchgang ist eine Vermutung. Eine wiederverwendbare Anweisung besteht aus mindestens fünf Elementen: Aktion (schreiben/zusammenfassen/übersetzen), Objekt (was), Zielgruppe (für wen), Ton/Stil und Länge oder Form. Formulieren Sie diese aus und Ihre Ausgabestabilität springt sofort um eine Stufe.

❌ Zu vage

text
Schreiben Sie mir einen Produkttext.

✅ Alle fünf Elemente

text
In ~200 Worten: Stellen Sie für Backend-Ingenieure drei Unterscheidungsmerkmale von Starsg vor (einheitliches Gateway, Abrechnung pro Schlüssel, Fallback für mehrere Modelle). Ton: professionell und zurückhaltend. Vermeiden Sie Wörter wie „empower“ oder „next-gen“. Schließen Sie mit einem konkreten Aufruf zum Handeln ab.

3. Geben Sie Kontext und Beispiele an (Few-Shot)

Je abstrakter die Anforderung, desto mehr Beispiele verdienen ihren Lebensunterhalt. Ein bis drei Paare «Input → erwarteter Output» sind zehn Erklärungszeilen wert. Few-Shot ist insbesondere dann entscheidend, wenn das Format festgelegt ist (Klassifizierung, Extraktion, JSON), wenn der Stil schwer mit Worten zu beschreiben ist oder wenn die Domäne ihre eigenen Konventionen hat (rechtliche, medizinische, interne Systeme). Sorgen Sie dafür, dass die Beispiele die tatsächliche Verteilung abdecken – nicht nur die einfachen Fälle.

Beispiel für die Extraktion mit wenigen Schüssen

text
Extrahieren Sie aus dem Text des Support-Tickets unten drei Felder: „Typ / Umfang / Schweregrad“. Ausgabe nur JSON.

Beispiel 1:
Eingabe: Benutzer melden Anmeldefehler in der gesamten Region Guangzhou. Der Telefonsupport ist überlastet.
Ausgabe: {"type":"login","scope":"Guangzhou region","severity":"P1"}

Beispiel 2:
Eingabe: Ein Testkonto zeigt den falschen Saldo; Nur die interne Qualitätssicherung ist betroffen.
Ausgabe: {"type":"account","scope":"internal QA","severity":"P3"}

Jetzt verarbeiten:
Eingabe: Das Beijing API-Gateway gibt 502 zurück; Alle zahlenden Benutzer sind betroffen.

4. Beschränken Sie das Ausgabeformat

Alles, was ein Downstream-System verbraucht, muss analysierbar sein. JSON? Stellen Sie ein Schema und Feldnotizen bereit. Liste? Stecken Sie die Anzahl und die Form pro Artikel fest. Längenbegrenzung? Sag es. Fügen Sie eine Klausel wie „Wenn das Feld fehlt, setzen Sie es auf null – nicht erfinden“ hinzu, und Sie werden Halluzinationen messbar reduzieren.

JSON Ausgabebeschränkung

text
Konvertieren Sie den folgenden Lebenslauf in JSON und stimmen Sie dabei genau mit diesem Schema überein:
{
  "name": string,
  "yearsOfExperience": number,
  "skills": string[],     // at most 5, lowercase
  "summary": string        // <= 60 words
}
Wenn die Quelle ein Feld nicht erwähnt, setzen Sie es auf null – nicht erfinden. Ausgabe nur JSON, ohne umgebenden Text.

5. Komplexe Aufgaben zerlegen (mit Gedankenkette)

Wenn man ein Modell auf einmal „analysieren + planen + produzieren“ auffordert, gehen normalerweise Details verloren oder die Argumentation wird als endgültige Antwort behandelt. Zwei Möglichkeiten: Lassen Sie es intern Schritt für Schritt denken oder teilen Sie die Arbeit selbst in mehrere Runden auf. Für überprüfbare Arbeitsabläufe bevorzugen wir Letzteres – bewahren Sie alle Zwischenschritte auf, damit Sie später genau feststellen können, welcher Schritt fehlgeschlagen ist.

Schritt-für-Schritt-Vorlage

text
Ich gebe Ihnen eine Produktspezifikation. Verarbeiten Sie es in drei Schritten und trennen Sie diese jeweils durch eine ##-Überschrift:

## 1. Wichtige Informationen
Aufzählungsliste: Zielbenutzer, Kernszenario, unverzichtbare Funktionen, Dinge, die explizit außerhalb des Geltungsbereichs liegen.

## 2. Risiken und Unklarheiten
Listen Sie alles Unklare oder Widersprüchliche in der Spezifikation auf, jeweils einen Satz.

## 3. Nächste Schritte
Geben Sie dem PM drei konkrete, ausführbare nächste Aktionen, geordnet nach Priorität.

Spezifikation:
<<<

>>>

6. Iterieren und bewerten

Gute Eingabeaufforderungen werden nicht geschrieben, sie werden wiederholt. Erstellen Sie einen festen Bewertungssatz (20–50-Fälle, die Normal + Edge + Adversarial abdecken). Führen Sie es bei jeder Eingabeaufforderungsänderung aus und zeichnen Sie die Trefferquote, die durchschnittliche Länge und die Token-Kosten auf. Versionieren Sie Ihre Eingabeaufforderungen wie Code – jede Änderung hat einen Grund und eine Regressionsbasislinie, kein „fühlt sich dieses Mal besser an“.

Evaluierungscheckliste
  • Korrigierter Datensatz, der normale, Rand- und kontradiktorische Fälle abdeckt.
  • Ändern Sie eine Variable pro Iteration (Anweisung, Beispielanzahl, Formatbeschränkung) – andernfalls ist die Zuordnung unklar.
  • Verfolgen Sie die Trefferquote/durchschnittliche Token/Fehlermodi pro Version in einem einzigen Blatt.
  • Modellübergreifend testen – die gleiche Eingabeaufforderung verhält sich bei Claude / GPT / Gemini oft sehr unterschiedlich.
SchließenKeine der sechs Lösungen ist ein Allheilmittel, aber in ihrer Gesamtheit bilden sie die Lücke zwischen „produktionsbereit, übertragbar, debuggbar“ und „funktionsfähig“. Tragen Sie zuerst die Abschnitte 1, 2 und 4 auf – Sie werden die Stabilitätsänderung sofort spüren. Fügen Sie dann noch ein paar Schüsse und eine Auswertung hinzu, und Ihre sofortige Praxis verwandelt sich vom Handwerk in die Technik.