"Boomer Prompts" sind tot! OpenAI zeigt, wie es richtig geht

Komplexe Prompts waren gestern – OpenAI setzt auf minimalistische, aber wirkungsvolle Eingaben. Wird das Prompt Engineering überflüssig?

Flux Schnell | All-AI.de

OpenAI hat aktualisierte Richtlinien für die effektive Nutzung seiner o-Serie KI-Modelle veröffentlicht. Der Fokus liegt dabei auf einfachen, präzisen Anweisungen anstelle komplexer Prompt-Engineering-Techniken.

Unterschiede zwischen o-Modellen und GPT-Modellen

Die o-Serie, intern als "die Planer" bezeichnet, wurde speziell für Aufgaben in Bereichen wie Mathematik, Ingenieurwesen, Recht und Finanzen entwickelt. Im Gegensatz dazu dienen GPT-Modelle als "Arbeitspferde" für schnelle, kostengünstige Standardaufgaben. Das kürzlich angekündigte GPT-5 soll die Eigenschaften beider Modelltypen vereinen. Auch Anthropic plant die Einführung eines Hybrid-Modells.

Vermeidung von "Boomer Prompts"

Für die o-Serie empfiehlt OpenAI einen neuen Ansatz beim Prompting. Das Unternehmen rät von sogenannten "Boomer Prompts" ab – ein Begriff, der sich auf übermäßig detaillierte oder veraltete Prompt-Techniken bezieht, die mit älteren Modellen eingeführt wurden. Stattdessen sollten Entwickler kurze, präzise Anweisungen verwenden. Bei längeren Prompts wird die Nutzung von Trennzeichen wie XML-Tags empfohlen, um die Struktur zu verdeutlichen. Beispielsweise könnte ein wissenschaftlicher Prompt lauten:

"Welche drei Verbindungen sollten wir in Betracht ziehen, um die Forschung zu neuen Antibiotika voranzutreiben? Warum sollten wir sie in Betracht ziehen?"

OpenAI betont, dass Prompts möglichst ohne Beispiele (Zero-Shot) gestaltet werden sollten. Nur bei Bedarf sollten Beispiele hinzugefügt werden (Few-Shot oder Many-Shot). Wichtig sei es, spezifische Erfolgskriterien für die gewünschte Antwort zu definieren und das Modell zu ermutigen, so lange zu arbeiten, bis diese erreicht sind. Konkrete Einschränkungen, wie Budgetgrenzen, sollten explizit genannt werden.

Optimierung der Denkprozesse

Anweisungen wie "Denke Schritt für Schritt" sind bei o-Modellen überflüssig, da diese die notwendigen Denkprozesse bereits intern und elaborierter durchführen als GPT-Modelle, die solche Prompts benötigen. Die o-Modelle sind darauf ausgelegt, begrenzte oder inkonsistente Informationen zu verarbeiten und die Absicht des Nutzers zu verstehen, selbst wenn die Anweisungen unvollständig sind. Sie können aus großen Mengen unstrukturierter Daten die relevantesten Informationen extrahieren. Bei der Verarbeitung komplexer Dokumente, wie Verträgen oder Finanzberichten, zeigen sie besondere Stärke, indem sie Parallelen ziehen und auf implizite Aussagen basierende Entscheidungen treffen.

Einsatz in der agentenbasierten Planung

OpenAI empfiehlt, o-Modelle für agentenbasierte Planung und Strategieentwicklung einzusetzen. Dabei kann ein o-Modell als "Planer" fungieren, der eine detaillierte, mehrstufige Lösung für ein Problem erstellt. Für die Umsetzung einzelner Schritte können dann geeignete GPT-Modelle als "Ausführer" ausgewählt und zugewiesen werden. Dieser Ansatz kombiniert die Stärken beider Modelltypen und ermöglicht effiziente Problemlösungen.