Prinzip 0 - Was das Modell "sieht"
Das LLM empfängt keine Wörter. Es empfängt Tokens - Textfragmente, die von einem statistischen Algorithmus (BPE, SentencePiece) geschnitten werden. Diese Tokens werden in numerische Vektoren in einem Raum mit mehreren Tausend Dimensionen konvertiert. Ihr gesamter Prompt bildet eine Kontextmatrix, die der Aufmerksamkeitsmechanismus des Transformers nichtlinear verarbeitet.
Direkte Konsequenz: Ein falsch gewähltes Wort erzeugt nicht einfach nur eine lokale Mehrdeutigkeit. Es verbreitet eine Verzerrung über die gesamte Generierung, Token für Token. Der Fehler summiert sich wie ein systematischer Bias in einer Berechnungskette.
Prinzip 1 - Die bedingte Entropie, nicht die Rohentropie, reduzieren
Die meisten Praktiker verwechseln "präzise sein" und "viele beschreibende Wörter verwenden". In der Informationstheorie (Shannon, 1948) ist die relevante Metrik nicht die Rohentropie des Prompts, sondern die bedingte Entropie - die verbleibende Unsicherheit im Raum der möglichen Antworten, nachdem das Modell Ihren Prompt verarbeitet hat.
Die falsche Präzision:
"Geben Sie mir eine detaillierte, umfassende und gründliche Analyse der geopolitischen Situation."
Jedes Adjektiv fügt Tokens hinzu, hilft dem Modell aber nicht, zu konvergieren. "Detailliert", "umfassend", "gründlich" sind aus Sicht des Vektorraums quasi-synonym. Das Informationssignal ist null.
Die wahre Präzision:
"Analysieren Sie die geopolitische Situation unter dem Gesichtspunkt der Energieströme Russland-EU seit 2022. Struktur: Ursachen → Aktueller Stand → 3 Szenarien für 5 Jahre."
Hier schränkt jedes Token den Raum der möglichen Antworten ein. "Energieströme" schließt Innenpolitik, Militär und Kultur aus. "Seit 2022" grenzt zeitlich ein. Die vorgegebene Struktur beseitigt die organisatorische Unsicherheit.
Der mentale Test: Für jedes Wort in Ihrem Prompt fragen Sie sich: "Eliminiert dieses Wort Antworten, die ich nicht möchte?" Wenn die Antwort nein ist, ist das Wort Rauschen. Entfernen Sie es.
Prinzip 2 - Die Baumstruktur der Aufmerksamkeit nutzen
Ein LLM generiert sequentiell, aber sein "Verständnismechanismus" ist dank der Ebenen der Mehrfachkopfaufmerksamkeit hierarchisch. Es ist daher effizienter, die Informationen vom Allgemeinen zum Besonderen in Baumform zu strukturieren, anstatt in einer flachen Liste.
Die Aufmerksamkeitsmechanismen verteilen ihre Ressourcen je nach positioneller und semantischer Relevanz. Eine Rahmeninformation am Anfang "färbt" die Interpretation von allem, was folgt. Dieselbe Information, in der Mitte einer Liste vergraben, wird unterbetont.
Optimale Prompt-Hierarchie:
| Ebene | Funktion | Beispiel |
|---|---|---|
| 1. Ontologisch | Was ist die angeforderte Sache | "Erstellen Sie ein strategisches Memo" |
| 2. Teleologisch | Wozu | "für den Vorstand" |
| 3. Abgrenzung | Was eingeschlossen UND ausgeschlossen ist | "Geltungsbereich: nur EU; Asien ausgeschlossen" |
| 4. Form | Struktur, Länge, Format | "2 Seiten, 3 Abschnitte, Aufzählungen" |
| 5. Kalibrierung | Detailgrad, Tonalität | "Sachlicher Ton, Expertenlevel, keine Vereinfachung" |
Diese Reihenfolge folgt der Logik der schrittweisen Reduktion des Möglichkeitsraums: Jede Ebene teilt den verbleibenden Raum. Eine umgekehrte Reihenfolge zwingt das Modell zu kostspieligen Rückanpassungen über den Aufmerksamkeitsmechanismus.
Prinzip 3 - Durch Ausschluss definieren
In der Informationstheorie ist ein Signal umso informativer, je mehr Alternativen es ausschließt. Kontraintuitives Korollar: Zu sagen, was Sie nicht wollen, ist oft informativer als zu sagen, was Sie wollen.
Das Modell wird während der Generierung zu Attraktoren hingezogen - statistisch dominante Antwortmuster in seinen Trainingsdaten. Eine offene Frage wie "Erklären Sie die Quantenmechanik" wird fast unweigerlich zur Schrödingerkatzen-Analogie und zur Welle-Teilchen-Dualität konvergieren, da diese Muster statistisch überwiegen.
Negative Einschränkungen ("ohne die Schrödingerkatzen-Analogie zu verwenden; gehen Sie vom Hilbert-Raumformalismus aus") blockieren die Niederwertattraktorenund zwingen das Modell in weniger wahrscheinliche, aber kognitiv reichhaltigere Bahnen.
Negative Einschränkungen haben ein höheres Informations-/Token-Verhältnis als positive Einschränkungen, wenn sie auf die statistischen Attraktoren des Modells abzielen.
Genau das tut ein gutes Leistungsverzeichnis: Die diskriminierendsten Anforderungen sind oft diejenigen, die ausschließen - "keine SaaS-Lösung", "keine Unteraufträge für Los 2".
Prinzip 4 - Den semantischen Ankerungsabstand minimieren
Das Modell organisiert sein Wissen in einem Vektorraum, in dem semantisch nahe Konzepte Cluster bilden. Wenn Sie einen Begriff an der Grenze zwischen zwei Clustern verwenden, führen Sie eine Mehrdeutigkeit ein, die Rauschen in die Antwort einbringt.
Das Ziel ist es, Ankerungsbegriffe zu verwenden - Wörter, die im Zentrum eines dichten semantischen Clusters liegen:
- Kanonische Fachbegriffe eines Bereichs (exakte Namen von Theorien, Methoden)
- Eigennamen (Autoren, benannte Frameworks, Referenzveröffentlichungen)
- Begriffe, die in kohärenten und eindeutigen Kontexten häufig vorkommen
"Das Ding von Kahneman über die beiden Denkweisen" ist semantisch unscharf. "Die Theorie System 1 / System 2 (Kahneman, Thinking, Fast and Slow)" verankert das Modell in einem präzisen Cluster. Der Mehraufwand an Tokens ist marginal, der Genauigkeitsgewinn unverhältnismäßig groß.
Abgeleitete Regel: Jargon als Kompression. Technischer Jargon ist kein Rauschen. Es ist eine hochdichte Codierung: Ein technisches Wort komprimiert eine ganze Definition in ein oder zwei Tokens. In Bid Management sagt "MECE" in zwei Tokens das, wofür "erschöpfend und gegenseitig ausschließend strukturieren" 30 Tokens braucht.
Prinzip 5 - Die implizite Temperatur durch Syntax kontrollieren
Jenseits des expliziten Temperaturparameters beeinflusst die syntaktische Struktur Ihres Prompts selbst die "effektive Temperatur" der Antwort - den Grad der Exploration versus der Konvergenz des Modells.
In den Trainingsdaten verwenden faktische Texte kurze Aussagesätze im Präsens (SVO), während spekulative Texte komplexere Konditionalsätze verwenden. Das Modell hat diese Korrelationen verinnerlicht.
| Syntaktische Struktur | Auswirkung auf Generierung | Optimale Verwendung |
|---|---|---|
| Imperativ / Indikativ Präsens | Konvergenz, Determinismus | Fakten, Listen, Daten |
| Parataktische Sätze (aneinandergereiht) | Prägnanz, Fokus | Anweisungen, Spezifikationen |
| Konditional, Subordination | Exploration, Nuance | Analyse, Kreativität |
| Modalwörter (vielleicht, es scheint) | Hohe Entropie, erlaubte Unschärfe | Zu vermeiden, wenn Präzision erforderlich ist |
Für maximale Präzision: Indikativ Präsens, parataktische Strukturen, keine Modalwörter. Jedes "vielleicht" in Ihrem Prompt ist eine Erlaubnis für das Modell, unscharf zu sein.
Das unterscheidet einen Executive Summary, der durchschlägt, von einem, der verwässert. Die Syntax ist eine kostenlose implizite Anweisung.
Prinzip 6 - Die nichtlineare Positionsabhängigkeit der Aufmerksamkeit
Die Arbeiten zu Transformern (Vaswani et al., 2017) zeigen, dass die Aufmerksamkeit des Modells nicht gleichmäßig verteilt ist. Sie weist eine ausgeprägte Tendenz zum Anfang und Ende des Kontexts auf - den sogenannten **Primacy-Recency-Effekt - mit einer signifikanten Delle in der Mitte, besonders in langen Kontexten (Liu et al., "Lost in the Middle", 2023).
Implikationen für Ihre Prompts:
- Die kritischste Anweisung muss ganz am Anfang ODER am Ende wiederholt werden
- Umfangreiche Kontextinformationen (Referenzdokumente, Rohdaten) werden in die Mitte platziert
- Niemals eine entscheidende Anweisung in einem langen Kontextblock versenken
Dieses Phänomen hat massive Auswirkungen auf Angebotserstellungssysteme, die Hunderte von Seiten Leistungsverzeichnis in den Kontext eines LLM einspeisen. Die in der Mitte vergrabene Information wird vom Aufmerksamkeitsmechanismus buchstäblich unterbetont - eine Anforderung auf Seite 37 eines 150-seitigen Leistungsverzeichnisses hat weniger Chancen behandelt zu werden als eine unbedeutende Anforderung auf Seite 3.
Prinzip 7 - Der Isomorphismus zwischen Prompt und Antwort
Das Modell tendiert dazu, die Struktur dessen zu reproduzieren, was es erhält. Dies ist ein mächtiges und strategisch nutzbares statistisches Bias.
Der Effekt geht über die bloße Formatnachahmung hinaus. Die Abstraktionsebene, die Granularität, der lexikalische Stil des Prompts kalibrieren direkt diejenigen der Antwort. Wenn Sie eine Frage mit akademischem Vokabular stellen, antwortet das Modell auf dieser Ebene. Dieselbe Frage mit Schulvokabular formuliert, produziert eine entsprechende Vereinfachung.
Der Registerstil Ihres Prompts ist eine kostenlose implizite Anweisung. Das ist der am meisten unterschätzte Hebel des Prompt-Engineerings.
Folgerung: Wenn Ihr Prompt ein ungeordneter Gedankenstrom ist, erbt die Antwort diese Unordnung. Wenn Ihr Prompt in klar abgegrenzte Abschnitte mit expliziten Markern strukturiert ist, übernimmt die Antwort eine vergleichbare Strenge. Deshalb unterscheidet sich eine technische Ausarbeitung, die von einem gut instruierten Agenten erstellt wurde, strukturell von einer, die von einem generischen Chatbot produziert wurde - der Prompt fungiert wie eine Form.
Prinzip 8 - Semantische Kompression durch benannte Referenz
Das mächtigste Prinzip für Experten. Anstatt ein Konzept zu besch