OpenAI's neuer Prompting-Leitfaden: Fokus auf Ergebnisse statt Schritt-für-Schritt-Skripten

OpenAI hat ein neues Prompting-Framework veröffentlicht, das die traditionelle Besessenheit von „Chain-of-Thought“ infrage stellt und die Nutzer dazu drängt, Ergebnissen Vorrang vor starren Anweisungen zu geben. Dieser Wandel signalisiert eine Bewegung hin zu intuitiveren, auf logischem Denken basierenden Interaktionen, bei denen dem Modell Autonomie statt eines strikten Skripts eingeräumt wird.

Die vier Bausteine effektiven Promptings

Anstatt ein komplexes Handbuch mit API-Parametern oder aufwendigen Schemata bereitzustellen, vereinfacht OpenAI die Prompting-Architektur in vier optionalen Komponenten: Ziel (Goal), Kontext (Context), Ausgabeformat (Output Format) und Grenzen (Boundaries). Entscheidend ist, dass keine davon obligatorisch ist. Bei einfachen Anfragen liefert ein kurzer Prompt oft bessere Ergebnisse als ein übermäßig komplexer Anweisungssatz.

Die Kernphilosophie dieses Leitfadens lautet „klein anfangen“. OpenAI schlägt vor, dass Nutzer mit dem gewünschten Ergebnis beginnen sollten, anstatt eine Abfolge kleinteiliger Schritte vorzugeben. Indem man das Endziel anstatt des Prozesses beschreibt, ermöglicht man Modellen wie GPT-4o, Informationen selbstständig zu suchen, zu vergleichen und ihren Ansatz anzupassen. Detaillierte Prozessbeschreibungen sollten nur dann verwendet werden, wenn die spezifische Methodik genauso wichtig ist wie das Endergebnis.

Constraints statt Skripting

Eine wichtige Erkenntnis für Entwickler und Power-User ist, dass Constraints (Einschränkungen) effektiver sind als Schritt-für-Schritt-Skripte. Anstatt zu versuchen, jeden Schritt der KI mikrozumanagen, empfiehlt OpenAI die Implementierung von ein oder zwei „harten Regeln“, um unerwünschtes Verhalten zu verhindern. Beispiele hierfür sind Anweisungen wie „Behalten Sie die genehmigten Budgetzahlen unverändert“ oder „Bereiten Sie dies als Entwurf vor; senden Sie es nicht ab“.

Dieser „Weniger ist mehr“-Ansatz erstreckt sich auch auf das Kontextmanagement. Der Leitfaden rät dazu, nur Dateien – wie PDFs, Tabellenkalkulationen oder Bilder – anzuhängen, die die Antwort tatsächlich beeinflussen werden. Für anspruchsvolle professionelle Aufgaben schlägt OpenAI eine „Selbstverifizierungs-Schleife“ vor, bei der man das Modell explizit auffordert, seine eigenen Ausgaben auf bestimmte Fehler zu prüfen, etwa um sicherzustellen, dass jeder Aktionspunkt einen zugewiesenen Verantwortlichen und eine Frist hat.

Unterscheidung zwischen „Chat“ und „Work“ sowie Erweiterung von Codex

OpenAI formalisiert zudem die Unterscheidung zwischen „Chat“ und „Work“. Während Chat für schnelle Abfragen und Umformulierungen gedacht ist, bezieht sich „Work“ auf rechenintensive Aufgaben, die Informationen aus mehreren Quellen (wie Gmail, Slack oder GitHub) beziehen, um umfangreiche Ergebnisse zu liefern. Obwohl Work-Aufgaben mehr Credits verbrauchen, sind sie darauf ausgelegt, komplexe, wiederkehrende Workflows zu automatisieren.

Für Entwickler, die Codex nutzen, führt der Leitfaden anspruchsvolle Steering- und Sandboxing-Funktionen ein. Nutzer können nun den Befehl „Steer“ verwenden, um einen aktuellen Durchlauf umzuleiten, oder „Queue“, um die nächste Anweisung vorzubereiten. Zur Verwaltung komplexer Coding-Projekte hat OpenAI spezifische Slash-Commands eingeführt:

  • /plan: Analysiert Code und schlägt einen Ansatz vor, bevor die Ausführung erfolgt.
  • /goal: Setzt ein übergeordnetes Ziel, das das Modell über mehrere Schritte hinweg verfolgt.
  • /review: Ermöglicht lokale oder in GitHub integrierte Sicherheits- und Logik-Audits.

Wichtigste Erkenntnisse

  • Ergebnisse priorisieren: Beginnen Sie mit dem gewünschten Ergebnis; definieren Sie den Prozess nur dann, wenn die spezifischen Schritte für die Aufgabe essenziell sind.
  • Constraints statt Skripte nutzen: Verwenden Sie harte Grenzen, um Fehler zu vermeiden, anstatt zu versuchen, jede einzelne Bewegung des Modells zu skripten.
  • Spezialisierte Befehle nutzen: Verwenden Sie Codex-Slash-Commands wie /plan und /goal, um komplexe, mehrstufige technische Workflows zu verwalten.