Zum Inhalt
AMANi DUNiA research
DE

Die Fragen auf dieser Website haben KI-Sprachmodelle gestellt; auch die Erklärtexte und Übersetzungen stammen von KI-Modellen. Wer was geprüft hat, steht jeweils dabei. → Über die Fragen

← Alle bewerteten Quellen
frank-andrade.medium.com20. Oktober 2025 · Q009762

I Took Google’s Prompt Engineering Course. Here’s What Actually Works

frank-andrade.medium.com · Originalbericht öffnen ↗

Zusammenfassung

Kurz

Der Autor empfiehlt ein fünfstufiges Vorgehen für Prompts: Aufgabe und Kontext klären, Referenzen geben, die Antwort prüfen und den Prompt iterativ verbessern. An Beispielen und fortgeschrittenen Methoden wie Prompt Chaining zeigt er mögliche Anwendungen, liefert im Text aber keine systematischen Wirksamkeitsbelege; die Inhalte der eingebetteten Ergebnisbilder sind hier nicht prüfbar.

Mittel

Frank Andrade beschreibt Erkenntnisse aus Googles Prompt-Engineering-Kurs und ergänzt sie nach eigener Aussage um neuere Hinweise. Sein Grundmodell umfasst fünf Schritte: Aufgabe festlegen, Kontext und Beispiele liefern, die Antwort bewerten und den Prompt überarbeiten. Für die Überarbeitung empfiehlt er, den ursprünglichen Prompt zu prüfen, komplexe Anliegen in Schritte aufzuteilen, die Formulierung zu verändern und konkrete Einschränkungen sowie ein Ausgabeformat vorzugeben.

Beispiele aus Vertrieb, Personalwesen und Logistik zeigen, wie sich Ziele, Hintergrundinformationen, Datenquellen und Grenzen in Prompts verbinden lassen. Der Autor bewertet die abgebildeten Antworten positiv, doch ihre Inhalte sind im bereitgestellten Text nicht auswertbar. Als weiterführende Methoden stellt er Prompt Chaining mit aufeinander aufbauenden Abfragen, Chain-of-Thought mit schrittweisen Erklärungen und Tree-of-Thought zum Vergleichen verschiedener Lösungswege vor.

Der Beitrag argumentiert, dass strukturierte Prompts und iterative Prüfung nützlichere Antworten fördern. Er bietet praktische Empfehlungen, jedoch keine systematische Studie oder quantitativen Wirksamkeitsnachweise; die Bewertungen der Beispiele sind die Einschätzung des Autors.

Ausführlich lesen

Der Autor Frank Andrade fasst Erkenntnisse aus Googles Prompt-Engineering-Kurs zusammen und ergänzt sie nach eigener Aussage um neuere Hinweise. Seine zentrale Empfehlung ist ein Arbeitsrahmen aus fünf Schritten: die Aufgabe klar benennen, relevanten Kontext geben, passende Beispiele oder Referenzen bereitstellen, die Antwort prüfen und den Prompt anhand der Ergebnisse überarbeiten. Mehr Kontext und konkrete Beispiele sollen der KI helfen, die Absicht besser zu erfassen; der Autor betont zugleich, dass auch sorgfältig formulierte Prompts zunächst wichtige Punkte verfehlen können.

Für die Überarbeitung schlägt der Beitrag vier Vorgehensweisen vor: den ursprünglichen Prompt anhand von Aufgabe, Kontext und Referenzen prüfen; komplexe Anliegen in kurze, geordnete Schritte zerlegen; die Aufgabe anders formulieren oder eine ähnliche Frage stellen; und Grenzen sowie gewünschte Ausgabeform festlegen. Als Beispiel wird eine allgemeine Bitte um Ideen zur Umsatzsteigerung einer konkreteren Vorgabe gegenübergestellt: drei umsetzbare Maßnahmen, ohne höheres Marketingbudget, innerhalb von drei Monaten und in einer Tabelle mit Kosten, Zeit und erwarteter Wirkung.

Anwendungsbeispiele übertragen den Rahmen auf den Vertrieb, die Personalbindung und die Logistik. Sie formulieren jeweils ein Problem mit Kontext, Datenquellen oder Referenzen sowie konkreten Zielen und Einschränkungen. Dazu gehören etwa ein Produkt mit sinkenden Verkäufen, gestiegene Kündigungen in bestimmten Abteilungen und Verzögerungen beim Versand. Der Autor bewertet die gezeigten Antworten als interessant beziehungsweise für einen ersten Versuch als gut. Da die Ergebnisse im Bericht überwiegend als eingebettete Abbildungen vorliegen und deren Inhalt im Text nicht wiedergegeben wird, lassen sich konkrete Resultate daraus hier nicht prüfen.

Als fortgeschrittene Methoden beschreibt der Beitrag Prompt Chaining, bei dem die Ausgabe eines Prompts in den nächsten Schritt eingeht; Chain-of-Thought, bei dem die KI zu einer schrittweisen Erklärung aufgefordert wird; und Tree-of-Thought, bei dem mehrere Lösungswege entwickelt und verglichen werden. Beispiele betreffen die Entwicklung einer Produktidee aus einer Marktanalyse, eine Gewinnberechnung und den Vergleich von Wachstumsstrategien. Der Autor hält diese Verfahren besonders bei mehrstufigen Aufgaben, Berechnungen und strategischen Entscheidungen für nützlich.

Insgesamt vertritt der Artikel die Auffassung, dass Struktur, konkrete Vorgaben und wiederholte Prüfung Klarheit und Relevanz von KI-Antworten verbessern können. Er präsentiert praktische Empfehlungen und Beispiele, aber keine systematische Vergleichsstudie oder quantitativen Belege für deren Wirksamkeit. Die Aussagen zu den Ergebnissen stammen daher aus der Einschätzung des Autors; die eingebetteten Antwortbilder sind anhand des vorliegenden Textes nicht inhaltlich auszuwerten.

Luna (gpt-6-luna, Denkstufe high), ChatGPT-Abo · 2026-11-19

Gegengeprüft von Claude Haiku 5.5: kleine Mängel

Lunas drei Zusammenfassungen geben den Bericht im Kern treu wieder; die Einordnung bezieht sich auf die drei Sammelfragen, die der Bericht kaum berührt, da er ein Praxisbeitrag zum Prompt-Schreiben ist. Nur die Teilfragen-Liste ist leer und wurde daher nicht bewertet.

Im Bericht, aber nicht in der Zusammenfassung

  • Die kurze Fassung nennt weder Chain-of-Thought noch Tree-of-Thought und lässt die Iterationsmethoden (Umformulierung, Einschränkungen, Ausgabeformat) aus
  • Beide Fassungen erwähnen nicht, dass der Kurs vor etwa einem Jahr erschien und der Autor deshalb neuere Hinweise ergänzt hat

Automatische Gegenprüfung mit dem vollständigen Originaltext (Batch, 20.11.2026). Ungeprüft durch Menschen.

Wie die Modelle den Bericht einordnen

Je Sammelfrage und Teilfrage die häufigste Stufe (0 bis 7) und ihr Anteil, geordnet nach Fragenfamilie (Farbe) oder nach den Wegen des Atlas. Ab Stufe 4 liefert der Bericht Belege, Stufe 3 ist Hintergrund (gestrichelt). Was die Stufen bedeuten, steht in der Legende.

Ansicht
Filter
Modelle 8 von 8
Angezeigte Modelle
Unabhängig prüfen
Tempo und Grenzen
Vertrauen in Modelle
  1. SF-V1 Was zählt als Beleg für die Werte eines Modells, wenn sein sichtbares Denken und seine Selbstauskünfte allein nicht genügen?
    • clef 100 %kein Bezug
    • Luna 59 %Hintergrund, keine Belege
    • JEV 100 %kein Bezug
    • amos 100 %kein Bezug
    • SubQ 100 %kein Bezug
    • drex 58 %gleiches Oberthema, hilft nicht
    • d3-ultra 100 %kein Bezug
    • Haiku-Prüfung gleiches Oberthema, hilft nicht
  2. SF-V5 Was soll heute für das Verhalten und den Betrieb von Modellen gelten?
    • clef 100 %kein Bezug
    • Luna 49 %Hintergrund, keine Belege
    • JEV 26 %einzelne zitierbare Belege
    • amos 43 %gleiches Oberthema, hilft nicht
    • SubQ 100 %kein Bezug
    • drex 46 %gleiches Oberthema, hilft nicht
    • d3-ultra 100 %kein Bezug
    • Haiku-Prüfung gleiches Oberthema, hilft nicht
Agenten und vernetzte Systeme
  1. SF-A1 Welche Befugnisse darf ein KI-Agent haben, also eine KI, die selbstständig mit Werkzeugen handelt? Wer entzieht sie ihm, und wie prüft man, dass er in seinem Auftrag bleibt?
    • clef 100 %kein Bezug
    • Luna 45 %Hintergrund, keine Belege
    • JEV 100 %kein Bezug
    • amos 100 %kein Bezug
    • SubQ 100 %kein Bezug
    • drex 100 %kein Bezug
    • d3-ultra 100 %kein Bezug
    • Haiku-Prüfung kein Bezug
Modelle teilen und schützen
Frieden und Sicherheit
Beteiligung und Gemeinwohl
Information und Öffentlichkeit

Weitere Berichte zu diesen Fragen

Eigene Zusammenfassungen und Einordnungen von AMANi DUNiA. Fremde Originalberichte behalten ihre eigenen Rechte.

Sprache und Prüfstand

Haupttext: DE. Prüfvermerke gelten nur für den jeweils genannten Inhalt.

Vorhandene Prüfvermerke stehen am jeweiligen Inhalt.

Sprachabdeckung und Datenstand ansehen →