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
medium.com27. Juli 2025 · Q011154

Why JSON Prompts Make AI More Reliable (With Code & Real Examples)

medium.com · Originalbericht öffnen ↗

Zusammenfassung

Kurz

Der Autor stellt JSON-Prompts als Möglichkeit vor, KI-Aufgaben und Ausgabeformate klarer festzulegen, und zeigt Beispiele zum Zusammenfassen, Extrahieren, Erstellen und Analysieren. Er berichtet von Zeitersparnis und empfiehlt Schema, Ausgabeprüfung und gegebenenfalls Wiederholungen; die Vorteile werden jedoch anhand persönlicher Erfahrung und Beispiele behauptet, nicht systematisch belegt.

Mittel

Der Beitrag empfiehlt JSON-Prompts, um KI-Aufgaben und gewünschte Ausgaben klar zu strukturieren. Statt einer vagen Bitte sollen Felder wie Aufgabe, Eingabetext, Zielgruppe, Ausgabeform und zulässige Werte angegeben werden. Beispiele behandeln das Zusammenfassen von E-Mails, das Extrahieren von Kontaktdaten und Problemen sowie das Erstellen und Analysieren von Inhalten. Für verlässlichere Formatierung nennt der Autor außerdem Schemas und plattformspezifische Funktionen; verschachtelte Strukturen sollten überschaubar bleiben.

Der Autor berichtet, eine E-Mail-Auswertung damit in Sekunden erledigt und bei 30 Nachrichten täglich Stunden gespart zu haben. Sein vorgeschlagener Ablauf umfasst die Prüfung der Ausgabe, bis zu drei Wiederholungsversuche mit Temperatur 0 und nötigenfalls eine manuelle Kontrolle. Er räumt ein, dass Fehler und Abweichungen vorkommen. Die Behauptungen zu Zuverlässigkeit, Zeitersparnis und Temperatur 0 stützen sich im Artikel auf Beispiele und persönliche Erfahrung, nicht auf systematische Vergleichsdaten; eine fehlerfreie Ausgabe wird daher nicht belegt.

Ausführlich lesen

Der Beitrag von Code Coup erklärt, wie strukturierte JSON-Prompts nach Ansicht des Autors KI-Ausgaben vorhersehbarer und leichter weiterzuverarbeiten machen können. JSON wird als Format mit beschrifteten Feldern, Werten, Listen und verschachtelten Objekten vorgestellt. Die zentrale Empfehlung lautet, Aufgaben, Eingaben und gewünschte Ausgabeform ausdrücklich zu benennen, statt eine vage Frage in natürlicher Sprache zu stellen.

Zur Veranschaulichung vergleicht der Autor eine allgemeine Bitte um eine E-Mail-Zusammenfassung mit einem JSON-Beispiel, das eine Listenform und höchstens drei Punkte vorgibt. Weitere Beispiele zeigen Prompts für Lerntipps, das Extrahieren von Name, Unternehmen, Problem und Dringlichkeit aus einer E-Mail sowie das Erstellen oder Analysieren von Inhalten. Der Beitrag empfiehlt außerdem, verschachtelte Strukturen überschaubar zu halten und gewünschte Felder und zulässige Werte über ein Schema festzulegen. Für strengere Formatvorgaben nennt er plattformspezifische Funktionen von OpenAI, Anthropic und Google.

Der Autor berichtet aus eigener Erfahrung, eine Beispiel-E-Mail mit JSON in Sekunden ausgewertet und dadurch bei 30 Nachrichten pro Tag Stunden gespart zu haben. Er beschreibt einen Ablauf, bei dem Ausgaben geprüft, bei Fehlern bis zu dreimal erneut angefragt und andernfalls manuell kontrolliert werden. Temperatur 0 empfiehlt er, weil die Ausgabe dadurch seiner Darstellung nach weniger variabel sei. Zugleich räumt der Beitrag ein, dass Netzprobleme und unerwünschte Abweichungen vorkommen können und menschliche Prüfung nötig bleiben kann.

Die Aussagen zur Zuverlässigkeit, Zeitersparnis und Wirkung von Temperatur 0 werden im Text anhand von Beispielen und persönlichen Angaben erläutert, aber nicht durch systematische Tests oder Vergleichsdaten belegt. Auch die Aussage, ein Schema lasse der KI keinen Spielraum, ist als vereinfachende Darstellung des Autors zu verstehen. Der Beitrag liefert praktische Vorlagen und eine Einführung, aber keine Messung, die garantiert, dass JSON-Prompts stets korrekte Ergebnisse erzeugen.

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

Gegengeprüft von Claude Haiku 5.5: kleine Mängel

Die Bewertung stützt sich nur auf den Bericht; die Zusammenfassung von Luna ist im Kern treu, enthält aber eine ungenaue Bezeichnung und lässt die Trainingsbegründung und die Vorlagen aus.

Im Bericht, aber nicht in der Zusammenfassung

  • Die Begründung des Autors, KI-Modelle seien auf viel JSON trainiert und daher besser darauf ansprechbar.
  • Die drei Vorlagen des Artikels (Datenauszug, Inhaltserstellung, Analyse) und das Beispiel einer Stimmungsprüfung mit Schema werden nicht erwähnt.
  • Die Erklärung, dass Temperatur 0 die Ausgabe vorhersagbarer macht und der Autor sie für JSON durchgehend nutzt.

In der Zusammenfassung, laut Prüfung nicht im Bericht belegt

  • Die Formulierung 'Kontaktdaten' ist ungenau: Der Artikel extrahiert Name, Firma, Problem und Dringlichkeit, nicht Kontaktdaten im engeren Sinn.

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
Vorfälle melden
Unabhängig prüfen
Tempo und Grenzen
  1. SF-T1 Welche messbaren Schwellen sollen eine Pause auslösen, und wer prüft sie?
    • clef 100 %kein Bezug
    • Luna 100 %kein Bezug
    • JEV 34 %einzelne zitierbare Belege
    • amos 100 %kein Bezug
    • SubQ 100 %kein Bezug
    • drex 100 %kein Bezug
    • d3-ultra 100 %kein Bezug
Vertrauen in Modelle
  1. SF-V5 Was soll heute für das Verhalten und den Betrieb von Modellen gelten?
    • clef 100 %kein Bezug
    • Luna 46 %Hintergrund, keine Belege
    • JEV 36 %beantwortet teilweise oder widerspricht
    • amos 42 %gleiches Oberthema, hilft nicht
    • SubQ 100 %kein Bezug
    • drex 47 %gleiches Oberthema, hilft nicht
    • d3-ultra 100 %kein Bezug
    • Haiku-Prüfung Hintergrund, keine Belege
Agenten und vernetzte Systeme
Beteiligung und Gemeinwohl
  1. SF-E5 Welche Mitsprache haben die Menschen, die mit KI leben, bei Tempo und Grenzen, und welche Entscheidungen müssen bei ihnen bleiben?
    • clef 100 %kein Bezug
    • Luna 100 %kein Bezug
    • JEV 27 %einzelne zitierbare Belege
    • amos 100 %kein Bezug
    • SubQ 100 %kein Bezug
    • drex 100 %kein Bezug
    • d3-ultra 100 %kein Bezug
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 →