Die Idee
Wenn dir ein KI-Assistent einen schwachen Code-Entwurf oder Testplan liefert, möchtest du die Anfrage vielleicht komplett neu formulieren. Eine kontrolliertere Möglichkeit ist die Prompt-Iteration: Du verwendest mehrere gezielte Anfragen statt einer Anfrage für alles.
In dieser Lektion ist ein Entwurf eine erste Antwort, die du prüfen und verbessern willst. Ein Kriterium ist eine konkrete Bedingung, mit der du diese Antwort bewertest, etwa „deckt leere Eingaben ab“ oder „ändert nicht die öffentliche API“.
Die Schleife hat drei Stufen:
- Bitte um einen Entwurf.
- Bitte um eine Prüfung anhand benannter Kriterien.
- Bitte um eine Überarbeitung anhand der Prüfung.
Das ist eine praktische Form von Prompt-Chaining: Eine komplexe Aufgabe wird auf aufeinanderfolgende Modellaufrufe verteilt. Anthropic beschreibt Selbstkorrektur als häufiges Muster: Einen Entwurf erstellen, ihn anhand von Kriterien prüfen und ihn anhand dieser Prüfung verfeinern. Laut Dokumentation bleibt explizites Chaining nützlich, wenn du Zwischenergebnisse prüfen oder eine bestimmte Pipeline erzwingen musst. Quelle
Einfach gesagt: Bitte nicht nur um eine bessere Endantwort. Bitte um eine Antwort, eine konkrete Prüfung dieser Antwort und anschließend um eine gezielte Korrektur.
Das bedeutet nicht, dass das Modell seine Fehler wirklich versteht. „Selbstkorrektur“ bezeichnet hier den Ablauf: Das Modell erhält eine weitere Gelegenheit, Text mit deinen ausdrücklich genannten Anforderungen abzugleichen. Du entscheidest weiterhin, ob das Ergebnis akzeptabel ist.
Für Entwickler liegt der Nutzen in der Sichtbarkeit. Du kannst erkennen, ob ein Problem im ersten Ansatz, in der Prüfung oder in der Überarbeitung entstanden ist. Außerdem kannst du jede Stufe festhalten und Versionen vergleichen. Bei einer kleinen, eindeutigen Anfrage ist ein einzelner Prompt vielleicht einfacher. Nutze die Schleife, wenn der Kontrollpunkt selbst wichtig ist.
Ein kleines Beispiel
Beispiel: Du möchtest einen Testplan für eine Funktion, die eine kommagetrennte Liste ganzer Zahlen parst.
Erste Anfrage: „Erstelle einen Entwurf für einen Unit-Testplan für diesen Parser. Schreibe keinen Produktivcode.“
Zweite Anfrage: „Prüfe diesen Plan anhand dieser Kriterien: leere Eingabe, Leerzeichen, ungültige Tokens, negative Zahlen, doppelte Werte und erwartetes Fehlerverhalten. Liste nur fehlende oder mehrdeutige Fälle auf.“ Füge den Entwurf unter diese Anfrage ein.
Dritte Anfrage: „Überarbeite den Testplan anhand dieser Prüfung. Behalte gültige Fälle bei. Ergänze Tests nur für die gemeldeten Lücken. Gib für jeden Test Eingabe und erwartetes Ergebnis an.“ Füge sowohl Entwurf als auch Prüfung ein.
Die Prüfungsstufe hat eine enge Aufgabe. Sie lautet nicht „Mach es besser“. Sie muss einen bekannten Entwurf mit einer bekannten Liste von Bedingungen vergleichen. Dadurch kannst du Unstimmigkeiten leichter prüfen. Lege Erfolgskriterien und Testmöglichkeiten fest, bevor du einen Prompt überarbeitest; Anthropic empfiehlt dies vor einer Prompt-Überarbeitung. Quelle
Probier es aus
Nimm dir fünf Minuten für diese Übung. Wähle eine kleine Aufgabe, die du bereits verstehst: einen Testplan, eine Fehlermeldung, einen README-Absatz oder einen Funktionsentwurf.
Schreibe drei bis fünf Kriterien auf, bevor du den Assistenten öffnest. Formuliere sie beobachtbar. „Enthält Beispiele für ungültige Eingaben“ ist hilfreicher als „ist hochwertig“. Sende dann drei getrennte Nachrichten: Entwurf, Prüfung, Überarbeitung. Bewahre den Text jeder Stufe auf.
Vergleiche anschließend selbst die erste und die letzte Fassung. Welches Kriterium hat eine konkrete Änderung ausgelöst? Welches wurde ignoriert oder nur vage ausgelegt? Die Antwort zeigt dir, was du als Nächstes verbessern solltest: die Kriterien, den Eingabekontext oder die Aufgabe selbst.
Darauf solltest du achten
Ein Modell, das seine eigene Ausgabe prüft, ist keine unabhängige Garantie für Korrektheit. Es kann in beiden Stufen dieselbe falsche Annahme wiederholen. Führe bei Code passende echte Tests, Builds oder andere Prüfungen aus, bevor du eine Überarbeitung als korrekt ansiehst.
Prompt-Iteration kann auch keine fehlenden Produktentscheidungen ersetzen. Wenn „korrektes Fehlerverhalten“ nicht definiert ist, sollte eine Person entscheiden, statt das Modell raten zu lassen. Mehr Stufen bedeuten außerdem mehr Material, das du lesen und verwalten musst.
Mache schließlich nicht jede Aufgabe zu einer Pipeline. Modelle können viele mehrstufige Aufgaben intern bearbeiten; explizites Chaining ist besonders nützlich, wenn du überprüfbare Stufen oder eine erzwungene Reihenfolge brauchst. Quelle