Muster und Vorlagen

Wie diese Seite zu nutzen ist

Die folgenden Vorlagen sind Ausgangspunkte. Jede fängt ein Muster ein, das sich über viele Aufgaben derselben Form hinweg bewährt hat. Die passende Vorlage kopieren, die Platzhalter in geschweiften Klammern füllen und von dort verfeinern. Keine ist als perfekt für den konkreten Fall gedacht; jede ist als achtzig Prozent eines funktionierenden Prompts gedacht. Die Muster sind nach Aufgabenform gruppiert, nicht nach Domäne. Ein Klassifikations Prompt sieht gleich aus, ob Support Tickets oder juristische Klauseln klassifiziert werden; die Unterschiede liegen in den Labels und der Eingabe, nicht in der Struktur. Viele dieser Muster sind dieselben Skelette, die auch die Bibliothek der PANTA OS Apps antreiben.

Klassifikation

Aufgabe: eine Eingabe in eine von mehreren festgelegten Kategorien einordnen.

Du bist ein {role}. Klassifiziere die {input_type} unten in genau eine der folgenden
Kategorien.

Kategorien:
- {category_1}: {definition_1}
- {category_2}: {definition_2}
- {category_3}: {definition_3}

Regeln:
- Wähle die einzige beste Kategorie, auch wenn mehrere passen.
- Wenn keine Kategorie passt, antworte mit „uncategorized“.
- Erfinde keine neuen Kategorien.

Beispiele:
{example_input_1}
Kategorie: {example_category_1}

{example_input_2}
Kategorie: {example_category_2}

{example_input_3}
Kategorie: {example_category_3}

Klassifiziere nun:

{input}
Kategorie:

Lohnenswerte Varianten:

Multi Label. „Genau eine“ durch „alle passenden“ ersetzen und die Ausgabe auf eine kommaseparierte Liste umstellen.
Hierarchisch. Zwei stufige Kette: zuerst in eine Top Level Kategorie klassifizieren, dann in eine Subkategorie.
Mit Confidence. „Gib in einer neuen Zeile deine Confidence von 1 bis 5 an“ für hochkritische Klassifikation ergänzen.

Extraktion

Aufgabe: strukturierte Informationen aus unstrukturiertem Text ziehen.

Du bist ein {role}. Extrahiere die folgenden Felder aus der {input_type} unten.

Felder:
- {field_1} ({type_1}): {description_1}
- {field_2} ({type_2}): {description_2}
- {field_3} ({type_3}): {description_3}

Regeln:
- Verwende ausschließlich Informationen aus der Eingabe.
- Wenn ein Feld nicht ermittelt werden kann, setze es auf null.
- Inferiere keine Werte, die nicht genannt sind.

Output Format:
Gib ein einziges JSON Objekt zurück, das dem Schema entspricht. Keine Einleitung,
keine Erläuterung.

{input_type}:
<input>
{input}
</input>

Häufige Verfeinerungen:

Quelle zitieren. Für jeden extrahierten Wert ein _source Feld mit dem wörtlichen Zitat ergänzen, aus dem der Wert stammt. Nützlich für Audit und Verifikation.
Mehrere Entitäten. Wenn die Eingabe mehrere Entitäten enthält (z. B. mehrere Positionen einer Rechnung), das Schema in ein Array hüllen und eine Regel zur Erkennung der Entitätsgrenzen ergänzen.
Schema Validierung. Mit den Structured Output Funktionen der API kombinieren, für garantiert valides JSON.

Zusammenfassung

Aufgabe: einen längeren Text zu einem kürzeren verdichten und dabei das Wichtige bewahren.

Du bist ein {role}, der Zusammenfassungen für {audience} produziert.

Fasse die {input_type} unten in {length} zusammen.

Anforderungen:
- Beginne mit dem {single_most_important_thing}.
- Decke {required_topic_1}, {required_topic_2} und {required_topic_3} ab.
- Klares Deutsch; jede Abkürzung beim ersten Auftreten ausschreiben.
- Keine Wertung. Wiedergeben, was die Quelle sagt, nicht, was du denkst.

{input_type}:
<source>
{input}
</source>

Varianten:

Executive Summary. Drei Abschnitte: Headline (ein Satz), Key Findings (ein Absatz), Implications (ein Absatz). Insgesamt 250 bis 300 Wörter.
TL;DR. Ein einzelner Satz am Anfang, gefolgt von drei bis fünf Bullets, gefolgt vom nächsten Schritt.
Mehrere Dokumente. Jede Eingabe in <document> Tags mit Metadaten hüllen. Das Modell zuerst gemeinsame Themen und Widersprüche identifizieren lassen, dann zusammenfassen.

Bei langen Quelldokumenten zuerst die relevanten Zitate extrahieren lassen, dann aus den Zitaten zusammenfassen. Die Zusammenfassungen sind besser geerdet und leichter zu verifizieren.

Drafting

Aufgabe: einen ersten Entwurf eigener Inhalte aus einem Briefing erzeugen.

Du bist ein {role} und schreibst für {publication_or_context}.

Briefing:
{brief}

Constraints:
- Länge: {word_count}.
- Stimme: {voice_descriptor}.
- Lese Niveau: {reading_level}.
- Zielgruppe: {audience_descriptor}.
- Notwendige Elemente: {required_elements}.
- Vermeiden: {forbidden_elements}.

Referenzmaterial (als Faktenquelle nutzen, nicht als Stilvorlage):
<references>
{references}
</references>

Erstelle den Entwurf. Keine Vorrede, kein Kommentar; nur den Entwurf ausgeben.

Drafting Prompts profitieren stärker von Stilbeispielen als von Anweisungen. Wenn zwei oder drei Texte vorliegen, die die gewünschte Stimme exemplifizieren, in <style_example> Tags einbinden. Das Modell übernimmt die Stimme zuverlässiger als aus jeder prosaischen Beschreibung.

Transformation

Aufgabe: Inhalte von einer Form in eine andere überführen, ohne Bedeutung zu verlieren.

Wandle das {source_format} unten in {target_format} um.

Regeln:
- Erhalte alle faktischen Inhalte.
- Füge keine Informationen hinzu, die nicht in der Quelle stehen.
- Lasse keine Informationen weg, die in der Quelle stehen.
- {format_specific_rule_1}
- {format_specific_rule_2}

Quelle:
<source>
{input}
</source>

Ausgabe:

Häufige Transformationen:

Übersetzung. Quellsprache in Zielsprache, mit Regeln zu Terminologie, Formalitätsregister und Umgang mit unübersetzbaren Begriffen.
Format Konvertierung. Markdown zu HTML, Fließtext zu Bullet List, Transkript zu Meeting Notes, Verordnung zu klarem Deutsch.
Stimmwechsel. Formell zu informell, technisch zu allgemeinverständlich, internes Memo zu öffentlicher Ankündigung.
Verdichtung und Erweiterung. Lang zu kurz mit derselben Information, oder kurz zu lang mit Anreicherung, die in der Quelle verankert ist.

Question Answering mit Quellen

Aufgabe: eine Frage anhand eines bereitgestellten Dokuments beantworten, ohne Informationen zu erfinden.

Du bist ein {role}. Beantworte die Frage ausschließlich anhand der Informationen in
den unten stehenden Quelldokumenten. Wenn die Antwort nicht in den Dokumenten steht,
antworte mit „Nicht in den bereitgestellten Quellen“ und höre auf.

Vorgehen:
1. Extrahiere jede Passage, die für die Frage relevant ist. Platziere sie wörtlich,
   mit Dokumentindex, in <quote> Tags innerhalb einer <quotes> Hülle.
2. Verfasse die Antwort ausschließlich auf Basis der extrahierten Zitate. Platziere
   sie in <answer> Tags.
3. Keine Informationen außerhalb der Dokumente einbeziehen.

Frage:
{frage}

<documents>
<document index="1">
{dokument_1}
</document>
<document index="2">
{dokument_2}
</document>
</documents>

Das ist das kanonische Retrieval Augmented Generation Muster, und es ist dieselbe Form, die das Question Answering gegen die Knowledge Base eines beliebigen PANTA OS Assistenten antreibt. Der Schritt „Erst zitieren“ macht die Antwort prüfbar: Ein Reviewer kann die Zitate scannen und bestätigen, dass die Antwort daraus folgt, ohne das gesamte Dokument erneut zu lesen.

Vergleich

Aufgabe: zwei oder mehr Elemente entlang definierter Dimensionen vergleichen.

Vergleiche {item_a} und {item_b} entlang der folgenden Dimensionen:

- {dimension_1}
- {dimension_2}
- {dimension_3}

Beschreibe für jede Dimension die Position jedes Elements in einem Satz, dann
benenne, welches stärker ist und warum.

Output Format:
Eine Markdown Tabelle mit den Spalten: Dimension, {item_a}, {item_b}, stärker, Begründung.

Quellmaterial:
<item_a>
{item_a_input}
</item_a>
<item_b>
{item_b_input}
</item_b>

Die Struktur verhindert den häufigsten Fehler von Vergleichs Prompts, dass das Modell ein Element pauschal als überlegen erklärt, ohne es Dimension für Dimension zu analysieren.

Kritik und Überarbeitung

Aufgabe: Schwächen in einer Arbeit identifizieren und Verbesserungen vorschlagen.

Du bist Senior {role} und prüfst die {artifact_type} unten. Deine Aufgabe ist es,
die Schwächen zu finden, nicht die Stärken zu loben.

Für jede Schwäche:
1. Zitiere die konkrete Passage.
2. Benenne den Typ des Problems (Klarheit, Genauigkeit, Struktur, Tonalität, Belege).
3. Erkläre in einem Satz, warum es ein Problem ist.
4. Schlage eine konkrete Überarbeitung vor.

Wenn das Artefakt durchgängig solide ist, sage das ausdrücklich, statt Schwächen
zu erfinden.

<artifact>
{input}
</artifact>

Die Zeile „Wenn solide, das ausdrücklich sagen“ leistet wichtige Arbeit. Ohne sie erfindet das Modell manchmal Schwächen, um die implizite Erwartung des Prompts zu erfüllen.

Routing und Zerlegung

Aufgabe: eine komplexe Anfrage entgegennehmen, ihren Typ bestimmen und an den passenden Spezial Prompt weiterreichen.

Du bist ein Routing Assistent. Lies die User Anfrage unten und entscheide, welcher
der folgenden Spezialisten sie bearbeiten soll.

Spezialisten:
- {specialist_1}: {description_1}
- {specialist_2}: {description_2}
- {specialist_3}: {description_3}

Gib ein einziges JSON Objekt mit den Schlüsseln „specialist“ (einer der Namen oben)
und „reason“ (ein Satz) zurück. Wenn die Anfrage mehrdeutig ist, setze specialist
auf „clarification_needed“ und reason auf eine Rückfrage in einem Satz.

User Anfrage:
{input}

Routing Prompts sind der Einstiegspunkt von Agenten Systemen. Klein und vorhersehbar halten. Die nachgelagerten Spezial Prompts können größer sein; der Router soll schnell und deterministisch sein.

Schlussbemerkung

Diese Vorlagen sind Ausgangspunkte, keine fertigen Produkte. Die nächstliegende nehmen, Platzhalter füllen, an fünf bis zehn realen Eingaben laufen lassen, verfeinern. In der Verfeinerung liegt der Wert; die Vorlage bringt nur an den Punkt, an dem Verfeinerung der nächste Schritt ist. Für eine tiefere Begründung, warum diese Muster funktionieren, zurück zu Prompting Techniken und Strukturierte Prompts.

​Wie diese Seite zu nutzen ist

​Klassifikation

​Extraktion

​Zusammenfassung

​Drafting

​Transformation

​Question Answering mit Quellen

​Vergleich

​Kritik und Überarbeitung

​Routing und Zerlegung

​Schlussbemerkung