Testen Sie Ihren Prompt jetzt mit einem dieser KI-Assistenten, um reale Ergebnisse zu sehen:

Behalten Sie den Überblick über Ihre Prompts und die erzielten Ergebnisse, damit Sie sie vergleichen und verbessern können.

Tipp:

Mit einem LLM testen

# Projektbericht: HR-Digitalisierung

## 1. Kontext
Unser Unternehmen hat 500 Mitarbeiter an 3 Standorten. Derzeit ist das HR-Management vollständig manuell mit verstreuten Excel-Dateien.

## 2. Identifizierte Probleme
- Bearbeitungszeit der Unterlagen: durchschnittlich 15 Tage
- Fehlerquote bei der Dateneingabe: 12%
- Schwierigkeiten beim Tracking von Bewerbungen
- Keine Sichtbarkeit der Leistung

## 3. Vorgeschlagene Lösung
Implementierung eines ATS (Applicant Tracking System) gekoppelt mit einem Performance-Management-Tool.

## 4. Budget und Zeitplan
Geschätztes Budget: 50.000€
Implementierungszeitraum: 6 Monate
Erwarteter ROI: 30% Produktivitätssteigerung

Dokument

Erstellen Sie eine Prompt-Kette zur Analyse dieses Berichts (3 Seiten)

🔗 KETTEN-ARCHITEKT

**Berichtszusammenfassung:**
- Kontext: Unternehmen mit 500 Mitarbeitern, derzeit manuelles HR-Management
- Probleme: Langsame Bearbeitung (15T), Fehler (12%), kein Tracking
- Lösung: Implementierung eines ATS mit Performance-Management
- Budget: 50.000€ über 6 Monate
- Erwarteter ROI: 30% Produktivität

SCHRITT

⚠️ Schritt {index}: Unzureichender Kontext. Verweisen Sie auf die Ergebnisse des vorherigen Schritts.

Vorschläge:

AUFGABENZERLEGUNG ERFOLGREICH. ÜBERPRÜFBARE AUSGABEN GENERIERT.

SEQUENZ_ABGESCHLOSSEN

CHAIN_ARCHITECT_V1.0

STARTE VERKETTUNGS-SIMULATIONSSEQUENZ. ZIEL: KOMPLEXE AUFGABE IN ÜBERPRÜFBARE SCHRITTE ZERLEGEN.

DATEN_ZUSAMMENFASSEN

EMPFEHLUNGEN AUS ZUSAMMENFASSUNG ABLEITEN

AKTIONEN_GENERIEREN

>> SEQUENZ_PROTOKOLL_INIT

Einschränkungen

Schalten Sie Schalter um, um zu sehen, wie Einschränkungen die Antwort des Modells zum gleichen Thema (Eiffelturm) radikal verändern.

Einschränkungs-Labor

Das Treffen mit Herrn Dupont findet am 12. März in Lyon statt, um Projekt Alpha zu besprechen.

Sophie wird am 5. April nach Berlin gehen.

Sehen Sie, wie das Hinzufügen von Beispielen (Shots) die Antwortgenauigkeit und Formatierung drastisch verbessert, ohne die Hauptanweisung zu ändern.

Extrahieren Sie Entitäten (Name, Datum, Ort) aus dem folgenden Text.

Der Few-Shot-Builder

Beobachten Sie, wie das Modell das nächste Wort "errät". Passen Sie die Temperatur an, um die Auswirkungen auf seine Entscheidungen zu sehen.

Vorhersage-Simulator (Token für Token)

Agiere als professioneller Korrektor. Korrigiere den folgenden Text, indem du Rechtschreibfehler entfernst und den Stil verbesserst, während du einen professionellen Ton beibehältst:

[TEXT]

E-Mail-Korrektur

Z.B.: Fassen Sie den folgenden Text in 3 Kernpunkten zusammen: [TEXT]

Titel

Z.B.: Artikel-Zusammenfasser

Beginnen Sie mit dem Aufbau Ihrer Bibliothek wiederverwendbarer Prompts.

Ihr Prompt-Buch

Verfolgen Sie Ihre Fortschritte durch Modul 1

Ihr Kompetenzen-Baum

BUG HUNTER EXPERTE

ÜBUNG ABGESCHLOSSEN

Fehlender Doppelpunkt

Fehlende Anführungszeichen

Störender Text

Abschließendes Komma

FEHLER KORRIGIEREN

FINDEN SIE DAS GÜLTIGE JSON

JSON-FEHLER ENTDECKEN

Beherrschen Sie die 4 häufigsten JSON-Fehler

BUG HUNTER

Extraktor geschmiedet!

Den zu analysierenden Lebenslauf isolieren

Zu analysierender Lebenslauf:
<<<
[Lebenslaufinhalt hier]
>>>

Trennzeichen

Du bist ein HR-Assistenz-Experte für Lebenslaufanalyse.

Rolle

Erwartetes Format:
{
  "name": "(Text)",
  "email": "(Text)",
  "telefon": "(Text oder null)",
  "fähigkeiten": ["(Liste)"],
  "erfahrungen": [{ "position": "", "unternehmen": "", "daten": "" }]
}

JSON-Schema

Extrahiere die Informationen und liefere NUR gültiges JSON. KEIN Text davor oder danach.

Strikte Anweisung

Füge ALLE Felder ein, auch wenn leer (null oder []). Überprüfe die JSON-Syntax vor der Antwort.

Verifizierung

Schmieden Sie Ihren Lebenslauf-Extraktor Stück für Stück

JSON erfolgreich extrahiert!

Praxistest

CV FORGE

JSON

Strukturierte Liste

Strukturierter Bericht

Tabelle

Finden Sie das ideale Format für Ihren Anwendungsfall

FORMAT SELECTOR

Personalisierter ROI-Rechner

Finanzen

Personalwesen

Kundenservice

Visualisieren Sie die Transformation Ihrer Produktivität

IMPACT TIMELINE

Alex' Situation

Perfekt!

Daten in JSON transformieren

Übung abgeschlossen!

Validierungsquiz

Verwandeln Sie Chaos in Struktur

OUTPUT TRANSFORM LAB

Passen Sie jeden Kanal an, um den perfekten Prompt zu erstellen

PROMPT MIXER

Entdecke Self-Consistency: Mehrere KI-Gehirne stimmen für die richtige Antwort

KONSENS-ENGINE

CoT vs ReAct: Der Schlüsselunterschied

Ich muss zuerst das aktuelle Wetter in Paris wissen. Ich werde das Wetter-Tool verwenden.

{ 'city': 'Paris', 'temp': 14, 'condition': 'Leichter Regen', 'precipitation': 80% }

Es regnet leicht mit 80% Niederschlag. Ich sollte einen Regenschirm empfehlen.

format_response(weather_data, recommendation)

In Paris sind es 14°C mit leichtem Regen. Ja, nimm einen Regenschirm! ☔

Im Gegensatz zu CoT, das nur "denkt", erlaubt ReAct dem Modell zu <strong>handeln</strong>:

Modul 4: Agenten & Orchestrierung

Reasoning + Acting: Die KI, die handeln kann

ReAct_PREVIEW

Schritt zurück vor dem Lösen: Satellitenansicht → Detailansicht

STEP_BACK_SIMULATOR

OpenAI empfiehlt offiziell die schrittweise Zerlegung. Diese Techniken sind jetzt Standard in modernen KI-Agenten (ChatGPT, Claude, Gemini).

Technik-Vergleicher

CoT-Formalisierung: Zeigen des Denkens verbessert LLMs bei komplexen Problemen.

Wei et al. - Chain-of-Thought Prompting

Entdeckung: 'Let's think step by step' aktiviert CoT ohne Beispiele.

Kojima et al. - Zero-Shot Reasoners

Mehrheitsabstimmung über mehrere Denkwege verbessert +10-15%.

Wang et al. - Self-Consistency

Einen Schritt zurücktreten (Prinzipien identifizieren) vor Lösung vermeidet Fehler.

Zheng et al. - Step-Back Prompting

Chain-of-Thought

Self-Consistency

Step-Back

Forschungs-Timeline

Vergleiche den impulsiven Modus mit Chain-of-Thought-Denken

THINKING LAB

Bewertung

Prinzip

Beschneidung (Pruning)

Gedankenbaum: Mehrere Denkzweige parallel erkunden

THOUGHT_TREE_EXPLORER

Linkes Ufer: 🐺 Wolf, 🐐 Ziege, 🥬 Kohl

Ein Unternehmen erhält 100 Lebensläufe pro Tag. Ohne Automatisierung verbringt ein Personaler 5 Minuten pro Lebenslauf. Mit einer LLM-Pipeline sinkt dies auf 10 Sekunden.

Der zweite Prompt nimmt das JSON und analysiert die Eignung für die Position (Senior Dev). Er prüft Schlüsselkompetenzen.

Schritt 2: Analyse

Der letzte Prompt entscheidet, ob der Kandidat eingeladen wird, und entwirft die Antwort-E-Mail (Einladung oder Absage).

Schritt 3: Entscheidung

Der erste Prompt extrahiert Rohdaten aus dem Lebenslauf und wandelt sie in ein strukturiertes JSON-Format um. Dies ist für die weiteren Schritte einfacher zu verarbeiten.

Schritt 1: Extraktion

Eine Pipeline ist eine Kette von Prompts, bei der **die Ausgabe eines Schritts zur Eingabe des nächsten wird**. Es ist wie eine Produktionslinie: jede Station erledigt EINE spezialisierte Aufgabe.

Was ist eine Pipeline?

HR-Bewerbungsbearbeitung

🚦 Intelligentes Routing: Leiten Sie Anfragen auf den richtigen Weg

ROUTING_SWITCH

Berechnung

Beratung

Faktische Frage

Beschwerde

🔄 Parallele Verarbeitung + Globale Synthese

MAP_REDUCE_ENGINE

Alex muss 200 Kundenbewertungen analysieren, um einen Geschäftsbericht zu erstellen. Ein einzelner Prompt kann so viele Daten nicht zuverlässig verarbeiten.

GESCHÄFTSKONTEXT

Das Map-Reduce-Muster

Jede Bewertung wurde unabhängig mit demselben Prompt verarbeitet. Wir können diese Aufrufe parallelisieren, um 5x schneller zu sein! Jetzt müssen wir diese 5 Analysen zusammenfassen.

ERKENNTNIS:

MAP-PHASE: Einzelanalyse

Die {count} Analysen zu einem Bericht konsolidieren

REDUCE-PHASE: Globale Synthese

Qualitätsprodukt, schnelle Lieferung. Einziger Nachteil: Die Verpackung war etwas beschädigt.

Enttäuscht vom Kundenservice. Konnte 3 Tage lang niemanden wegen eines Bestellproblems erreichen.

Ausgezeichnet! Genau das, was ich gesucht habe. Sehr empfehlenswert. Sehr wettbewerbsfähiger Preis.

In Ordnung, aber nichts Besonderes. Produkt entspricht der Beschreibung, aber die Qualität könnte besser sein.

Sehr enttäuscht. Produkt kam kaputt an und keine Antwort vom Support. Überhaupt nicht empfehlenswert.

200 Bewertungen × 0,1s/Bewertung + 5s Synthese = 25 Sekunden

200 Bewertungen × 3 Min/Bewertung = 10 Std. manuelle Arbeit

10 Stunden → 25 Sekunden (×1440 schneller)

BERECHNETER ROI

Synthese

Map-Reduce-Muster Zusammenfassung

Beginnen Sie immer mit dem einfachsten Muster, das Ihren Anforderungen entspricht. Fügen Sie nur dann Komplexität hinzu, wenn es wirklich notwendig ist!

GOLDENE REGEL:

Überblick

Mustervergleich

🔍 Finden Sie das passende Muster für Ihren Anwendungsfall

COMPLEXITY_ADVISOR

Der Entscheidungsbaum

Alex zögert zwischen mehreren Architekturen für sein Projekt. Einfacher Prompt? Pipeline? Map-Reduce? Agenten? Wie soll man wählen?

DAS PROBLEM

Parallele Verarbeitung von N Elementen mit demselben Prompt.

Stapelverarbeitung

MAP jedes Element, dann REDUCE zur globalen Synthese.

Map-Reduce

Puffer von einigen Sekunden, dann gruppierte Verarbeitung.

Micro-Batch

Abhängigkeitsgraph mit bedingter Ausführung.

DAG-Orchestrierung

Kette von Schritten, bei der jeder Prompt den Kontext des nächsten bereichert.

Sequentielle Pipeline

Warteschlange mit Workern, die Aufgaben konsumieren.

Queue Workers

Anfängliche Klassifizierung, dann Weiterleitung zur angepassten Verarbeitung.

Intelligentes Routing

Ein einziger API-Aufruf mit einem gut strukturierten Prompt genügt.

Direkter Prompt

Token-für-Token-Verarbeitung mit progressiver Antwort.

Streaming Events

✓ VORTEILE

✗ NACHTEILE

🗺️ Ihr Fortschritt und nächste Schritte

JOURNEY_MAP

Map-Reduce-Muster

Musterwahl

Modul 5 (Agenten) ist die logische Fortsetzung. Sie beherrschen jetzt die Muster, mit denen Sie anspruchsvolle Agenten erstellen können!

Modul 1 — Generative KI und Prompt-Anatomie verstehen

Target_Objectives.jsonREAD_ONLY

Directory_Structure

Capabilities_Matrix