Prompting mit externen Daten
Lernen Sie Techniken kennen, um von Nutzern bereitgestellte oder dynamisch abgerufene Daten direkt in Ihre Prompts einzubinden.
Prompting mit externen Daten ist eine kostenlose AI Prompt Engineering-Lektion auf CoddyKit. Dies ist Lektion 1 von 3. Du kannst die komplette Lektion unten kostenlos lesen – dann übst du sie direkt im Browser mit einem integrierten Code-Editor und einem KI-Tutor rund um die Uhr. Sie ist Teil des AI Prompt Engineering-Lernpfads, und dein Fortschritt wird über Web und CoddyKit-App synchronisiert. Der AI Prompt Engineering-Kurs umfasst insgesamt 3 Lektionen.
Einführung: Externe Daten
Willkommen! In dieser Lektion lernen Sie, wie Sie Ihre LLM-Prompts durch die Einbindung externer Daten verbessern. Damit ist gemeint, dass Sie Informationen zuführen, die nicht Teil des Trainings des LLMs sind, aber für Ihre konkrete Aufgabe relevant sind.
Stellen Sie sich vor, Sie geben dem LLM für eine bestimmte Situation einen „frischen Blick“ oder „Kontexthinweise“.
Warum externe Daten wichtig sind
Die Einbindung externer Daten bietet mehrere wichtige Vorteile:
- Genauigkeit: Liefert aktuelle oder spezifische Fakten, die ein LLM möglicherweise nicht kennt.
- Personalisierung: Passt Antworten an einzelne Benutzer oder Situationen an.
- Relevanz: Stellt sicher, dass sich das LLM auf die Informationen konzentriert, die für Sie genau relevant sind.
- Weniger Halluzinationen: Verankert das LLM in realen Daten und macht es dadurch weniger wahrscheinlich, dass es sich Informationen ausdenkt.
Häufige Datenquellen
Externe Daten können aus vielen Quellen stammen. Hier sind einige häufige Beispiele:
- Benutzereingaben: Von einem Benutzer eingegebener Text, Präferenzen oder Profildetails.
- Datenbanken/APIs: Produktkataloge, Kundendatensätze, Wetterdaten oder Nachrichten-Feeds.
- Dateien: Dokumente, Tabellen, Protokolle oder andere gespeicherte Informationen.
- Sensoren: Echtzeitdaten von Geräten, etwa Temperatur- oder Standortdaten.
Grundlegende Dateninjektion
Die einfachste Möglichkeit, externe Daten einzubinden, besteht darin, sie direkt in Ihre Prompt-Zeichenkette einzufügen. Dies geschieht häufig mithilfe von String-Formatierung oder Verkettung.
Kennzeichnen Sie die eingefügten Daten immer eindeutig, damit das LLM ihre Rolle besser versteht.
Führen Sie dieses Beispiel aus:
user_name = "Alice"
product_name = "Smartwatch"
prompt = f"User: {user_name}\n" \
f"Product: {product_name}\n" \
f"Please write a short, friendly product review for the {product_name}."
print(prompt)Externe Daten strukturieren
Bei komplexeren Daten ist es entscheidend, sie in einem strukturierten Format bereitzustellen. So kann das LLM die Informationen zuverlässiger analysieren und verstehen.
Zu den gängigen Möglichkeiten, Daten zu strukturieren, gehören:
- Trennzeichen: Verwendung von Sonderzeichen, etwa
---oder###, um Abschnitte voneinander zu trennen. - Schlüssel-Wert-Paare: Explizite Benennung von Datenfeldern, etwa
"Name": "Alice". - JSON/XML: Verwendung standardisierter Datenaustauschformate für komplexe Objekte.
Entscheidend sind Konsistenz und Klarheit.
Personalisierung mit Daten
Sehen wir uns an, wie Sie eine Nachricht mithilfe strukturierter Benutzerdaten personalisieren können. Wir verwenden innerhalb des Prompts ein einfaches Schlüssel-Wert-Format.
Beachten Sie, dass dem LLM explizite Daten zum „Benutzerprofil“ zur Verfügung gestellt werden.
Führen Sie dieses Beispiel aus:
user_profile = {
"name": "Bob",
"membership_level": "Gold",
"last_purchase_date": "2023-10-26"
}
prompt = f"User Profile:\n" \
f"Name: {user_profile['name']}\n" \
f"Membership: {user_profile['membership_level']}\n" \
f"Last Purchase: {user_profile['last_purchase_date']}\n\n" \
f"Write a personalized welcome back message for Bob, " \
f"mentioning his Gold status and recent activity."
print(prompt)Dynamische Daten und Kontext
Externe Daten können auch dynamischen, „Live“-Kontext bereitstellen. Stellen Sie sich vor, Sie rufen aktuelle Aktienkurse oder Wetterdaten ab und fügen sie direkt in Ihren Prompt ein.
Dadurch werden die Antworten des LLMs deutlich relevanter und aktueller.
Führen Sie dieses Beispiel aus:
current_stock_price = "$150.25"
company_name = "TechCo"
market_status = "Up 1.5% today"
prompt = f"Current Market Data:\n" \
f"Company: {company_name}\n" \
f"Price: {current_stock_price}\n" \
f"Status: {market_status}\n\n" \
f"Summarize TechCo's current market performance for an investor."
print(prompt)Datenvalidierung und Sicherheit
Bei der Einbindung externer Daten, insbesondere aus Benutzereingaben, müssen Sie unbedingt Datenvalidierung und Sicherheit berücksichtigen.
- Eingaben bereinigen: Entfernen oder maskieren Sie potenziell schädliche Zeichen, um Prompt-Injection-Angriffe zu verhindern.
- Datentypen validieren: Stellen Sie sicher, dass Zahlen Zahlen sind, Datumsangaben Datumsangaben usw.
- Größe begrenzen: Verhindern Sie, dass übermäßig lange Eingaben zu viele Token verbrauchen oder Fehler verursachen.
- Datenschutz: Gehen Sie mit vertraulichen Informationen umsichtig um und vermeiden Sie es, diese an das LLM zu senden, wenn es nicht erforderlich ist.
Schnelltest: Externe Daten
Sie erstellen einen Prompt zur Generierung einer Produktbeschreibung. Sie verfügen über ein Dictionary mit Produktdetails: {'name': 'Eco-Friendly Water Bottle', 'material': 'Recycled Plastic', 'capacity_ml': 750}.
Welche Vorgehensweise bindet diese Daten am besten in einen Prompt ein, damit das LLM sie eindeutig versteht?
Rückblick und nächste Schritte
Sehr gut! Sie haben gelernt, wie Sie externe Daten in Ihre Prompts integrieren, um die Antworten des LLMs zu verbessern.
- Externe Daten sorgen für Genauigkeit, Personalisierung und Relevanz.
- Sie können aus Benutzereingaben, Datenbanken, APIs und weiteren Quellen stammen.
- Eine klare Struktur, etwa durch Schlüssel-Wert-Paare oder JSON, ist für komplexe Daten entscheidend.
- Berücksichtigen Sie bei der Verwendung externer Quellen immer Datenvalidierung und Sicherheit.
Als Nächstes beschäftigen wir uns mit Retrieval Augmented Generation (RAG). Dieses Verfahren baut auf diesen Konzepten auf, um noch umfangreicheres externes Wissen abzurufen und zu nutzen!
Lerne AI Prompt Engineering mit einem KI-Tutor — kostenlos
Schreibe und führe echten Code in deinem Browser aus, bekomme sofortige Hilfe von einem 24/7 KI-Tutor und setze dein Lernen im Web oder in der App fort.
- Kurse
- 53
- Lektionen
- 199
Häufig gestellte Fragen
Ist die Lektion „Prompting mit externen Daten“ kostenlos?
Ja — der vollständige Text von „Prompting mit externen Daten“ ist hier im Web kostenlos zu lesen. Um sie interaktiv zu üben (integrierter Code-Editor und 24/7 KI-Tutor) und den Rest des AI Prompt Engineering-Kurses freizuschalten, upgrade auf CoddyKit PRO. Der AI Prompt Engineering-Kurs umfasst insgesamt 3 Lektionen.
Was lerne ich in „Prompting mit externen Daten“?
Lernen Sie Techniken kennen, um von Nutzern bereitgestellte oder dynamisch abgerufene Daten direkt in Ihre Prompts einzubinden. Du übst AI Prompt Engineering mit praktischem Code, den du direkt im Browser ausführst, und ein 24/7 KI-Tutor beantwortet deine Fragen während du die Lektion bearbeitest.
Brauche ich Erfahrung, um AI Prompt Engineering zu starten?
Keine Vorkenntnisse erforderlich. AI Prompt Engineering auf CoddyKit ist für Anfänger bis fortgeschrittene Lernende strukturiert, sodass du hier starten oder von Anfang an beginnen und in deinem eigenen Tempo voranschreiten kannst. Dies ist Lektion 1 von 3.
Wie lange dauert die Lektion „Prompting mit externen Daten“?
Die meisten CoddyKit-Lektionen dauern etwa 5–10 Minuten. Jede ist kompakt und interaktiv, sodass du stetig Fortschritte machst und genau dort weitermachst, wo du aufgehört hast – im Web und in der App.
Kann ich in dieser AI Prompt Engineering-Lektion Code schreiben und ausführen?
Ja. Jede AI Prompt Engineering-Lektion enthält einen integrierten Code-Editor, sodass du echten Code direkt in deinem Browser schreibst und ausführst und sofort KI-Feedback erhältst — ohne lokale Einrichtung erforderlich.
Alle Lektionen in diesem Kurs
- Prompting mit externen Daten
- Retrieval Augmented Generation (RAG)
- Vektordatenbanken für Prompting