Arten von Anfragen, die KI bearbeiten kann
Taxonomie von KI-Aufgaben: Schreiben, Zusammenfassen, Beantworten, Programmieren und Brainstorming
Arten von Anfragen, die KI bearbeiten kann ist eine kostenlose AI Prompt Engineering-Lektion auf CoddyKit. Dies ist Lektion 2 von 4. 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 4 Lektionen.
Die Taxonomie der KI-Aufgaben
Sprachmodelle für KI sind bemerkenswert vielseitig. Sie bewältigen eine große Bandbreite an Aufgabentypen – und wenn Sie wissen, welcher Kategorie Ihre Aufgabe zuzuordnen ist, können Sie bessere Prompts schreiben.
Aufgaben lassen sich in folgende Kategorien einteilen: Schreiben, Zusammenfassen, Fragen und Antworten, Programmieren, Brainstorming, Übersetzen, Klassifizieren und Datenextraktion.
Schreibaufgaben
Schreiben gehört zu den häufigsten KI-Aufgaben. Beispiele:
- E-Mails, Anschreiben und Blogbeiträge entwerfen
- Kurzgeschichten, Drehbücher oder kreative Inhalte schreiben
- Bildunterschriften für soziale Medien verfassen
- Bestehende Entwürfe bearbeiten und umformulieren
Der Schlüssel ist, in Ihrem Prompt Format, Ton, Länge und Zielgruppe anzugeben.
import anthropic
client = anthropic.Anthropic(api_key='sk-ant-your-key-here')
response = client.messages.create(
model='claude-opus-4-5',
max_tokens=256,
messages=[{
'role': 'user',
'content': (
'Write a 150-word professional email declining a meeting invitation. '
'Tone: polite and regretful. Suggest rescheduling next week.'
)
}]
)
print(response.content[0].text)Zusammenfassungsaufgaben
Zusammenfassen verdichtet lange Inhalte zu einer kürzeren, leichter erfassbaren Form. Häufige Anwendungsfälle:
- TL;DRs langer Artikel oder Berichte
- Besprechungsnotizen aus einem Transkript
- Zusammenfassungen für Führungskräfte zu Forschungsarbeiten
- Die wichtigsten Punkte aus einem Buchkapitel extrahieren
Geben Sie den gewünschten Umfang und die benötigte Detailtiefe an.
import openai
client = openai.OpenAI(api_key='sk-your-key-here')
long_text = (
'Artificial intelligence has transformed industries from healthcare '
'to finance over the past decade. Machine learning models now diagnose '
'diseases, detect fraud, and power recommendation engines. However, '
'concerns about bias, privacy, and job displacement remain significant...'
)
response = client.chat.completions.create(
model='gpt-4o',
messages=[{
'role': 'user',
'content': f'Summarize the following in exactly 2 sentences:\n\n{long_text}'
}]
)
print(response.choices[0].message.content)Aufgaben mit Fragen und Antworten
Q&A-Aufgaben greifen auf die breite Wissensbasis des Modells zurück. Dazu gehören:
- Faktenfragen („Was ist der Krebszyklus?“)
- Erklärungsfragen („Wie funktioniert HTTPS?“)
- Vergleichsfragen („Was ist der Unterschied zwischen RAM und Speicher?“)
- Fragen zu Dokumenten – Fragen zu einem eingefügten Dokument stellen
Bei Fragen zu Dokumenten sollten Sie das Ausgangsmaterial immer in Ihren Prompt aufnehmen.
import anthropic
client = anthropic.Anthropic(api_key='sk-ant-your-key-here')
document = 'Our refund policy allows returns within 30 days with receipt...'
response = client.messages.create(
model='claude-opus-4-5',
max_tokens=256,
system='Answer only based on the document provided. If unsure, say so.',
messages=[{
'role': 'user',
'content': f'Document:\n{document}\n\nQuestion: How many days do I have to return an item?'
}]
)
print(response.content[0].text)Programmieraufgaben
Programmieraufgaben gehören zu den Bereichen, in denen KI-Assistenten besonders leistungsfähig sind. Häufige Anfragen:
- Code aus einer Beschreibung generieren („Schreiben Sie eine Python-Funktion, die …“)
- Erklären, was vorhandener Code tut
- Fehlerhaften Code debuggen oder korrigieren
- Code von einer Sprache in eine andere umwandeln
- Unit-Tests für eine bestimmte Funktion schreiben
import openai
client = openai.OpenAI(api_key='sk-your-key-here')
response = client.chat.completions.create(
model='gpt-4o',
messages=[
{
'role': 'system',
'content': 'You are a Python expert. Include type hints and a brief docstring.'
},
{
'role': 'user',
'content': (
'Write a function that takes a list of integers and returns '
'the second largest unique value, or None if it does not exist.'
)
}
]
)
print(response.choices[0].message.content)Brainstorming-Aufgaben
Brainstorming dient dazu, mithilfe der KI schnell eine große Zahl an Ideen zu erzeugen. Nutzen Sie es für:
- Produktnamen generieren
- Listen mit Blogbeitragsthemen
- Feature-Ideen für eine App
- Ansätze für Marketingkampagnen
- Alternativen zur Problemlösung
Bitten Sie um eine bestimmte Anzahl von Ideen und weisen Sie das Modell an, Vielfalt gegenüber Wiederholungen zu bevorzugen.
import anthropic
client = anthropic.Anthropic(api_key='sk-ant-your-key-here')
response = client.messages.create(
model='claude-opus-4-5',
max_tokens=512,
messages=[{
'role': 'user',
'content': (
'Generate 10 unique app name ideas for a habit-tracking app targeting busy professionals. '
'Each name should be one or two words. Prioritize variety — avoid similar-sounding names. '
'After each name, add a 5-word tagline.'
)
}]
)
print(response.content[0].text)Übersetzungsaufgaben
Übersetzen geht über eine wortwörtliche Übertragung hinaus. KI-Modelle bewältigen:
- Sprachübersetzung (Englisch → Spanisch, Französisch → Japanisch)
- Übersetzung des Sprachregisters (technischer Jargon → allgemeinverständliche Sprache)
- Tonübersetzung (formell → informell)
- Formatübertragung (Absatz → Aufzählungspunkte)
Geben Sie an, ob Sie eine wörtliche oder eine natürliche, idiomatische Übersetzung wünschen.
import openai
client = openai.OpenAI(api_key='sk-your-key-here')
text_en = 'Please ensure the deliverables are submitted prior to the agreed deadline.'
response = client.chat.completions.create(
model='gpt-4o',
messages=[{
'role': 'user',
'content': (
f'Translate the following into natural, idiomatic Spanish '
f'suitable for a casual work chat message:\n\n{text_en}'
)
}]
)
print(response.choices[0].message.content)Klassifizierungsaufgaben
Klassifizieren ordnet Eingaben vordefinierten Kategorien zu. Beispiele:
- Stimmungsanalyse (positiv / negativ / neutral)
- Themenkategorisierung (Sport / Politik / Technologie)
- Intent-Erkennung (Beschwerde / Anfrage / Kompliment)
- Spam oder kein Spam
Geben Sie in Ihrem Prompt immer die Liste der zulässigen Kategorien an, damit das Modell weiß, woraus es auswählen kann.
import anthropic
client = anthropic.Anthropic(api_key='sk-ant-your-key-here')
reviews = [
'The product broke after one day. Terrible quality!',
'Shipping was fast and the item is exactly as described.',
'It is okay, nothing special but does the job.'
]
for review in reviews:
response = client.messages.create(
model='claude-opus-4-5',
max_tokens=16,
messages=[{
'role': 'user',
'content': (
f'Classify this review as exactly one of: POSITIVE, NEGATIVE, NEUTRAL.\n'
f'Reply with only the label.\n\nReview: {review}'
)
}]
)
label = response.content[0].text.strip()
print(f'{label}: {review[:40]}...')Aufgaben zur Datenextraktion
Datenextraktion holt strukturierte Informationen aus unstrukturiertem Text heraus. Häufige Anwendungsfälle:
- Namen, Daten und Beträge aus Rechnungen extrahieren
- Wichtige Fakten aus Nachrichtenartikeln herausziehen
- Kontaktdaten aus E-Mails auslesen
- Produktspezifikationen aus Beschreibungen extrahieren
Bitten Sie um eine JSON-Ausgabe, damit Sie die extrahierten Daten problemlos programmgesteuert verwenden können.
import openai
import json
client = openai.OpenAI(api_key='sk-your-key-here')
email_text = (
'Hi, I am Sarah Johnson from Acme Corp. '
'Please send the invoice for $4,250 to billing@acmecorp.com by June 15th.'
)
response = client.chat.completions.create(
model='gpt-4o',
messages=[{
'role': 'user',
'content': (
'Extract the following fields from the email below and output valid JSON:\n'
'name, company, email, amount, deadline\n\nEmail:\n' + email_text
)
}]
)
raw = response.choices[0].message.content
data = json.loads(raw)
print(data)Aufgabentypen kombinieren
Prompts aus der Praxis kombinieren oft mehrere Aufgabentypen in einer einzigen Anfrage. Zum Beispiel:
- Die wichtigsten Aussagen aus einem Artikel extrahieren und anschließend jede als Fakt oder Meinung klassifizieren
- Ein Dokument zusammenfassen und die Zusammenfassung anschließend ins Französische übersetzen
- Ideen brainstormen und anschließend einen kurzen Pitch für die beste Idee schreiben
Das Verketten von Aufgabentypen in einem einzigen Prompt ist sehr wirkungsvoll – machen Sie jeden Schritt ausdrücklich.
import anthropic
client = anthropic.Anthropic(api_key='sk-ant-your-key-here')
response = client.messages.create(
model='claude-opus-4-5',
max_tokens=512,
messages=[{
'role': 'user',
'content': (
'Do the following in order:\n'
'1. Brainstorm 5 blog post titles about remote work productivity.\n'
'2. Pick the most compelling title.\n'
'3. Write a 3-sentence intro paragraph for that post.\n'
'Format your output with clear numbered sections.'
)
}]
)
print(response.content[0].text)Den richtigen Aufgabenrahmen wählen
Dieselbe zugrunde liegende Anfrage kann als unterschiedliche Aufgabentypen formuliert werden – und die Formulierung verändert die Ausgabe erheblich.
Beispielziel: die Preisseite eines Unternehmens verstehen.
- Frage-und-Antwort-Rahmen: „Welche Preisstufen gibt es?“
- Zusammenfassungsrahmen: „Fassen Sie die Preisseite in 3 Aufzählungspunkten zusammen.“
- Extraktionsrahmen: „Extrahieren Sie die Namen und Preise der Tarife als JSON.“
- Vergleichsrahmen: „Erstellen Sie eine Tabelle, in der alle Tarife verglichen werden.“
Wählen Sie den Rahmen, der der späteren Verwendung der Ausgabe entspricht.
import openai
client = openai.OpenAI(api_key='sk-your-key-here')
pricing_text = (
'Starter: $9/month - 1 user, 5GB storage. '
'Pro: $29/month - 10 users, 50GB storage. '
'Enterprise: custom pricing - unlimited users.'
)
# Extraction frame
response = client.chat.completions.create(
model='gpt-4o',
messages=[{
'role': 'user',
'content': (
'Extract plan names and monthly prices as a JSON array. '
'Use null for custom pricing.\n\n' + pricing_text
)
}]
)
print(response.choices[0].message.content)Wissenscheck
Sie haben die wichtigsten Kategorien von KI-Aufgaben kennengelernt. Prüfen Sie, ob Sie den passenden Aufgabentyp erkennen können.
Ein Entwickler fügt eine 500 Wörter lange Kundenservice-E-Mail in einen Prompt ein und bittet die KI: „Extrahieren Sie den Kundennamen, die Bestellnummer und die Art des Problems – geben Sie das Ergebnis als JSON aus.“
Um welchen Aufgabentyp handelt es sich?
Zusammenfassung der Aufgabentaxonomie
Sie können jetzt jede KI-Anfrage als einen der grundlegenden Aufgabentypen erkennen und formulieren:
- Schreiben — Originaltext generieren
- Zusammenfassen — lange Inhalte verdichten
- Fragen und Antworten — Fragen auf Grundlage von Wissen oder Dokumenten beantworten
- Programmieren — Code generieren, erklären oder debuggen
- Brainstorming — viele vielfältige Ideen generieren
- Übersetzen — zwischen Sprachen oder Registern übertragen
- Klassifizieren — Eingaben vordefinierten Kategorien zuordnen
- Datenextraktion — strukturierte Daten aus unstrukturiertem Text extrahieren
Benennen Sie zuerst den Aufgabentyp – und formulieren Sie dann den Prompt entsprechend.
Häufig gestellte Fragen
Ist die Lektion „Arten von Anfragen, die KI bearbeiten kann“ kostenlos?
Ja — der vollständige Text von „Arten von Anfragen, die KI bearbeiten kann“ 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 4 Lektionen.
Was lerne ich in „Arten von Anfragen, die KI bearbeiten kann“?
Taxonomie von KI-Aufgaben: Schreiben, Zusammenfassen, Beantworten, Programmieren und Brainstorming 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 2 von 4.
Wie lange dauert die Lektion „Arten von Anfragen, die KI bearbeiten kann“?
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
- Die Chat-Oberfläche verstehen
- Arten von Anfragen, die KI bearbeiten kann
- Wie KI Antworten erzeugt
- Was KI nicht kann