Prompts, die in Tests perfekt funktionieren, versagen oft in der realen Welt. Benutzer senden leere Nachrichten, fügen Textwände ein, stellen mehrdeutige Anfragen und versuchen manchmal absichtlich, dein System zu brechen. Dieses Kapitel lehrt dich, Prompts zu erstellen, die das Unerwartete elegant handhaben. 80% der Produktionsprobleme kommen von Eingaben, die du nie erwartet hast. Ein Prompt, der Grenzfälle gut handhabt, ist mehr wert als ein „perfekter" Prompt, der nur mit idealen Eingaben funktioniert. ## Warum Grenzfälle Prompts brechen Wenn ein Prompt unerwartete Eingaben antrifft, versagt er typischerweise auf eine von drei Arten: **Stille Fehler**: Das Modell produziert Ausgaben, die korrekt aussehen, aber Fehler enthalten. Diese sind am gefährlichsten, weil sie schwer zu erkennen sind. **Verwirrte Antworten**: Das Modell missversteht die Anfrage und beantwortet eine andere Frage als die gestellte. **Halluzinierte Behandlung**: Das Modell erfindet einen Weg, den Grenzfall zu behandeln, der nicht deinem beabsichtigten Verhalten entspricht. ## Kategorien von Grenzfällen Zu verstehen, was schiefgehen kann, hilft dir, dich darauf vorzubereiten. Grenzfälle fallen in drei Hauptkategorien: ### Eingabe-Grenzfälle Das sind Probleme mit den Daten selbst: ### Domänen-Grenzfälle Das sind Anfragen, die die Grenzen des Zwecks deines Prompts testen: ### Adversariale Grenzfälle Das sind absichtliche Versuche, dein System zu missbrauchen: ## Eingabevalidierungsmuster Der Schlüssel zur Behandlung von Grenzfällen sind explizite Anweisungen. Geh nicht davon aus, dass das Modell es „schon rausfindet" – sag ihm genau, was es in jedem Szenario tun soll. ### Leere Eingaben behandeln Der häufigste Grenzfall ist, gar nichts zu erhalten, oder Eingaben, die im Wesentlichen leer sind (nur Leerzeichen oder Begrüßungen). ### Lange Eingaben behandeln Wenn die Eingabe das übersteigt, was du vernünftig verarbeiten kannst, scheitere elegant statt stillschweigend zu kürzen. ### Mehrdeutige Anfragen behandeln Wenn eine Anfrage mehrere Bedeutungen haben könnte, ist Nachfragen besser als falsch zu raten. ## Defensive Prompts erstellen Ein defensiver Prompt antizipiert Fehlermodi und definiert explizites Verhalten für jeden. Betrachte es als Fehlerbehandlung für natürliche Sprache. ### Das Defensive Template Jeder robuste Prompt sollte diese vier Bereiche adressieren: ### Beispiel: Defensive Datenextraktion Dieser Prompt extrahiert Kontaktinformationen, behandelt aber jeden Grenzfall explizit. Beachte, wie jeder potenzielle Fehler eine definierte Antwort hat. ## Anfragen außerhalb des Umfangs behandeln Jeder Prompt hat Grenzen. Sie explizit zu definieren verhindert, dass das Modell in Bereiche abdriftet, in denen es schlechte Ratschläge geben oder Dinge erfinden könnte. ### Elegante Umfangsgrenzen Die besten Antworten auf Out-of-Scope-Anfragen tun drei Dinge: die Anfrage anerkennen, die Einschränkung erklären und eine Alternative anbieten. ### Wissensgrenzen behandeln Sei ehrlich darüber, was du nicht weißt. Benutzer vertrauen KI mehr, wenn sie Einschränkungen zugibt. ## Adversariale Eingabebehandlung Einige Benutzer werden versuchen, deine Prompts zu manipulieren, entweder aus Neugier oder böswilliger Absicht. Verteidigungen in deine Prompts einzubauen reduziert diese Risiken. ### Prompt-Injektions-Verteidigung Prompt-Injektion ist, wenn ein Benutzer versucht, deine Anweisungen zu überschreiben, indem er eigene Befehle in die Eingabe einbettet. Die Hauptverteidigung ist, Benutzereingaben als Daten zu behandeln, niemals als Anweisungen. Prompt-Injektions-Verteidigungen reduzieren das Risiko, können es aber nicht vollständig eliminieren. Für Hochrisiko-Anwendungen kombiniere Prompt-Verteidigungen mit Eingabebereinigung, Ausgabefilterung und menschlicher Überprüfung. ### Sensible Anfragen behandeln Einige Anfragen erfordern besondere Behandlung aufgrund von Sicherheits-, rechtlichen oder ethischen Bedenken. Definiere diese Grenzen explizit. ## Fehlerwiederherstellungsmuster Selbst gut gestaltete Prompts werden auf Situationen stoßen, die sie nicht perfekt handhaben können. Das Ziel ist, hilfreich zu scheitern. ### Elegante Degradation Wenn du eine Aufgabe nicht vollständig erledigen kannst, biete an, was du kannst, statt komplett zu scheitern. ### Konfidenz-Indikatoren Lehre deine Prompts, Unsicherheit auszudrücken. Das hilft Benutzern zu wissen, wann sie der Ausgabe vertrauen und wann sie verifizieren sollten. ## Grenzfälle testen Bevor du einen Prompt bereitstellst, teste ihn systematisch gegen die Grenzfälle, die du antizipiert hast. Diese Checkliste hilft sicherzustellen, dass du keine häufigen Fehlermodi übersehen hast. ### Grenzfall-Test-Checkliste ### Eine Testsuite erstellen Für Produktions-Prompts erstelle eine systematische Testsuite. Hier ist ein Muster, das du anpassen kannst: ## Praxisbeispiel: Robuster Kundenservice-Bot Dieses umfassende Beispiel zeigt, wie alle Muster in einem produktionsreifen Prompt zusammenkommen. Beachte, wie jeder Grenzfall explizit behandelt wird. ## Zusammenfassung Robuste Prompts zu erstellen erfordert, darüber nachzudenken, was schiefgehen kann, bevor es passiert. Die Schlüsselprinzipien: In Produktion wird alles, was schiefgehen kann, irgendwann schiefgehen. Ein Prompt, der Grenzfälle elegant handhabt, ist mehr wert als ein „perfekter" Prompt, der nur mit idealen Eingaben funktioniert. Im nächsten Kapitel werden wir erkunden, wie mit mehreren KI-Modellen zu arbeiten und ihre Ausgaben zu vergleichen.