Beiträge zu Prompt Engineering, Sprachmodellen und KI-Sichtbarkeit – aus der Projektarbeit heraus geschrieben.
Die Beiträge hier entstehen aus der Arbeit: aus Fragen, die in Projekten aufkommen, aus Verfahren, die sich bewährt haben, und aus Fehlern, die zweimal passiert sind. Keine Nachrichtenlage, keine Wochenrückblicke, keine Modellvorstellungen mit Zahlen aus Pressemitteilungen.
Für die Sichtbarkeit in KI-Antworten gibt es keine Rangliste und keinen Index. Ein Verfahren, das trotzdem belastbare Aussagen liefert – und die Grenzen, die dazugehören.
Beitrag lesen →Feinjustierung verändert das Verhalten eines Modells, nicht sein Wissen. Wer diesen Unterschied übersieht, zahlt für ein Ergebnis, das die Aufgabe nicht löst.
Beitrag lesen →Seit Suchmaschinen Antworten statt Listen liefern, wird Generative Engine Optimization angeboten. Was daran belastbar ist, was gemessen werden kann und woran Sie unseriöse Versprechen erkennen.
Beitrag lesen →Zwischen Data Science und Softwareentwicklung ist eine eigene Disziplin entstanden. Was sie umfasst, was sie von beidem unterscheidet und welche Aufgaben tatsächlich anfallen.
Beitrag lesen →Sieben Regeln, die den Unterschied zwischen enttäuschenden und brauchbaren Antworten ausmachen – ohne Werkzeuge, ohne Kurs, anwendbar ab der nächsten Anfrage.
Beitrag lesen →Ein Prompt besteht aus fünf Bestandteilen, von denen die meisten weggelassen werden. Welche das sind, was jeder von ihnen bewirkt – und warum Kürzen häufiger hilft als Ergänzen.
Beitrag lesen →KI.Engineering läuft nicht mehr auf WordPress. Was sich dadurch ändert, was verloren geht und für wen sich ein solcher Wechsel überhaupt lohnt.
Beitrag lesen →Bei jedem Relaunch entscheidet sich an den Adressen, ob Jahre an Verweisen erhalten bleiben. Die beste Weiterleitung ist die, die nicht nötig wird.
Beitrag lesen →Eine Million Token klingen nach dem Ende aller Retrieval-Systeme. In der Praxis sinkt die Antwortqualität mit der Kontextlänge – und die Kosten steigen bei jedem Aufruf.
Beitrag lesen →Sobald ein KI-System fremde Inhalte verarbeitet, kann jemand Anweisungen darin verstecken. Eine vollständige technische Abwehr gibt es nicht – wohl aber eine wirksame Gegenstrategie.
Beitrag lesen →Der Umgang mit Sprachmodellen wird zur Grundfertigkeit – aber nicht so, wie es Kurse verkaufen. Was tatsächlich zu lernen ist und was sich von selbst erledigt.
Beitrag lesen →Die Frage nach der Verantwortung wird gern an das Modell abgegeben. Rechtlich und praktisch bleibt sie bei der Person, die den Text verwendet.
Beitrag lesen →Modelle, die Bild und Text gemeinsam verarbeiten, ermöglichen Abläufe, die vorher mehrere Werkzeuge brauchten. Wo das trägt – und wo es still danebenliegt.
Beitrag lesen →Welche Arten von Werkzeugen es für Prompt-Verwaltung, Test und Betrieb gibt, wofür sie taugen – und warum die meisten Teams mit einer Textdatei besser fahren.
Beitrag lesen →Sprachmodelle antworten nicht deterministisch. Wer Prompts ohne feste Testfälle vergleicht, optimiert auf den letzten Zufallstreffer. Ein Verfahren, das an einem Tag steht.
Beitrag lesen →Zehn Stellen im Arbeitsalltag, an denen sich der Einsatz eines Sprachmodells tatsächlich rechnet – und drei, an denen er es nicht tut.
Beitrag lesen →Eine kleine Sammlung erprobter Prompts für wiederkehrende Aufgaben – jeweils mit der Angabe, wofür sie taugen und wo sie an ihre Grenze kommen.
Beitrag lesen →Vier Beispiele aus der Praxis, jeweils in der ursprünglichen und in der überarbeiteten Fassung – mit der Begründung, welche Änderung welchen Unterschied gemacht hat.
Beitrag lesen →Unregelmäßig. Ein Beitrag entsteht, wenn es etwas zu berichten gibt – nicht nach Redaktionsplan. Wer nichts verpassen will, abonniert den RSS-Feed unter /blog/feed.xml.
Ein Glossareintrag beantwortet eine Frage und hört dann auf. Ein Blogbeitrag darf ausholen, abwägen und widersprechen. Wer eine schnelle Definition sucht, ist im Glossar besser aufgehoben.
Ja, ausdrücklich – solange Quelle und Adresse genannt werden. Das gilt auch für die Übernahme durch Sprachmodelle; die Bedingungen stehen in der llms.txt.