Warum Re-Prompting existiert (und warum Sie es mehr verwenden, als Sie denken) Die "klassische" LLM-Interaktion ist einmalig: 
 
 Sie schreiben: „Schreiben Sie mir einen Artikel über Nachhaltigkeit.“ Das Modell antwortet mit einem allgemeinen Schulessay. Sie schreiben: „Schreiben Sie mir einen Artikel über Nachhaltigkeit.“ Das Modell antwortet mit einem allgemeinen Schulessay. Das ist kein Modellproblem, das ist ein . spec problem (Wiedergabe einer verfeinerten Anrufe nach dem Ansehen der ersten Ausgabe) ist die praktische Brücke von: Re-prompting 
 
 menschliche Absicht → maschinell lesbare Anweisung → nutzbare Ausgabe So gelangen Sie von „es gibt Ausgabe“ zu „diese Ausgabe ist korrekt, strukturiert und versandbar“. Re-Prompting, definiert Ist die Praxis der Wiederholen, um ein besseres Ergebnis zu erzielen. Re-prompting adjusting the prompt’s content, structure, or constraints after inspecting the model’s first response Schlüsselpunkt: Es ist Die erste Ausgabe ist nicht „die Antwort“. . feedback-driven telemetry Ein kleines Beispiel Schreiben Sie etwas über den Klimawandel.“ Prompt v1: Generische Übersicht, kein Winkel, kein Publikum passt. Output: Schreiben Sie einen 350-450 Wörter Erläuterer für Zum Thema Klimawandel gehören: Prompt v2: UK secondary school students 
 
 zwei Ursachen, 2) zwei Auswirkungen, 3) drei alltägliche Aktionen können die Schüler ergreifen, und 4) endet mit einem Ein-Satz-Aufruf zum Handeln. Das gleiche Modell. Unterschiedliches Ergebnis. Weil das Spec wurde real. Warum Single-Prompting fehlschlägt (und Re-Prompting nicht) Einzelne Anrufe gehen davon aus, dass Sie vollständig vorhersagen können, was Sie vorne brauchen. 
 
 
 
 
 
 
 
 
 
 
 Dimension 
 Single Prompt 
 Re-Prompting 
 
 
 
 
 Interaction 
 One-way 
 Feedback loop 
 
 
 
 
 Info base 
 Only initial intent 
 Intent + output defects 
 
 
 
 
 Goal 
 “Get an answer” 
 “Get the right answer” 
 
 
 
 
 Best for 
 Simple asks 
 Fine-grained or high-stakes output Interaktionen Einweg Feedback Lauf Info Basis Nur die ursprüngliche Absicht Absicht + Ausgangsfehler Ziel „Holen Sie sich eine Antwort“ „Erhalten Sie die richtige Antwort“ Am besten für Einfache Fragen Fine-grained oder High-Stakes Ausgabe Der wirkliche Wert: Was Re-Prompting Sie kauft 1) Niedrigere Eintrittsbarriere Du musst am ersten Tag kein schneller Zauberer sein, du musst in der Lage sein . iterate 2) Dynamische Kalibrierung für komplexe Anfragen Markenwahl, Produktmarketing, technisches Schreiben, Richtlinienübersicht – das sind Mit Re-Prompting können Sie schnell Ton und Struktur anpassen. moving targets 3) Konsistentere Produktion Temperatur, Probenahme und Zufälligkeit des Modells können zu Drift führen. (“No slang”, “use bullets”, “include acceptance criteria”) reduziert die Varianz. constraints Wann sollten Sie wieder drängen? eine praktische Trigger-Liste Nicht jede Antwort verdient eine weitere Runde. aber diese tun: 1) Die Produktion verpasst das Kernziel Es spricht um das Thema, ignoriert aber den Grund, warum Sie gefragt haben. Signal: "Schreiben Sie Verkaufspunkte für eine Wanderuhr, deren Schlüsselfunktion Gerichtet auf britische Wanderer.“ Example ask: 72-hour battery Paragraphen über Ästhetik und Bandmaterial; Batterie kaum erwähnt. Bad output: Sie haben den „Batterie + Wanderkontext“ nicht verhandelbar gemacht. Why you re-prompt: 2) Das Format ist falsch Du hast etwas maschinell verwendbares gebeten, du hast Prosa bekommen. Signal: Setzen Sie diese Telefonspezifikationen in eine Markdown-Tabelle mit Überschriften » » Example ask: Model | RAM | Storage Eine nummerierte Liste. Bad output: Formatierung muss explizit sein und oft von einer . Why you re-prompt: mini example 3) Es gibt logische oder konzeptionelle Fehler Falsche Definitionen, Widersprüche oder „klingt richtig“, aber es ist nicht. Signal: "Erklären Sie Chain-of-Thought mit einem mathematischen Beispiel." Example ask: CoT bedeutet „die Antwort direkt geben“ und verwendet Und das „Beispiel“. Bad output: 2+3=5 Ihre Anfrage verankerte die Definition nicht und Sie lieferten kein richtiges Exemplar. Why you re-prompt: 4) Es ist zu kurz oder zu lang Sie haben um Schritte gebeten, einen Satz bekommen. oder Sie haben um eine Zusammenfassung gebeten, haben einen Aufsatz erhalten. Signal: „Detailed“ und „short“ sind keine Anweisungen. Sie sind Vibrationen. . Why you re-prompt: structure and word limits Die 5-Schritt-Schleife: Verwandeln Sie Re-Prompting in ein System Hier ist ein Rahmenwerk, der die Iteration von zufälligem Thrashing hält. Schritt 1: Bewerten Sie die Ausgabe (mit einer 3-Achsen-Checkliste) Verwenden Sie diese drei Achsen jedes Mal: 
 
 
 
 
 
 
 
 
 
 Axis 
 What you’re checking 
 Example failure 
 
 
 
 
 Accuracy 
 Does it solve the actual problem? 
 Deletes the wrong rows when asked to handle missing values 
 
 
 
 
 Format 
 Is it structured as requested? 
 No code comments / no table / wrong schema 
 
 
 
 
 Completeness 
 Did it cover every must-have point? 
 Handles missing values but ignores outliers Genauigkeit Löst es das eigentliche Problem? Löscht die falschen Zeilen, wenn Sie aufgefordert werden, fehlende Werte zu bearbeiten Format Ist es wie gefordert strukturiert? Kein Code Kommentare / Keine Tabelle / falsches Schema Vollständigkeit Hatte er jeden Must-Have-Punkt abgedeckt? Handhabung fehlender Werte, aber Ignorierung von Outliers Pro-Tip: Schreiben Sie eine schnelle "Fehlerliste", wie ein QA-Ingenieur würde: . Goal Drift / Format Break / Missing Points / Wrong Concepts / Verbosity Schritt 2: Nachverfolgen des Defekts zurück zur Anzeige Die meisten Ausgangsfehler kommen aus schnellen Ursachen, die Sie beheben können. 
 
 
 
 
 
 
 
 
 
 
 Defect 
 Likely prompt cause 
 Example 
 
 
 
 
 Goal drift 
 vague priorities 
 didn’t state the   selling point primary 
 
 
 
 
 Format break 
 format not explicit 
 “organise this” ≠ “Markdown table with headers…” 
 
 
 
 
 Logic error 
 wrong / missing definition 
 didn’t anchor the concept and example 
 
 
 
 
 Too brief 
 no structure requirement 
 didn’t specify steps, length, sections Ziel Drift Vage Prioritäten hat nicht angegeben, dass die Verkaufspunkt Primär Format brechen Format nicht explizit „organize this“ ≠ „Markdown-Tabelle mit Überschriften...“ Logischer Fehler Fehlende / Fehlende Definition nicht das Konzept und das Beispiel verankert zu kurz Keine Strukturanforderung nicht angegeben Schritte, Länge, Abschnitte Wichtige Gedankenwechsel: Schuld an der SPD. don’t blame the model first Schritt 3: Verwenden Sie eine von 4 hohen Hebelwirkungsanpassungen Strategie A: Kontext + Einschränkungen hinzufügen (Fixes vagueness / goal drift) Fügen Sie hinzu: Publikum, Szenario, Prioritätsordnung, verbotene Inhalte, erforderliche Punkte. Schreiben Sie einen Eco-Artikel » "Schreiben Sie 400 Wörter für UK Year 9 Schüler, Schulrecycling Kontext, enthalten 3 handlungsfähige Tipps, freundlichen Ton, kein Jargon, endet mit einem Aufruf zur Aktion." Before: After: Strategie B: Format ausführbar machen (Fixes Format Break) Spezifizieren: Typ + Schema + Beispiel After prompt snippet: Return a Markdown table exactly like this:
| Model | RAM | Storage |
|---|---|---|
| Example | 8GB | 128GB |
 Strategie C: Beispiele hinzufügen oder korrigieren (Unverständnisse beheben) Wenn das Modell verwirrt ist, . show it the pattern Example for Chain-of-Thought (correct pattern): 
 
 
 
 Problem: „Sam hat 5 Äpfel, isst 2, kauft 3...“ Argumentation: 5−2 = 3, 3+3 = 6 Antwort: 6 Strategie D: Steuerungsdetails mit Struktur + Grenzen (Fixes verbosity) Geben Sie Abschnitte, Kugelzahlen, Wörterlimits und das Aussehen von "vollendet" an. „Explain Few-Shot prompting in Jeder einzelne Schritt: für max .” Prompt snippet: 3 steps 1 sentence 20 words Schritt 4: Validieren (danach entscheiden, ob Sie wieder iterieren) Wiederholen Sie den Anruf. Wiederholen Sie den Punkt gegen die gleichen 3 Achsen. Stop when: 
 
 
 
 Das Kernziel ist erfüllt, Das Format ist korrekt, Keine großen logischen Fehler. Verfolge nicht das „perfekte“ Chase . usable Wenn Sie nach 5 noch unzufrieden sind, ist die Anforderung möglicherweise unterspezifiziert oder Sie benötigen möglicherweise ein anderes Modell/Tooling. Rule of thumb: Schritt 5: Vorlage des Gewinns (so dass Sie nie wieder von Null anfangen) Sobald es zuverlässig funktioniert, einfrieren Sie es als : prompt template 
 
 
 Festteile: Anweisungen, Struktur, Formatierungsregeln Variable parts: ausfüllbare Felder wie {audience}, {constraints}, {inputs} Example: Python data-cleaning prompt template Generate Python code that meets this spec:
​
1) Goal: {goal}
2) Input: {input_description}
3) Requirements:
   - Use pandas
   - Handle missing values using {method}
   - Handle outliers using {outlier_rule}
4) Output rules:
   - Include comments for each step
   - End with 1–2 lines on how to run the script
   - Wrap the code in a Markdown code block
 This is how re-prompting compounds: you build a library of prompts that behave like tools. Eine vollständige Iteration Walkthrough Lassen Sie uns etwas Reales bauen: Und zwar wie ein Operator. 3 promo posts for a bubble tea brand Runde 0: Prompt That Fails Schreiben Sie 3 soziale Beiträge für Sweet Sprout Bubble Tea. Prompt: repetitive, blass, keine Hooks, keine Plattform Hinweise. Output: Bewertung 
 
 
 
 Präzision: Vague Brand Fit Format: Keine Hashtags, kein CTA Vollständigkeit: Technisch 3 Posts, aber keine Differenzierung Runde 1: Hinzufügen von Markenfunktionen + Plattformformat Re-prompt: 
 
 
 
 
 
 Marke: Low-Sugar, 0-Cal Optionen Der Taro Boba Milch Tee Shop Vibe: Instagrammable Innenraum Stil: energetisch, Emojis, Ende mit 2-3 Hashtags Differenzierung: Jeder Beitrag konzentriert sich auf (1) Geschmack, (2) Fotos, (3) kalorienarm Aber es fehlt immer noch an „etwas tun jetzt“. Output improves Runde 2: Hinzufügen von Action Trigger (Standort + Promo) Wir fügen hinzu: 
 
 
 
 Lage: Stadtzentrum Manchester Promo: BOGOF bis 31 Oct CTA: “come by after work / this weekend” Jetzt wird die Ausgabe implementierbar. Häufige Fehler (und wie Sie Ihr Leben nicht verschwenden) Fehler 1: Alles auf einmal ändern Sie können nicht lernen, was funktionierte, wenn Sie die gesamte Anleitung jedes Mal mutieren. Bei der Iteration. one major variable Fehler 2: „Das Modell ist schlecht“ als Standarddiagnose Die meiste Zeit hat Ihre Anfrage nicht angegeben: 
 
 
 
 
 
 Priorität Das Format Einschränkungen Beispiele success criteria Fehler 3: Unendliche Iteration verfolgt Perfektion Setzen Sie eine Stop-Regel. Wenn es richtig und nutzbar ist, senden Sie es. Fehler 4: Nicht speichern der letzte Anruf Wenn sich die Aufgabe wiederholt, ist eine Vorlage mehr wert als eine großartige einmalige Antwort. Fehler 5: Kopieren Sie den gleichen Anruf über Plattformen hinweg What works on Hacker News will flop on TikTok. Put  In der Schnelligkeit. platform constraints Tooling und Workflow Tipps 
 
 
 
 
 Halten Sie ein „defekt → fix“ Cheat Sheet (Format fehlt → schema + Beispiel hinzufügen; Wiederholung → unterschiedliche Winkel erzwingen; Konzept falsch → definition + exemplar hinzufügen). Testen Sie auf 3-5 Ausgänge, bevor Sie 50 Massen erzeugen. Speichern Sie Anrufe in einem Template-System (Notion, Obsidian, sogar ein git repo). Wenn Sie in einem Team arbeiten: Verfolgen Sie Versionen wie Code. Endgültig nehmen Re-prompting ist kein Trick, es ist der Workflow. Wenn es darum geht, Anforderungen zu schreiben, - Verwenden Sie die Ausgabe des Modells als Fehlerprotokolle.Wenn Sie dies systematisch tun, hören Sie auf, "ChatGPT-Dinge zu fragen" und beginnen Sie zu bauen Sie können tatsächlich Schiff. re-prompting is debugging those requirements reliable text-and-code generators

This story contains AI-generated text. The author has used AI either for research, to generate outlines, or write the text itself. 

Read My Stories

Dieses Audio ist in der Originalsprache der Geschichte produziert!

Re-Prompting: Die Schleife, die die "Meh" LLM-Ausgabe in produktionsfertige Ergebnisse verwandelt

About Author

KOMMENTARE

Hängeetiketten

DIESER ARTIKEL WURDE VORGESTELLT IN

Related Stories

HackerNoon's DeFi Writing Contest with SORA Network: XSTUSD Use Cases

HackerNoon Decoded 2024: Celebrating Our Writing Community!

Starting 2025 with New Features: Settings Dashboard, HackerNoon Decoded, Updated Search UI, and More

HackerNoon Decoded 2024: Wir feiern unsere Remote-Work-Community!

HackerNoon's DeFi Writing Contest with SORA Network: XSTUSD Use Cases

HackerNoon Decoded 2024: Celebrating Our Writing Community!

Starting 2025 with New Features: Settings Dashboard, HackerNoon Decoded, Updated Search UI, and More

HackerNoon Decoded 2024: Wir feiern unsere Remote-Work-Community!

Light-Mode

Classic

Newspaper

Minty

Dark-Mode

Neon Noir

Minty

HN StartUps