PROJECT_ID // 0034Prompt Engineer / Prompt Generator

> SICHERE_VERBINDUNG // Prompt Engineer / Prompt Generator

Navigation

Startseite Zurück zu PROJEKTE

AUDIO-PLAYER

PAUSIERT

Franz spielt gerade keine Musik.

SYSTEM_SICHER // FPGD

VERBINDUNG // KONTAKT

--:--:-- --

ACCESSING DATABANKS...

SUGGESTED PROJECTS

LiftTrack: Eine 3D-CNN-basierte mobile Lösung zur Überwachung und Verbesserung von Gewichthebetechniken

Portfolio: Cyberpunk

Scrapy: Benutzerdefiniertes Multi-Crawler-System

SCROLLEN ↓

SICHERE_VERBINDUNG // 0x00F4B00VERSCHLÜSSELUNG: AES-256-GCMÜBERSCHREIBEN: FALSCH

DATENSTROM // PUFFERN

SYS.SPEICHER // 0.0MB
VRAM // 0.0MB

KNOTEN // ONLINE
LATENZ // 14ms

SYS.LADEN

FREQ_SYNC

> BOOT_SEQ // KERNEL_LADEN... OK

SYSTEM WIRD INITIALISIERT...

[000%]

PROJECT_ID // 0034Prompt Engineer / Prompt Generator

> SICHERE_VERBINDUNG // Prompt Engineer / Prompt Generator

Navigation

Startseite Zurück zu PROJEKTE

AUDIO-PLAYER

PAUSIERT

Franz spielt gerade keine Musik.

SYSTEM_SICHER // FPGD

VERBINDUNG // KONTAKT

--:--:-- --

Prompt Engineer / Prompt Generator

Ein dokumentationsgesteuertes Custom GPT System, das entwickelt wurde, um KI-Prompts zu erstellen und zu verbessern.

DEMO LINK • GITHUB LINK

Überblick

Rolle: Schöpfer / Prompt Engineer
Stack: Custom GPT, Diverse Prompt Formats, JSON
Schlüsselergebnis: Erfolgreiches Design einer Code-freien, hochgradig erweiterbaren Prompt-Generierungs-Engine.
Zusammenfassung: Dieses Projekt war mein allererstes Mal, dass ich formale Prompt-Engineering-Methoden angewendet habe. Es ist ein modulares, dokumentationsgesteuertes System, bei dem die gesamte Logik durch strukturierte Dateien verwaltet wird, die unzählige verschiedene Formate, Vorlagen und Paradigmen für Klarheit und Erweiterbarkeit enthalten.

Das Problem

Herausforderung: Benutzer haben oft Schwierigkeiten, aufgrund schlecht strukturierter Prompts die bestmöglichen Ergebnisse von KI-Modellen zu erhalten. Die Herausforderung bestand darin, ein System zur Automatisierung der Optimierung dieser Prompts ohne traditionellen Code zu erstellen.
Zielgruppe: Jeder, der KI nutzt und die Qualität und Genauigkeit der KI-Ausgabe deutlich verbessern möchte.
Einschränkungen: Sicherstellen, dass alle Logiken und Techniken effektiv von einem Custom GPT analysiert werden können, das sich vollständig auf textbasierte Konfigurationen und umfangreiche Formatvorlagen verlässt.

Ansatz & Entscheidungen

Architektur: Eine deklarative, multiformatige Architektur, bei der alle Systemanweisungen in verlinkten Dateien gespeichert sind.
Wichtige Entscheidungen: Ich habe mich entschieden, Workflows und Befehle mithilfe einer strengen Ordnerstruktur zu planen, um die Wissensbasis des GPT organisiert zu halten.
Kompromisse: Die Rechenleistung einer traditionellen Web-App wurde gegen die sofortige, konversationelle Zugänglichkeit einer Custom GPT-Plattform eingetauscht.
Datenfluss: Benutzer gibt einen Basis-Prompt ein -> GPT greift auf strukturierte Vorlagen zu -> GPT gibt einen hochoptimierten, professionellen Prompt aus.

Wichtige Ergebnisse & Auswirkungen

Ergebnis: Ein hochwirksames Tool, das die grundlegenden Anweisungen der Benutzer konsequent in professionelle Formate aufwertet.
Auswirkung: Bietet deutlich verbesserte Ausgaben von KIs und LLMs.

Metrik	Ergebnis
Ausgabequalität	Konsequent verbessert
Architektur	Umfangreiche Formate & Paradigmen
Zielgruppe	Alle KI-Nutzer

Technischer Deep Dive

Bemerkenswerte Details: Ein reichhaltiger Kontext von Best Practices der Branche mit unzähligen Formaten wurde direkt in die Wissensbasis des GPT integriert.
Verifizierung: Verlässt sich auf wissenschaftlich und empirisch bewährte Prompt-Engineering-Formate.
Optimierungen: Domänenspezifischer Kontext wurde von aktiven Befehlen getrennt.
Code-Qualität: Strenge strukturelle Konsistenz über alle Formatvorlagen hinweg beibehalten.
Links: Siehe das GitHub Repository.

Reflexionen

Anders machen: Anstatt es nur als eigenständiges GPT zu belassen, habe ich diese Konzepte weiterentwickelt, indem ich einen KI-Subagenten in meinem oz: multiagent Projekt implementiert habe, um die Ausgabeoptimierung direkt in meinen eigenen Apps zu automatisieren.
Erfolge: Erfolgreich bewiesen, dass ein robustes Logiksystem vollständig durch deklarative Formate aufgebaut werden kann.
Lektionen: Strukturierte Formate sind der absolute Schlüssel zu vorhersehbaren und qualitativ hochwertigen LLM-Ausgaben.

Meine Beiträge

Systemdesign: Entwurf der modularen, dokumentationsgesteuerten Architektur.
Workflow-Engineering: Definition von Workflows und Befehlen in Markdown.
Best Practices: Kuration von Kontext und Techniken.
Dokumentation: Erstellung aller Projektdateien.

Projektarchitektur

Dieses Projekt nutzt eine dokumentationsgesteuerte, modulare Dateistruktur. Es gibt keine Code-Ausführung.

Komponentenorganisation:
- main_instruction.md: Zentrale JSON-Konfiguration
- context/context.md: Domänenspezifischer Kontext
- commands/commands.md: Alle Befehle
- profiles/: Agentenprofile
- templates/: Prompt-Vorlagen

Demo-Vorschau

Sie können das Live Custom GPT unter Prompt Engineer / Prompt Generator ansehen.

Plattform: Web (OpenAI ChatGPT Custom GPT)
Funktionalität: Interaktive Auswahl von Aufgaben, Formaten und Paradigmen.

Hosting-Hinweis:
Das Custom GPT ist auf OpenAI verfügbar. Quellcode auf GitHub; keine Code-Ausführung vorhanden.