1 option
Prompt Engineering für Large Language Models : LLM-basierte Anwendungen entwickeln, steuern und optimieren / John Berryman, Albert Ziegler, Jens Olaf Koch.
- Format:
- Book
- Author/Creator:
- Berryman, John, author.
- Ziegler, Albert, author.
- Koch, Jens Olaf, author.
- Language:
- German
- Subjects (All):
- Artificial intelligence.
- Language obsolescence.
- Physical Description:
- 1 online resource (272 pages)
- Edition:
- 1st ed.
- Place of Publication:
- Heidelberg : O'Reilly Verlag, 2025.
- Summary:
- LLM-Anwendungen effektiv steuern: von der Prompt-Optimierung bis zur Workflow-Integration LLMs als leistungsstarke Bausteine für Anwendungen nutzen Den richtigen Prompt und Kontext für nützliche Ergebnisse gestalten Von der Erfahrung der GitHub-Copilot-Entwickler profitieren Fortgeschrittene Konzepte wie Conversational Agency und Workflow-Steuerung meistern LLMs übernehmen in modernen Anwendungen die Rolle einer intelligenten Transformationsschicht. Sie verarbeiten komplexe Nutzeranfragen und generieren adaptive Antworten - oft innerhalb einer mehrstufigen Anwendungsschleife -, bevor dem Nutzer ein optimiertes Ergebnis präsentiert wird. Für Entwickler bedeutet das neue Anforderungen: LLMs gezielt zu steuern, ihren Output schrittweise zu verfeinern und ihre vielseitigen Einsatzmöglichkeiten in den Entwicklungsprozess zu integrieren. Die Autoren, beide maßgeblich an der Entwicklung von GitHub Copilot beteiligt, vermitteln das komplette Spektrum des Prompt Engineerings - von den Grundlagen bis hin zu fortgeschrittenen Techniken wie Conversational Agency, der Integration externer Tools, der Orchestrierung komplexer Workflows und der Evaluierung von LLM-Anwendungen. Effektives Prompt Engineering erfordert ein tiefes Verständnis dafür, wie sich Kontext optimal strukturieren und LLM-basierte Workflows effizient gestalten lassen, um nützliche Ergebnisse zu erhalten. Dieses Buch bietet eine praxisnahe Anleitung, um LLMs als leistungsfähige Bausteine produktiver Softwarelösungen einzusetzen.
- Contents:
- Cover
- Hinweise zur Benutzung
- Titel
- Impressum
- Inhalt
- Vorwort
- Teil I: Grundlagen
- 1 Einführung ins Prompt Engineering
- LLMs sind magisch
- Sprachmodelle: eine kurze Vorgeschichte
- Frühe Sprachmodelle
- GPT betritt die Szene
- Prompt Engineering
- Fazit
- 2 LLMs verstehen
- Was sind LLMs?
- Ein Dokument vervollständigen
- Menschliches Denken versus LLM-Verarbeitung
- Halluzinationen
- Wie LLMs die Welt sehen
- Unterschied 1: LLMs verwenden deterministische Tokenizer
- Unterschied 2: LLMs sehen keine Buchstaben
- Unterschied 3: LLMs nehmen Text anders wahr
- Tokens zählen
- Token für Token
- Autoregressive Modelle
- Muster und Wiederholungen
- Temperatur und Wahrscheinlichkeiten
- Die Transformer-Architektur
- 3 Von Completion zu Chat
- Reinforcement Learning from Human Feedback
- Der Entstehungsprozess eines RLHF-Modells
- Sprachmodelle zur Ehrlichkeit erziehen
- Vermeidung individueller Eigenheiten
- RLHF: Viel Wirkung bei wenig Aufwand
- Vorsicht vor der Alignment Tax
- Vom Instruct- zum Chatmodell
- Instruct-Modelle
- Chatmodelle
- Die API wandelt sich
- Chat-Completion-API
- Vergleich zwischen Chat und Completion
- Über Chat hinaus: Tools
- Prompt Engineering als Theaterstück
- 4 LLM-Anwendungen entwickeln
- Die Anatomie der Schleife
- Das Nutzerproblem
- Überführung des Nutzerproblems in die Modelldomäne
- Das LLM verwenden, um den Prompt zu vervollständigen
- Rückführung in die Nutzerdomäne
- Der Feed-Forward-Pass im Detail
- Aufbau des grundlegenden Feed-Forward-Pass
- Die Komplexität der Anwendungsschleife verstehen
- Qualität von LLM-Anwendungen evaluieren
- Offline-Evaluierung
- Online-Evaluierung
- Teil II: Zentrale Techniken
- 5 Prompt-Inhalte
- Quellen für Inhalte
- Statische Inhalte
- Präzisierung der Fragestellung.
- Few-Shot-Prompting
- Dynamische Inhalte
- Dynamischen Kontext finden
- Retrieval-Augmented Generation
- Zusammenfassung
- 6 Den Prompt zusammensetzen
- Anatomie des idealen Prompts
- Welche Art von Dokument?
- Das Beratungsgespräch
- Analyse und Bericht
- Das strukturierte Dokument
- Formatierung von Snippets
- Mehr über Unveränderlichkeit
- Formatierung von Few-Shot-Beispielen
- Elastische Snippets
- Beziehungen zwischen Prompt-Elementen
- Position
- Wichtigkeit
- Abhängigkeit
- Alles zusammenfügen
- 7 Das Modell bändigen
- Anatomie der idealen Completion
- Einleitung
- Erkennbarer Anfang und erkennbares Ende
- Nachbemerkung
- Über Text hinaus: Logprobs
- Wie gut ist die Completion?
- LLMs für Klassifikationsaufgaben
- Kritische Punkte im Prompt
- Welches Modell verwenden?
- Teil III: Zur Meisterschaft
- 8 Dialogbasierte Agenten
- Werkzeuge einsetzen
- Für den Einsatz von Tools feingetunte LLMs
- Richtlinien für Tooldefinitionen
- Reasoning
- Chain-of-Thought
- ReAct: Iteratives Denken und Handeln
- Weiterentwicklung über ReAct hinaus
- Kontext für aufgabenbasierte Interaktionen
- Quellen für Kontext
- Kontext auswählen und organisieren
- Einen dialogbasierten Agenten entwickeln
- Gespräche verwalten
- Benutzererfahrung
- 9 LLM-Workflows
- Würde ein dialogbasierter Agent ausreichen?
- Grundlegende LLM-Workflows
- Aufgaben
- Zusammenführung des Workflows
- Beispiel-Workflow: Shopify-Plug-in-Marketing
- Fortgeschrittene LLM-Workflows
- Ein LLM-Agent als Steuerzentrale des Workflows
- Zustandsbehaftete Aufgabenagenten
- Rollen und Delegation
- 10 LLM-Anwendungen evaluieren
- Was testen wir überhaupt?
- Beispielsuiten
- Beispiele finden
- Lösungen evaluieren
- SOMA-Bewertung
- A/B-Tests
- Metriken.
- Fazit
- 11 Ein Blick voraus
- Multimodalität
- Benutzererfahrung und Benutzeroberfläche
- Intelligenz
- Fußnoten
- Index
- Über die Autoren.
- Notes:
- Description based on publisher supplied metadata and other sources.
- ISBN:
- 3-96010-923-7
- 3-96010-922-9
- 9783960109228
- OCLC:
- 1543207248
The Penn Libraries is committed to describing library materials using current, accurate, and responsible language. If you discover outdated or inaccurate language, please fill out this feedback form to report it and suggest alternative language.