GSP1151

Übersicht

In diesem Lab erfahren Sie mehr über Prompt Engineering und Best Practices für das Erstellen effektiver Prompts, um die Qualität Ihrer LLM-generierten Antworten zu verbessern. Sie lernen, wie Sie prägnante, spezifische und klar definierte Prompts formulieren, die auf eine bestimmte Aufgabe ausgerichtet sind. Das Lab behandelt auch fortgeschrittene Techniken wie die Umwandlung generativer Aufgaben in Klassifizierungsaufgaben und die Verwendung von Beispielen zur Verbesserung der Antwortqualität. Weitere Informationen finden Sie in der offiziellen Dokumentation zum Entwerfen von Prompts.

Gemini

Gemini umfasst eine Reihe leistungsstarker generativer KI-Modelle, die von Google DeepMind entwickelt wurden. Diese können verschiedene Formen von Inhalten verstehen und erstellen, darunter Text, Code, Bilder, Audio und Video.

Gemini API in Vertex AI

Die Gemini API in Vertex AI bietet eine einheitliche Benutzeroberfläche für die Interaktion mit Gemini-Modellen. Darüber können Entwickler die leistungsstarken KI-Funktionen ohne viel Aufwand in ihre Anwendungen integrieren. Aktuelle Informationen und besondere Merkmale der neuesten Versionen finden Sie in der offiziellen Dokumentation zu Gemini.

Gemini-Modelle

• Gemini Pro – entwickelt für komplexe Schlussfolgerungen, darunter:
  • Analysieren und Zusammenfassen großer Mengen von Informationen
  • Ausgereifte multimodale Schlussfolgerungen (zu Text, Code, Bildern usw.)
  • Effektive Problemlösung mit komplexer Codebasis
• Gemini Flash – für Geschwindigkeit und Effizienz optimiert, bietet folgende Vorteile:
  • Reaktionszeiten unter einer Sekunde und hoher Durchsatz
  • Hohe Qualität zu niedrigeren Kosten für eine Vielzahl von Aufgaben
  • Erweiterte multimodale Funktionen, einschließlich der Verwendung nativer Tools (Google Suche, Codeausführung und Funktionen von Drittanbietern), verbesserter räumlicher Strukturen und neuer Ausgabemodalitäten (Text, Audio, Bilder)

Vorbereitung

Für dieses Lab sollten Sie folgende Konzepte kennen:

• Grundlegende Kenntnisse der Programmierung mit Python
• Grundlegende API-Konzepte
• Ausführen von Python-Code in einem Jupyter-Notebook in Vertex AI Workbench

Lernziele

Aufgaben in diesem Lab:

• Einstieg in das Prompt Engineering mit dem Google Gen AI SDK
• Best Practices für das Prompt-Design anwenden, einschließlich Kürze, Präzision und Aufgabendefinition
• Mit dem Google Gen AI SDK verschiedene Anwendungsfälle für die Textgenerierung ausprobieren, beispielsweise:
  • Ideenfindung
  • Question Answering
  • Textklassifizierung
  • Textextraktion
  • Textzusammenfassung

Einrichtung und Anforderungen

Vor dem Klick auf „Start Lab“ (Lab starten)

Lesen Sie diese Anleitung. Labs sind zeitlich begrenzt und können nicht pausiert werden. Der Timer beginnt zu laufen, wenn Sie auf Lab starten klicken, und zeigt Ihnen, wie lange Google Cloud-Ressourcen für das Lab verfügbar sind.

In diesem praxisorientierten Lab können Sie die Lab-Aktivitäten in einer echten Cloud-Umgebung durchführen – nicht in einer Simulations- oder Demo-Umgebung. Dazu erhalten Sie neue, temporäre Anmeldedaten, mit denen Sie für die Dauer des Labs auf Google Cloud zugreifen können.

Für dieses Lab benötigen Sie Folgendes:

• Einen Standardbrowser (empfohlen wird Chrome)

Hinweis: Nutzen Sie den privaten oder Inkognitomodus (empfohlen), um dieses Lab durchzuführen. So wird verhindert, dass es zu Konflikten zwischen Ihrem persönlichen Konto und dem Teilnehmerkonto kommt und zusätzliche Gebühren für Ihr persönliches Konto erhoben werden.

• Zeit für die Durchführung des Labs – denken Sie daran, dass Sie ein begonnenes Lab nicht unterbrechen können.

Hinweis: Verwenden Sie für dieses Lab nur das Teilnehmerkonto. Wenn Sie ein anderes Google Cloud-Konto verwenden, fallen dafür möglicherweise Kosten an.

Lab starten und bei der Google Cloud Console anmelden

1. Klicken Sie auf Lab starten. Wenn Sie für das Lab bezahlen müssen, wird ein Dialogfeld geöffnet, in dem Sie Ihre Zahlungsmethode auswählen können. Auf der linken Seite befindet sich der Bereich „Details zum Lab“ mit diesen Informationen:

   • Schaltfläche „Google Cloud Console öffnen“
   • Restzeit
   • Temporäre Anmeldedaten für das Lab
   • Ggf. weitere Informationen für dieses Lab

2. Klicken Sie auf Google Cloud Console öffnen (oder klicken Sie mit der rechten Maustaste und wählen Sie Link in Inkognitofenster öffnen aus, wenn Sie Chrome verwenden).

   Im Lab werden Ressourcen aktiviert. Anschließend wird ein weiterer Tab mit der Seite „Anmelden“ geöffnet.

   Tipp: Ordnen Sie die Tabs nebeneinander in separaten Fenstern an.

   Hinweis: Wird das Dialogfeld Konto auswählen angezeigt, klicken Sie auf Anderes Konto verwenden.

3. Kopieren Sie bei Bedarf den folgenden Nutzernamen und fügen Sie ihn in das Dialogfeld Anmelden ein.

   {{{user_0.username | "Username"}}}

   Sie finden den Nutzernamen auch im Bereich „Details zum Lab“.

4. Klicken Sie auf Weiter.

5. Kopieren Sie das folgende Passwort und fügen Sie es in das Dialogfeld Willkommen ein.

   {{{user_0.password | "Password"}}}

   Sie finden das Passwort auch im Bereich „Details zum Lab“.

6. Klicken Sie auf Weiter.

   Wichtig: Sie müssen die für das Lab bereitgestellten Anmeldedaten verwenden. Nutzen Sie nicht die Anmeldedaten Ihres Google Cloud-Kontos. Hinweis: Wenn Sie Ihr eigenes Google Cloud-Konto für dieses Lab nutzen, können zusätzliche Kosten anfallen.

7. Klicken Sie sich durch die nachfolgenden Seiten:

   • Akzeptieren Sie die Nutzungsbedingungen.
   • Fügen Sie keine Wiederherstellungsoptionen oder Zwei-Faktor-Authentifizierung hinzu (da dies nur ein temporäres Konto ist).
   • Melden Sie sich nicht für kostenlose Testversionen an.

Nach wenigen Augenblicken wird die Google Cloud Console in diesem Tab geöffnet.

Hinweis: Wenn Sie auf Google Cloud-Produkte und ‑Dienste zugreifen möchten, klicken Sie auf das Navigationsmenü oder geben Sie den Namen des Produkts oder Dienstes in das Feld Suchen ein.

Aufgabe 1: Notebook in Vertex AI Workbench öffnen

1. Klicken Sie in der Google Cloud Console im Navigationsmenü () auf Vertex AI > Workbench.

2. Suchen Sie die Instanz und klicken Sie auf JupyterLab öffnen.

Die JupyterLab-Oberfläche für Ihre Workbench-Instanz wird in einem neuen Browsertab geöffnet.

Aufgabe 2: Notebook einrichten

1. Öffnen Sie die -Datei.

2. Wählen Sie im Dialogfeld Kernel auswählen in der Liste der verfügbaren Kernel die Option Python 3 aus.

3. Gehen Sie die Abschnitte Erste Schritte und Bibliotheken importieren des Notebooks durch.

   • Verwenden Sie als Projekt-ID den Wert und als Standort die Option .

Hinweis: Notebookzellen mit dem Hinweis Nur Colab können Sie überspringen. Wenn Sie bei der Ausführung einer der Notebook-Zellen eine 429-Antwort erhalten, warten Sie eine Minute, bevor Sie die Zelle noch einmal ausführen und dann fortfahren.

Klicken Sie auf Fortschritt prüfen.

Pakete installieren und Bibliotheken importieren.

Aufgabe 3: Best Practices für das Prompt Engineering

Beim Prompt Engineering geht es darum, Prompts so zu gestalten, dass Sie die gesuchte Antwort erhalten. Bei „einfachen“ Prompts sinkt die Wahrscheinlichkeit, dass das LLM die Absicht des Prompts falsch interpretiert. Im Folgenden finden Sie einige Richtlinien für das Erstellen einfacher Prompts.

In diesem Abschnitt werden die folgenden Best Practices für das Prompt Engineering behandelt:

• Präzise formulieren
• Konkrete und klar definierte Fragen stellen
• Immer nur eine Aufgabe stellen
• Antwortqualität durch Angabe von Beispielen verbessern
• Generative Aufgaben in Klassifizierungsaufgaben umwandeln, um die Sicherheit zu erhöhen

1. Gehen Sie den Abschnitt Be concise (Präzise formulieren) im Notebook durch.

Klicken Sie auf Fortschritt prüfen. Präzise formulieren.

2. Gehen Sie den Abschnitt Be specific, and well-defined (Konkrete und klar definierte Fragen stellen) im Notebook durch.

Klicken Sie auf Fortschritt prüfen. Konkrete und klar definierte Fragen stellen.

3. Gehen Sie den Abschnitt Ask one task at a time (Immer nur eine Aufgabe stellen) im Notebook durch.

Klicken Sie auf Fortschritt prüfen. Ask one task at a time. (Immer nur eine Aufgabe stellen.)

4. Gehen Sie den Abschnitt Watch out for hallucinations (Auf Halluzinationen achten) im Notebook durch.

Klicken Sie auf Fortschritt prüfen. Auf Halluzinationen achten.

Aufgabe 4: Variabilität der Ausgabe reduzieren

Wie lässt sich die Wahrscheinlichkeit von irrelevanten Antworten und Halluzinationen verringern? Eine Möglichkeit besteht darin, dem LLM Systemanweisungen zu geben. In diesem Abschnitt erfahren Sie, wie Systemanweisungen funktionieren und wie Sie damit Halluzinationen oder irrelevante Antworten eines Reise-Chatbots reduzieren können.

1. Gehen Sie den Abschnitt Using system instructions to guardrail the model from irrelevant responses (Mit Systemanweisungen irrelevante Antworten vermeiden) im Notebook durch.

Klicken Sie auf Fortschritt prüfen. Mit Systemanweisungen irrelevante Antworten vermeiden.

2. Gehen Sie den Abschnitt Turn generative tasks into classification tasks to reduce output variability (Generative Aufgaben in Klassifizierungsaufgaben umwandeln, um die Sicherheit zu erhöhen) im Notebook durch.

Klicken Sie auf Fortschritt prüfen. Generative Aufgaben führen zu einer höheren Variabilität der Ausgabe.

3. Gehen Sie den Abschnitt Classification tasks reduces output variability (Klassifizierungsaufgaben reduzieren die Variabilität der Ausgabe) im Notebook durch.

Klicken Sie auf Fortschritt prüfen. Klassifizierungsaufgaben reduzieren die Variabilität der Ausgabe.

Aufgabe 5: Antwortqualität durch Angabe von Beispielen verbessern

Eine weitere Möglichkeit, die Antwortqualität zu verbessern, besteht darin, dem Prompt Beispiele hinzuzufügen. Das LLM lernt kontextbezogen anhand der Beispiele, wie es antworten soll. In der Regel reichen ein bis fünf Beispiele („Shots“) aus, um die Qualität der Antworten zu verbessern. Wenn Sie zu viele Beispiele geben, kann das Modell die Daten übermäßig anpassen, was die Qualität der Antworten möglicherweise beeinträchtigt.

Ähnlich wie beim klassischen Modelltraining sind die Qualität und Verteilung der Beispiele sehr wichtig. Wählen Sie Beispiele aus, die für die Szenarien repräsentativ sind, die das Modell lernen soll, und richten Sie die Verteilung der Beispiele (zum Beispiel die Anzahl der Beispiele pro Klasse bei einer Klassifizierung) an der tatsächlichen Verteilung aus.

1. Gehen Sie den Abschnitt Improve response quality by including examples (Antwortqualität durch Angabe von Beispielen verbessern) im Notebook durch.

Klicken Sie auf Fortschritt prüfen. Antwortqualität durch Angabe von Beispielen verbessern.

Das wars!

Sie haben das Lab erfolgreich abgeschlossen. Sie haben Best Practices für das Prompt Engineering bei Verwendung von generativer KI mit Google Gemini kennengelernt. Für die Antwortgenerierung mit LLMs haben Sie sich mit Anwendungsfällen beschäftigt, die diesen Best Practices folgen: präzise formulieren, konkrete und klar definierte Fragen stellen, Beispiele angeben und immer nur eine Aufgabe stellen.

Weitere Informationen

In den folgenden Ressourcen finden Sie weitere Informationen zu Gemini:

• Überblick: Gemini
• Dokumentation: Generative KI in Vertex AI
• Generative KI auf YouTube
• Im Vertex AI Cookbook finden Sie ausgewählte und durchsuchbare Notebooks zu generativer KI.
• Weitere Notebooks und Beispiele wurden im Repository „Google Cloud Generative AI“ zusammengestellt.

Google Cloud-Schulungen und -Zertifizierungen

In unseren Schulungen erfahren Sie alles zum optimalen Einsatz unserer Google Cloud-Technologien und können sich entsprechend zertifizieren lassen. Unsere Kurse vermitteln technische Fähigkeiten und Best Practices, damit Sie möglichst schnell mit Google Cloud loslegen und Ihr Wissen fortlaufend erweitern können. Wir bieten On-Demand-, Präsenz- und virtuelle Schulungen für Anfänger wie Fortgeschrittene an, die Sie individuell in Ihrem eigenen Zeitplan absolvieren können. Mit unseren Zertifizierungen weisen Sie nach, dass Sie Experte im Bereich Google Cloud-Technologien sind.

Anleitung zuletzt am 12. Februar 2025 aktualisiert

Lab zuletzt am 12. Februar 2025 getestet

© 2025 Google LLC. Alle Rechte vorbehalten. Google und das Google-Logo sind Marken von Google LLC. Alle anderen Unternehmens- und Produktnamen können Marken der jeweils mit ihnen verbundenen Unternehmen sein.