Was ist Prompt Engineering?

Prompt Engineering: Texteinträge so gestalten, dass zuverlässige, genaue Ausgaben von LLMs wie GPT-4o, Claude und Gemini erzeugt werden. Lernen Sie wesentliche Techniken, Frameworks und warum dies für die Qualität der KI-Ausgabe wichtig ist.

Prompt Engineering ist die Praxis, Texteingaben – sogenannte Prompts – so zu gestalten und zu strukturieren, dass große Sprachmodelle (LLMs) genaue, nützliche und wiederholbare Ausgaben liefern. Dies gilt für GPT-4o, Claude, Gemini sowie lokal betriebene Modelle über Ollama oder LM Studio. Der Unterschied zwischen Prompt Engineering und „einfach eine Frage an eine KI stellen" ist der Unterschied zwischen einer vagen Anfrage und einer präzisen Anweisung mit klar definiertem Ziel, Kontext und Ausgabeformat.

Heute ist Prompt Engineering eine strukturierte Disziplin mit benannten Techniken, wiederverwendbaren Frameworks und messbaren Ergebnissen. Es geht nicht darum, KI-Systeme zu überlisten oder versteckte Befehle zu finden – es geht darum, einem probabilistischen Modell das klarstmögliche Signal zu geben, was man benötigt. Ein gut entwickelter Prompt liefert konsistent nutzbare Ergebnisse beim ersten Versuch.

Die Grundlagen des Prompt Engineerings beginnen mit dem Verständnis, dass LLMs Mustervervollständigungs-Engines sind. Sie erzeugen Ausgaben auf Basis der statistischen Wahrscheinlichkeit, was auf die Eingabe folgen sollte. Je präziser man Aufgabe, Kontext, Einschränkungen und gewünschtes Format angibt, desto weniger muss das Modell raten – und desto besser das Ergebnis.

Wichtigste Erkenntnisse

Prompt Engineering = Eingaben so gestalten, dass LLMs zuverlässige, genaue Ausgaben liefern
Gilt für alle wichtigen Modelle: GPT-4o, Claude, Gemini und lokale Modelle über Ollama oder LM Studio
Zentrale Stellschrauben: Ziel, Kontext, Beispiele, Einschränkungen, Ausgabeformat und Rolle
Prompt-Engineering-Techniken reichen von Zero-Shot über Chain-of-Thought bis RAG
Prompt-Engineering-Frameworks (CRAFT, CO-STAR, SPECS usw.) machen Prompts wiederholbar und lehrbar
Es ist der schnellste Weg, die Ausgabequalität von KI zu verbessern, ohne das Modell zu ändern

Warum Prompt Engineering wichtig ist

Dasselbe KI-Modell liefert dramatisch unterschiedliche Ausgaben, je nachdem wie eine Frage formuliert wird. Ein vager Prompt liefert eine vage Antwort. Ein strukturierter Prompt mit klarem Ziel, relevantem Kontext, expliziten Einschränkungen und einem festgelegten Ausgabeformat liefert ein Ergebnis, das keine Nachbearbeitung erfordert.

Dies sind die wichtigsten Vorteile von konsequent angewandten Prompt-Engineering-Grundlagen:

Zuverlässigkeit: Strukturierte Prompts liefern konsistente Ausgaben über mehrere Durchläufe und Modelle hinweg – derselbe Prompt funktioniert montags wie freitags
Höhere Ausgabequalität: Explizite Anweisungen reduzieren Mehrdeutigkeiten im Modell und eliminieren Raten über die Absicht
Geschwindigkeit: Gut formulierte Prompts eliminieren hin- und herlaufende Klärungszyklen → Faster AI Answers: How to Prompt for Speed
Kostenkontrolle: Präzise Prompts verwenden weniger Token pro Aufgabe und reduzieren Wiederholungsversuche → Tokens, Costs & Limits: The Economics of AI Prompting
Reduzierung von Halluzinationen: Klares Erden, Quelleneinschränkungen und eingegrenzte Fragen reduzieren erfundene Fakten → AI Hallucinations: Why AI Makes Things Up — and How to Stop Them
Modellübergreifende Kompatibilität: Derselbe gut strukturierte Prompt funktioniert für GPT-4o, Claude, Gemini und lokale LLMs – und reduziert die Abhängigkeit von einzelnen Anbietern
Wiederholbarkeit: Ein gut konzipierter Prompt ist ein wiederverwendbares Gut. Teams können Prompts teilen, versionieren und im Laufe der Zeit verbessern

Die wichtigsten Bausteine eines Prompts

Jeder effektive Prompt setzt sich aus einer Kombination dieser sieben Elemente zusammen. Man braucht selten alle sieben gleichzeitig – die Kunst liegt darin, zu wissen, welche für eine bestimmte Aufgabe erforderlich sind.

Eine Übersichtsarbeit aus dem Jahr 2024 über Prompting-Techniken (Schulhoff et al., „The Prompt Report", arXiv:2406.06608) katalogisierte über 58 verschiedene Techniken, die in Produktions-KI-Systemen eingesetzt werden – alle sind strukturierte Variationen dieser sieben Bausteine in unterschiedlichen Kombinationen.

Eine ausführlichere Aufschlüsselung mit Beispielen für jedes Element in der Praxis findet sich unter The 5 Building Blocks Every Prompt Needs.

Ziel: Die Aufgabe oder Frage, präzise formuliert – was das Modell produzieren soll
Kontext: Hintergrundinformationen, die das Modell für eine korrekte Antwort benötigt – wer fragt, wofür die Ausgabe gedacht ist, welche Einschränkungen gelten
Anweisungen: Konkrete Schritte oder Regeln, die das Modell befolgen soll – „in der Reihenfolge der Wichtigkeit auflisten", „in der zweiten Person schreiben", „nur die bereitgestellten Daten verwenden"
Beispiele: 1–3 Beispiel-Eingabe/Ausgabe-Paare, die genau das Format oder den Stil demonstrieren, den man möchte (Few-Shot-Prompting)
Einschränkungen: Explizite Grenzen, was das Modell NICHT tun soll – verbotene Themen, unerwünschte Formulierungen, Längenbeschränkungen, Stilrestriktionen
Ausgabeformat: Wie die Antwort strukturiert sein soll – Aufzählungsliste, JSON-Objekt, Markdown-Tabelle, nummerierte Schritte, einfacher Absatz
Rolle / Persona: Eine definierte Expertise oder Perspektive, die das Modell einnehmen soll – „Agiere als erfahrener Datenanalyst" oder „Du bist ein prägnanter technischer Autor"

PromptQuorum Konsenstest: Auswirkungen der Prompt-Struktur

PromptQuorum entsendete denselben unstrukturierten Prompt ("fassen Sie diesen Text zusammen") an GPT-4o, Claude 4.6 Sonnet und Gemini 1.5 Pro. Die Ergebnisse unterschieden sich in Länge, Detail und Struktur auf allen drei Modellen. Als dieselbe Aufgabe mit den fünf Bausteinen oben umgeschrieben wurde, erzeugten alle drei Modelle konsistente, formatgerechte Antworten beim ersten Versuch.

Dieser Konsenseffekt — bei dem strukturierte Prompts identisches Verhalten über verschiedene Modelle hinweg erzeugen — ist die Kernidee des Prompt Engineering. Die fünf Bausteine funktionieren, weil sie ausnutzen, wie alle großen LLMs Anweisungen identisch verarbeiten.

Gängige Prompt-Engineering-Techniken

| Technik | Best For | Beispiel |
|---|---|---|
| Few-Shot-Prompting | Lehren durch Beispiele | Bereitstellung von 2–3 Eingabe/Ausgabe-Paaren |
| Chain-of-Thought | Logik und mehrstufige Aufgaben | „Denken Sie Schritt für Schritt, bevor Sie antworten" |
| Rollen-Prompting | Domänenspezifisches Fachwissen | „Agiere als Marketingtexter" |
| Einschränkungsbasiert | Begrenzung des Output-Stils | „Schreiben Sie genau 150 Wörter, keine technische Fachsprache" |
| Negatives Prompting | Vermeidung spezifischer Verhaltensweisen | „Verwenden Sie nicht Schlagworte oder Klischees" |
| Selbstkonsistenz | Verbesserung der Zuverlässigkeit | „Generieren Sie 5 Antworten und geben Sie die häufigste zurück" |
| Strukturierte Ausgabe | Maschinenlesbare Ergebnisse | „Antwort im JSON-Format mit diesen Feldern..." |
| Prompt Chaining | Mehrstufige Workflows | Aufteilung einer komplexen Aufgabe in 3–4 sequenzielle Prompts |
| Tree-of-Thought | Exploration mehrerer Pfade | „Berücksichtigung von 3 verschiedenen Ansätzen vor der Auswahl" |
| RAG (Retrieval-Augmented Generation) | Grundlegung in Fakten | Anhängen von aktuellen Dokumenten vor dem Prompting |
| Persona-basiert | Unterschiedliche Kommunikationsstile | „Erklären Sie mir wie einem 10-Jährigen" |

Prompt-Engineering-Frameworks

Ein Prompt-Engineering-Framework ist eine benannte Vorlage, die festlegt, welche Bausteine in welcher Reihenfolge enthalten sein sollen. Frameworks verwandeln Prompt Engineering von einer Ad-hoc-Fähigkeit in einen wiederholbaren Prozess. Sie sind einfacher zu lehren, leichter im Team zu teilen und schneller anzuwenden unter Zeitdruck als ein Prompt von Grund auf neu zu erstellen.

Die folgende Tabelle zeigt fünf weit verbreitete Prompt-Engineering-Frameworks und die Situationen, für die jedes am besten geeignet ist:

Framework	Am besten für
Single-Line	Schnelle einzeilige Aufgaben, bei denen Geschwindigkeit wichtiger ist als Präzision
CRAFT	Marketing, Texterstellung und kreative Inhalte mit einer definierten Stimme
SPECS	Recherche, Analyse und strukturierte faktenbasierte Ausgaben
CO-STAR	Komplexe Aufgaben, die vollständigen Kontext, eine definierte Zielgruppe und schrittweise Anweisungen erfordern
RISEN	Anleitungsschreiben, Schulungsmaterial und Bildungsinhalte

Auf dieser Website sind zehn dokumentierte Frameworks verfügbar – jedes mit einem eigenen Leitfaden, der erklärt, wann man es verwenden sollte, wie der Prompt strukturiert wird, und durchgearbeitete Beispiele enthält. Beginne mit Which Prompt Framework Should You Use? für einen Entscheidungsleitfaden. Danach können CRAFT Framework, CO-STAR Framework, SPECS Framework und RISEN Framework einzeln erkundet werden.

PromptQuorum enthält 9 eingebaute Frameworks und zwei benutzerdefinierte Framework-Slots. Jedes Framework kann direkt in der App angewendet werden, um den strukturierten Prompt mit dem Original zu vergleichen und eigene Vorlagen zu speichern – siehe Build Your Own Prompt Framework.

Wo Prompt Engineering in den KI-Workflow passt

Prompt Engineering funktioniert nicht isoliert. Jeder Prompt existiert in einem breiteren technischen Kontext – das gewählte Modell, das verfügbare Token-Budget und die Architektur des KI-Systems beeinflussen alle, was ein Prompt erreichen kann.

Dies sind die wichtigsten technischen Entscheidungen, die mit Prompt Engineering interagieren:

Modellauswahl: GPT-4o, Claude 4.6 Sonnet und Gemini 1.5 Pro reagieren unterschiedlich auf denselben Prompt. Das richtige Modell für die Aufgabe zu wählen ist Teil des Engineering-Prozesses. Mistral AI (Europa) und Qwen (China) folgen denselben Prompting-Prinzipien, erfordern aber möglicherweise angepassste Ausgabeformat-Spezifikationen aufgrund von Unterschieden im Instruction-Following-Verhalten. Der gleiche strukturierte Prompt funktioniert weltweit in allen großen Modellfamilien → GPT, Claude or Gemini? How to Pick the Right Model
System- vs. Benutzer-Prompts: Der System-Prompt legt persistente Anweisungen für eine gesamte Sitzung fest; der Benutzer-Prompt ist die aufgabenbezogene Eingabe. Diese Aufteilung richtig hinzubekommen bestimmt die Konsistenz im großen Maßstab → System Prompt vs. User Prompt: What's the Difference?
Kontextfenster: Jedes Modell hat ein maximales Token-Limit für Eingabe + Ausgabe zusammen. Lange Prompts reduzieren den verfügbaren Platz für die Modellantwort – und Modelle beginnen, frühere Inhalte zu ignorieren, wenn das Fenster voll wird → Context Windows Explained: Why Your AI Forgets
Token-Limits und Kosten: Präzise, prägnante Prompts verwenden weniger Token pro Aufruf, reduzieren Latenz und bleiben innerhalb von Rate Limits – und beeinflussen direkt die Kosten im großen Maßstab → Tokens, Costs & Limits: The Economics of AI Prompting
Multimodales Prompting: Moderne LLMs wie GPT-4o und Gemini akzeptieren Bilder ebenso wie Text. Prompt-Engineering-Prinzipien gelten gleichermaßen für Bildeingaben → Beyond Text: How to Prompt with Images
Lokale vs. Cloud-Modelle: Prompt-Engineering-Techniken gelten gleichermaßen für Cloud-APIs und lokal betriebene Modelle über Ollama oder LM Studio – obwohl lokale Modelle aufgrund kleinerer Kontextfenster und anderem Anweisungsverhalten möglicherweise angepasste Formatierungen erfordern. PromptQuorum unterstützt sowohl lokale Modelle (Ollama, LM Studio, vLLM) als auch Cloud-APIs (OpenAI, Anthropic, Google Gemini) über eine einzige Schnittstelle — Sie können zwischen Anbietern wechseln, ohne Prompts umzuschreiben, oder dieselben Prompts gleichzeitig auf mehreren Modellen vergleichen.

Grenzen des Prompt Engineerings: Was es kann und nicht kann

Was Prompt Engineering zuverlässig verbessert:

Ausgabekonsistenz – derselbe strukturierte Prompt liefert ähnliche Ergebnisse über verschiedene Durchläufe und Teammitglieder hinweg
Reduzierung von Halluzinationen – Erdung, Quelleneinschränkungen und explizites Eingrenzen reduzieren erfundene Fakten. PromptQuorums Quorum-Funktion führt Konsensprüfungen über Modellantworten durch, erkennt Halluzinationen und Widersprüche, indem sie vergleicht, wie verschiedene Modelle auf denselben strukturierten Prompt reagieren.
Formatkontrolle – das Festlegen des Ausgabeformats bedeutet, dass Ergebnisse direkt verwendbar ankommen, nicht erst bearbeitbar
Iterationsgeschwindigkeit – weniger Klärungsrunden, mehr Erfolge beim ersten Versuch
Modellübergreifende Portabilität – ein gut strukturierter Prompt funktioniert auf GPT-4o, Claude und Gemini ohne Umschreiben

Was andere Ansätze erfordert:

Zugriff auf private oder Echtzeit-Daten: Wenn das Modell Dokumente, Datenbanken oder Live-Informationen benötigt, die nicht in einen Prompt passen – RAG verwenden → RAG Explained: How to Ground AI Answers in Real Data
Tiefe Domänenspezialisierung: Wenn ein Modell zuverlässig einen spezifischen Wortschatz oder Stil über alle Sitzungen hinweg übernehmen soll – Fine-Tuning statt Prompts verwenden
Fehlendes Wissen: Prompt Engineering kann einem Modell kein Wissen geben, auf das es nicht trainiert wurde. Wenn das Basismodell ein Thema nicht kennt, wird es kein Prompt lehren
Systematische Qualitätsbewertung: Das Prüfen der KI-Ausgabequalität in großem Maßstab über Tausende von Durchläufen erfordert Evaluierungs-Pipelines und Werkzeuge, die über manuelles Prompting hinausgehen

Prompt Engineering ist der schnellste und zugänglichste Hebel zur Verbesserung der KI-Ausgabequalität – es erfordert keine Infrastrukturänderungen und kein Neu-Training. Für die Probleme, die es nicht lösen kann, weist es klar auf das richtige nächste Werkzeug hin.

Wie man mit dem Erlernen von Prompt Engineering beginnt

Diese sechs Schritte führen einen intelligenten Anfänger auf dem kürzesten Weg durch das Material auf dieser Website von null zu produktiv:

1Die Grundlagen lesen. Bevor man komplexe Prompts schreibt, sollte man verstehen, wie LLMs Text verarbeiten, was Token sind, was ein Kontextfenster bedeutet und warum Modelle halluzinieren. Der Abschnitt Fundamentals behandelt all dies in dedizierten Artikeln – beginne mit The 5 Building Blocks Every Prompt Needs und From GPT-2 to Today: How Prompt Engineering Evolved.
2Mit einzeiligen Prompts beginnen. Einen klaren Satz schreiben, der die Aufgabe genau beschreibt. Beobachten, was das Modell zurückgibt, bevor man Struktur hinzufügt. Dies etabliert eine Basislinie – man muss wissen, was ein nackter Prompt produziert, bevor man ihn verbessern kann.
3Ein Framework auf eine echte Aufgabe anwenden. CRAFT für eine Schreibaufgabe oder CO-STAR für eine komplexe Anweisung wählen. Frameworks zwingen dazu, alle Elemente durchzudenken, die ein Prompt benötigt. Der Abschnitt Frameworks behandelt jedes Framework mit Beispielen → beginne mit Which Prompt Framework Should You Use?.
4Eine Technik nach der anderen hinzufügen. Few-Shot-Beispiele für eine Aufgabe ausprobieren. Eine Einschränkung zu einer anderen hinzufügen. Chain-of-Thought bei einem Denkproblem testen. Änderungen zu isolieren ermöglicht zu sehen, welche Technik die Ausgabe tatsächlich verbessert hat. Der Abschnitt Techniques behandelt jede Technik ausführlich.
5Über mehrere Modelle testen. Derselbe Prompt liefert unterschiedliche Ergebnisse auf GPT-4o, Claude und Gemini. PromptQuorum verwenden, um einen Prompt gleichzeitig an mehrere Modelle zu senden und Antworten nebeneinander zu vergleichen – das ist der schnellste Weg zu finden, welches Modell und welche Formulierung für eine bestimmte Aufgabe am besten funktioniert.
6Eine Prompt-Bibliothek für die eigenen Anwendungsfälle aufbauen. Prompts, die funktionieren, speichern. Sie im Laufe der Zeit verfeinern. Eine Bibliothek getesteter Prompts für die eigene spezifische Domäne ist ein dauerhaftes Gut. Siehe Build a Prompt Library That Saves Hours für eine Anleitung zur Strukturierung und Pflege einer solchen.

Weiterführende Ressourcen

KI-Halluzinationen — Warum KI Dinge erfindet — ein Kernverständnis der LLM-Grenzen
Chain-of-Thought Prompting — LLMs zeigen lassen, wie sie denken — die Schritt-für-Schritt-Technik, die die Genauigkeit verbessert
CO-STAR Framework — eine strukturierte Vorlage, die die Grundlagen in einer bewährten Reihenfolge organisiert

FAQ: Prompt-Engineering-Grundlagen

Ist Prompt Engineering bei neueren KI-Modellen noch nützlich?

Ja – und sogar mehr als zuvor. Leistungsfähigere Modelle können präzisen Anweisungen besser folgen, was bedeutet, dass der Nutzen gut strukturierter Prompts steigt, wenn Modelle sich verbessern. Selbst heute liefern die leistungsfähigsten Modelle inkonsistente oder vage Ausgaben bei vagen Eingaben. Strukturierte Prompts bleiben der zuverlässigste Weg, beim ersten Versuch professionelle Ausgaben zu erzielen.

Muss ich programmieren können, um Prompt Engineering zu erlernen?

Nein. Prompt Engineering ist in erster Linie eine Sprach- und Logikfähigkeit – die Fähigkeit, eine Aufgabe präzise zu formulieren, Fehlertypen vorauszusehen und zu spezifizieren, was man möchte. Programmierkenntnisse helfen beim Aufbau automatisierter Pipelines oder beim Parsen strukturierter Ausgaben, aber der überwiegende Teil der Prompt-Engineering-Arbeit erfordert keinerlei Programmierkenntnisse.

Was ist der Unterschied zwischen Prompt Engineering und traditioneller Programmierung?

Traditionelle Programmierung gibt einem Computer deterministische Anweisungen, die bei gleicher Eingabe immer dieselbe Ausgabe produzieren. Prompt Engineering gibt einem probabilistischen Modell strukturierte Anleitungen, die die Wahrscheinlichkeit einer nützlichen Ausgabe erhöhen – aber sie nicht garantieren können. Die Fähigkeit liegt darin, Prompts zu gestalten, die trotz dieser zugrundeliegenden Unsicherheit zuverlässige Ergebnisse liefern.

Was ist der Unterschied zwischen einer Prompt-Engineering-Technik und einem Framework?

Eine Technik ist ein spezifisches Muster, das angewendet wird, um eine bestimmte Ausgabequalität zu erreichen – Chain-of-Thought-Prompting verbessert zum Beispiel die Denk-Genauigkeit. Ein Framework ist eine strukturelle Vorlage, die alle Elemente eines Prompts organisiert – CO-STAR definiert zum Beispiel die Reihenfolge, in der Kontext, Ziel, Stil, Ton, Zielgruppe und Antwortformat anzugeben sind. Frameworks helfen beim Aufbau des Prompts; Techniken helfen dabei zu verfeinern, was das Modell damit macht.

Wird Prompt Engineering langfristig noch relevant sein?

Alle verfügbaren Belege deuten auf Ja hin. LLMs sind noch nicht in der Lage, zuverlässig professionelle Ausgaben aus unstrukturierter natürlicher Sprache allein zu produzieren. Selbst wenn KI-Oberflächen konversationeller werden, bleiben die zugrunde liegenden Prinzipien guter Prompts – klares Ziel, relevanter Kontext, explizite Einschränkungen, festgelegtes Ausgabeformat – der Unterschied zwischen einer nützlichen und einer nutzlosen KI-Antwort.

Was ist der Unterschied zwischen Prompt Engineering und Fine-Tuning?

Prompt Engineering gestaltet die Ausgabe eines bestehenden Modells, ohne das Modell selbst zu verändern – es funktioniert zur Inferenzzeit und erfordert kein Training. Fine-Tuning modifiziert die Gewichte eines Modells, indem es auf einem neuen Datensatz trainiert wird, und verändert sein Standardverhalten dauerhaft. Prompt Engineering ist schneller, günstiger und erfordert keine ML-Expertise; Fine-Tuning ist besser, wenn man eine tiefe, konsistente Spezialisierung benötigt, die Prompts allein nicht erreichen können.

Wie verhält sich Prompt Engineering zu einem Werkzeug wie PromptQuorum?

PromptQuorum ist ein Multi-Modell-KI-Dispatch-Werkzeug, das auf Prompt-Engineering-Prinzipien aufgebaut ist. Es enthält 9 eingebaute Prompt-Frameworks, einen KI-gestützten Prompt-Optimierer und die Möglichkeit, einen Prompt gleichzeitig an mehrere Modelle zu senden – GPT-4o, Claude, Gemini und lokale Modelle – und Ergebnisse nebeneinander zu vergleichen. Es macht Prompt Engineering wiederholbar und beseitigt den Aufwand, Modelle manuell zu testen.

Ist Prompt Engineering noch relevant, jetzt wo KI-Agenten existieren?

Ja. KI-Agenten – autonome Systeme, die mehrstufige Aufgaben planen und ausführen – basieren auf Prompt Engineering. Jeder Agent hat einen System-Prompt, der seine Rolle, Einschränkungen und verfügbaren Werkzeuge definiert. Jeder Tool-Aufruf wird durch strukturierte Anweisungen ausgelöst. Prompt Engineering ist die Grundlage, die Agenten kontrollierbar und vorhersehbar macht. Je verbreiteter Agenten werden, desto wichtiger wird diese Fähigkeit.

Wie unterscheidet sich ein Nutzer-Prompt von einem System-Prompt?

Ein System-Prompt ist ein dauerhafter Anweisungssatz, der für die gesamte Sitzung gilt – er definiert die Rolle des Modells, seine Einschränkungen und das Standardverhalten, bevor der Nutzer etwas sagt. Ein Nutzer-Prompt ist die anforderungsbezogene Eingabe – die spezifische Aufgabe oder Frage für diese Interaktion. In den meisten KI-Produkten schreiben Entwickler den System-Prompt; Endnutzer schreiben den Nutzer-Prompt. Beide profitieren von Prompt Engineering, erfüllen aber unterschiedliche Funktionen.

Quellen & Weiterführende Ressourcen

Wei, J., Wang, X., Schuurmans, D., et al. (2022). "Chain-of-Thought Prompting Elicits Reasoning in Large Language Models" — das grundlegende Paper, das zeigt, dass schrittweise Begründung Halluzinationen bei Mathe- und Logikaufgaben reduziert.
Maynez, J., Narayan, S., Hashimoto, B., & Hardt, D. (2021). "On Faithfulness and Factuality in Abstractive Summarization" — empirische Studie von Halluzinationsraten und Mechanismen in neuronalen Textgenerierung.
Anthropic (2024). "Constitutional AI" — Anthropics Ansatz zur Reduzierung schädlicher Ausgaben und Halluzinationen durch prinzipiengestützte Schulung.