&w=3840&q=75)
Reverse Prompting: Der KI-Trick für perfekte Texte
Reverse Prompting bietet eine pragmatische Lösung für ein häufiges Problem bei der KI-Textgenerierung: Die Transformation von Rohtexten in spezifische Artikelformate gelingt oft nicht zufriedenstellend. Die Methode nutzt Referenztexte zur Stilanalyse und lässt die KI selbst den optimalen Prompt für die gewünschte Transformation entwickeln.
Wer mit KI-Textgenerierung arbeitet, kennt das: Trotz ausgefeilter Prompts liefern Modelle oft Texte, die daneben liegen – zu viel Fülltext, falscher Ton, fehlende Dramaturgie.
Das Problem
Man nimmt seinen Quelltext, formuliert einen präzisen Prompt und hofft. Das Ergebnis wirkt unfokussiert, generisch oder verfehlt die Tonalität. Nach mehreren Iterationen bleibt Frustration.
Die Lösung: Reverse Prompting
Statt das Modell direkt anzuweisen, lässt man es den optimalen Prompt selbst entwickeln.
Die drei Bausteine:
Text 1: Der Rohtext (Quelle)
Text 2: Der unbefriedigende Versuch
Text 3: Eine Stilreferenz (inhaltlich beliebig)
Der Auftrag
Man füttert ChatGPT mit allen drei Texten:
"Ich möchte Tech-Blog-Artikel schreiben. Text 1 ist die Quelle. Text 2 ist zu unfokussiert. Text 3 passt stilistisch perfekt. Schreibe einen Prompt, der aus Text 1 einen Artikel im Stil von Text 3 erzeugt."
Wichtig: Die Texte haben inhaltlich nichts miteinander zu tun.
Warum es funktioniert
Das Modell analysiert stilistische Unterschiede und erkennt Muster in:
Satzstruktur
Informationsdichte
Dramaturgie
Tonalität
Abstraktionslevel
Der generierte Prompt überträgt diese Merkmale präzise – ohne inhaltliche Vermischung.
Anwendung
Tech-Blogs: Referenzen etablierter Blogger
Fachpublikationen: Artikel der Zielzeitschrift
Narrative Texte: Passagen erfolgreicher Autoren
Dokumentationen: Beispiele guter Technical Docs
Aufwand: Drei Texte vorbereiten, laden, Reverse-Prompt formulieren.
Fazit
Reverse Prompting löst ein fundamentales Problem: die Schwierigkeit, stilistische Nuancen zu beschreiben. Statt mühsam zu erklären, zeigt man ein Beispiel – und lässt das Modell die Transformationsregeln ableiten.
Die generierten Prompts zeigen, welche stilistischen Elemente charakteristisch sind. Das verbessert langfristig das eigene Prompt-Engineering.