55 MinutenLLM-Evaluierungen systematisch einrichten (Metriken, Unit-Tests, LLM-as-a-Judge)
Eine Eval-Stufenfolge entwerfen, die Regressionen erkennt, bevor Änderungen an Prompts oder Modellen die Nutzer erreichen.
Anthropic. Das Applied-AI-Team von Anthropic entwickelt in einer Live-Sitzung einen Prompt für die Bearbeitung von Versicherungsansprüchen. Es beginnt mit einer vagen Anweisung und arbeitet sich schrittweise zu etwas vor, das ein Entwickler tatsächlich ausliefern könnte. Dabei werden genau die Überarbeitungen an System- und Entwicklerebene sichtbar, die der Artikel beschreibt. Sehen Sie sich das Video an, bevor Sie die Checkliste des Artikels zu Beispielen, Ausgabestruktur und Ablehnungsverhalten erneut lesen.
Achten Sie auf den Überarbeitungsprozess, nicht nur auf den fertigen Prompt. Das Beispiel zu Versicherungsansprüchen zeigt die Änderungen an System- und Entwicklerebene, die in der Checkliste des Artikels festgehalten sind.
Beobachten, wie aus einem vagen Prompt für Versicherungsansprüche ein strukturierter, testbarer Prompt mit klareren Beispielen, Ausgaberegeln und definiertem Ablehnungsverhalten wird.
Grundlegende Erfahrung mit Prompts; das Ebenenmodell des Artikels liefert den passenden Blickwinkel.
Zuletzt geprüft: 18. Mai 2026
Fahren Sie mit demselben Lernpfad fort und sehen Sie die nächsten kuratierten Begleitvideos.
55 MinutenEine Eval-Stufenfolge entwerfen, die Regressionen erkennt, bevor Änderungen an Prompts oder Modellen die Nutzer erreichen.
9 MinutenTraces, Projekte und Datensätze in LangSmith navigieren sowie Tokenkosten, Latenz, Fehlerrate und Details einzelner Spans ablesen können.
75 MinutenEinen ersten MCP-Server entwickeln und verstehen, wie Werkzeuge, Schemata, Prompts, Ressourcen und Transporte zusammenspielen.
Sorgfältig ausgewählte externe Kurse, die dieses Thema vertiefen.
Isa Fulford · Andrew Ng
Neunzig Minuten für die Intuition eines ganzen Jahres. Wenn Sie begonnen haben, Code zu schreiben, der ein LLM aufruft – oder kurz davorstehen –, ist dies der effizienteste Online-Kurs, um die Lücke zwischen „mit ChatGPT experimentieren“ und „eine Funktion mit LLM-Aufruf produktiv bereitstellen“ zu schließen.
Microsoft Learn
Prompt engineering, but for the tool most office workers will actually touch first. Microsoft's own four-part prompting framework (goal, context, source, expectation) is a genuinely useful mental model, and unlike the generic ChatGPT prompting courses already in our catalog, this one is grounded entirely in Microsoft 365 Copilot's specific quirks and grounding behavior.