# Automatisierung mit KI * Suche, Recherche, Zusammenfassung * Überschriften und Werbetexte für Google AdWords Kampagnen * Zusammenfassung von Auftragsbriefings der Kunden * Erstellung von Content-Kalendern * Vision for Text Extraction * Subprozesse mit Prompt Sequences (Auswertung von Lebensläufen) * Vergleich von Dokumenten (SLA, Verträge, Normen) * Modellierung von Prozessen * Zusammenfassung von Kundenanfragen * Macht über Computer mit Code Interpreter * Anpassung von Prompts mit Metaprompting * Benutzerfreundliche Prompt Apps * Ressourcen für Prompting --- # Suche, Recherche, Zusammenfassung ## Kundenrecherche im Internet ### Problem - Als Vorbereitung zu meinen Schulungen führe ich immer eine Kundenrecherche durch - Diese dauert viel Zeit, insbesondere bei öffentlichen Schulungen mit Teilnehmenden aus mehreren Unternehmen ### Prompt Die Lösung bietet sich durch Automatisierung der Webrecherche an. Diese wird mit dem folgenden Prompt durchgeführt: > [[sequence - company research]] ### Ergebnis Wird im Workshop geteilt. --- ### Übung 1. [[sequence - company research]] öffnen 2. Eigenes Unternehmen in der 1. Zeile einfügen (oder Partner, Wettbewerber) 3. ![[Pasted image 20240909172036.png]] 4. 1. Prompt in [Perplexity](https://www.perplexity.ai/) oder [ChatGPT](https://chatgpt.com/) ausführen 5. Weitere Prompts ausführen --- ## Chatbot für die Firma ### Problem - Unternehmen wollen für eigene Chatbots testen - Entwicklung kostet Zeit, Geld und braucht eine Budgetfreigabe ### Prompt Erinnern Sie sich an das HaufeGPT? Das war ein Beispiel für ein Bot im OpenAI Marketplace. Mit sehr wenig Anpassung können wir auch für das eigene Unternehmen so einen Entwurf des Chatbots erzeugen. > [[prompt - haufegpt v2]] ### Ergebnis ![[Pasted image 20240909190434.png]] --- ### Übung 1. Prompt öffnen 2. An das eigene Unternehmen anpassen 1. Name 2. Quellen (Webseiten) 3. Direkt im ChatGPT ausführen --- # Überschriften und Werbetexte für Google AdWords Kampagnen ### Problem Für jeden neuen Kunden müssen Digitalagenturen neue Überschriften und Werbetexte schreiben. Diese folgen zwar üblichen Mustern wie ``Thema - Zielgruppe - CTA`` oder ``Buzzword - Nutzen - CTA``, sind aber für jeden Kunden einzigartig und müssen jedes Mal neu erstellt werden. ## Prompt Der Prozess der Erstellung einer Kampagne ist komplex und beinhaltet mehrere Schritte. Maßgeschneiderte und hochqualitative Werbetexte kriegt die KI mit einem Prompt nicht hin. Deswegen haben wir dafür die sogenannte Prompt Sequence entwickelt. Diese kann man per Hand oder automatisiert ausführen, siehe [[sequence - adwords campaign]] ## Ergebnis Live Demo ![[Pasted image 20250106200330.png]] --- ## Übung 1. Letzte Kampagne kurz präsentieren 2. Änderungen in der Prompt Sequence gemeinsam vornehmen 3. Neue Sequence ausführen und Ergebnisse besprechen --- # Zusammenfassung von Auftragsbriefings der Kunden ### Problem Briefing-Dokumente für Marketing-Kampagnen können 10-20 Seiten beinhalten. Das Durchlesen, Zusammenfassen und die Anforderungsdefinition dauert dabei sehr lange - und das Delivery-Team muss die ganze Zeit warten, ist nicht in der Lage, mit den Content-Entwürfen anzufangen. ## Prompt Zusammenfassung ist eine der Hauptfunktionen der Sprachmodelle und funktioniert gut sogar für lange Dokumente. Dabei muss man natürlich beachten, dass bei jeder Art Zusammenfassung ein bestimmter Informationsverlust zu erwarten ist. Die wichtigsten Punkte sollten wir also im Prompt selbst definieren, genauso wie bei [[slides/projects/module 2 - prompts#Technik Outline Prompting]]. siehe [[sequence - briefing]] ## Ergebnis Live Demo ![[Pasted image 20250106203610.png]] und sogar das Scoping-Dokument ist dabei: ![[Pasted image 20250106203631.png]] --- ## Übung 1. [[sequence - briefing]] öffnen 2. sich mit dem [[prompt - fake briefing]] bekannt machen 3. ein Briefing-Beispiel kopieren 1. [[example - fake briefing banks]] 2. [[example - fake briefing energy]] 4. den 1. Prompt im ChatGPT oder Claude ausführen 1. [[sequence - briefing#Zusammenfassung des Briefings]] --- # Erstellung von Content-Kalendern ### Problem Marketing-Kampagnen brauchen einen Content-Kalender, einen klaren und zeitlich begrenzten Plan von verschiedenen Arten von Inhalten, die regelmäßig veröffentlicht werden. Oft ist es nicht einfach, entsprechende Inhalte sich auszudenken und zu planen. ## Prompt Da die Planung eines Content-Kalenders zu Standardprozessen einer Marketingagentur gehört, können wir diesen mit Prompt Sequences abbilden. siehe [[sequence - content calendar]] ## Ergebnis Live Demo ![[Pasted image 20250106230451.png]] --- ## Übung 1. [[sequence - content calendar]] öffnen 2. Teil des Briefing-Beispiels unter [[sequence - content calendar#project description]] kopieren und ersetzen 1. [[example - fake briefing banks]] 2. [[example - fake briefing energy]] 4. den 1. Prompt im ChatGPT oder Claude ausführen 1. [[sequence - content calendar#system]] --- # Vision for Text Extraction ## Tabellen von PDF zu Markdown ### Problem - Teilnehmerlisten der Haufe-Akademie werden als PDF-Dateien geteilt - Gut zum Anschauen, aber man muss jeden Namen manuell kopieren ### Prompt Am besten mit GPT-4, nicht GPT-4o ![[Pasted image 20240909173057.png]] ``` extract all data using your vision capability avoid using coding format table as markdown add column on the right named "Link" ``` Das Screenshot muss auch angehängt werden. ### Ergebnis Kopierbare Tabelle mit allen Informationen ``` So habe ich die Liste mit euren Namen, Unternehmen und Perplexity-Links erstellt. ``` --- ### Übung 1. [ChatGPT](https://chatgpt.com/) öffnen 2. PDF mit einer Tabelle öffnen 1. Allgemeine Texte passen auch - nicht unbedingt Tabellen 3. Screenshot aufnehmen und bei ChatGPT einfügen 4. Prompt von oben kopieren und ausführen 5. Excel öffnen und die erzeugte Markdown Tabelle einfügen --- # Subprozesse mit Prompt Sequences Prompt Sequence ist einfach eine Reihenfolge von Prompts, die nacheinander aufbauen. Diese können wir nicht in einen Prompt packen, weil das LLM uns erstmal Ergebnisse liefern muss oder manchmal warten wir auf die Eingangsinformationen aus anderen Quellen. Prompt Sequence stellt einen Subprozess mit Prompts dar, obwohl eine Prozessaktivität nicht unbedingt mit einem Prompt abgebildet werden kann. --- ## Auswertung von Lebensläufen ### Problem - Vergleich der Lebensläufe mit den Stellenausschreibungen - Erstellung von Fragen für das Interview. Auswerten dieser Fragen, sowie weitere Fragen für das Interview - Scoring der Bewerber anhand stellenspezifischen Kriterien ### Prompt Hier setzen wir eine Prompt-Sequenz ein - eine Reihenfolge von Prompts, die eine Aufgabe, mehrere Aufgaben im Prozess erledigen. > [[sequence - cv questions]] ### Ergebnis - 10 Fragen für jedes Interview - Intelligente Echtzeit-Auswertung der Antworten der Bewerber - Scoring und Empfehlung zur Einstellung ![[Pasted image 20240909174248.png]] --- ### Übung 1. [ChatGPT](https://chatgpt.com/) oder [Claude](https://claude.ai/) öffnen 2. 1. Prompt kopieren 3. Lebenslauf hochladen 1. Keine CVs suchen - sondern diesen erst mit KI generieren 2. siehe [[example - fake cv generation]] 3. siehe Claude Artifact for [AI Developer CV](https://claude.site/artifacts/39593124-09d8-4820-aa0a-c7237be53a44) 4. ![[Pasted image 20240909175146.png]] 4. Weitere Prompts schicken **Bonus-Übung** 1. Überlegung: welche andere Anwendungsfälle von Matching gibt es im Unternehmen? 2. Aufschreiben für künftige Übungen --- # Vergleich von Dokumenten Oft ist es notwendig, größere Dokumente zu vergleichen, zum Beispiel Verträge, Service Level Agreements, Gesetze oder andere Art regulatorische Dokumente. KI kann dabei helfen, aber nur mit einem Prompt ist das Ergebnis nicht gut genug. Manche Unterschiede wird die KI verpassen, manche halluzinieren. Wir können das aber lösen, indem wir eine Prompt-Sequenz vorbereiten, ähnlich wie bei der Auswertung von Lebensläufen. --- ## Übung 1. Prompt öffnen [[sequence - document comparison]] 2. Beispiele für SLAs öffnen 1. [[SLA big]] und [[SLA big 2]] 3. Unterschiede merken 1. [[SLA edits]] 4. Dann den ersten Prompt ausführen, SLAs hinzufügen und dann weitere Prompts nach und nach ausführen. --- # Modellierung von Prozessen ## BPMN als Text BPMN Dateien ist nichts anderes als strukturierte Textdateien, genauer gesagt diese folgen XML-Format. ![[Pasted image 20240922182658.png]] Deswegen sind Sprachmodelle wie ChatGPT sehr gut da, um diesen Detail zu erzeugen. --- ## BPMN gpt OpenAI bietet die sogenannten GPTs an. Das sind Sprachbots mit vorgefertigten Prompts. ![[Pasted image 20240922184147.png]] [Shared Chat](https://chatgpt.com/g/g-ihio5S3U5-bpmn-gpt/c/66f04a19-c85c-8011-931f-cffc3a4563ae) mit Screenshot [Shared Chat](https://chatgpt.com/share/66f54491-712c-8011-b82d-90e1c141d6f0) für Incident Management [BPMN gpt](https://chatgpt.com/g/g-ihio5S3U5-bpmn-gpt/) [Camunda BPMN generator](https://chatgpt.com/g/g-O5OUZTTcA-camunda-bpmn-generator) --- ### Übung 1. Vorschlag zur Prozessmodellierung ``Create a detailed description of an incident management process for a service provider or a large bank`` 2. Erstellung von BPMN ``` Create a BPMN 2.0 XML file using your language model capability Avoid using code interpreter Avoid making any mistakes Review and analyze your code in detail Print the new version after a thorough review ``` 3. Kopieren und öffnen --- ## Von Diagram zu Prozessmodell ChatGPT ist in der Lage, Texte in Bildern zu erkennen, Objekte, Diagramme und Zeichnungen. Die Texte zum Beispiel können weiterhin ganz normal verwendet werden. Unter anderem können wir beispielhafte Prozessdiagramme nehmen und als Vorlage für unsere Prozesse nutzen. --- ### Übung 1. Screenshot eines Diagramms machen 1. https://camunda.com/bpmn/examples/ ![[Pasted image 20240922184634.png]] 2. Diesen Screenshot in ChatGPT hochladen und in Prompt ``extract data`` ausführen. ![[Pasted image 20240922184716.png]] 2. Erstellung von BPMN ``` Create a BPMN 2.0 XML as text using your language model capability Avoid using code interpreter Avoid making any mistakes Review and analyze your code in detail Print the new version after a thorough review ``` 3. Kopieren und öffnen ``` create a downloadable XML file ``` --- ## Herausforderungen - KI-Modelle sind nicht perfekt. Es kann sein, dass einige Prozessschritte vergessen werden, diese muss man dann manuell hinzufügen. - Bei komplexeren Prozessen werden oft Übergänge oder Entscheidungen im Flow falsch dargestellt. - Die von der KI modellierten Prozesse sind in der Regel generisch und einfach. Sie können einen Startpunkt anbieten, aber nicht das finale Prozessdesign. --- # Zusammenfassung von Kundenanfragen *Incidents und Service Requests* Im Servicemanagement wollen wir schnell auf die Idee kommen, was der Kunde von uns will. Grundlegend ist es eine Aufgabe der Zusammenfassung, in der die Service-Mitarbeiter mit ein paar Stichworten in einer festen Struktur die Hauptfrage, zusätzliche Informationen sowie Maßnahmen definieren wollen. --- ## Service Requests In dieser Schulung werden wir einen beispielhaften Service Request nutzen, damit wir auf keine unternehmensinternen Daten zugreifen müssen. Dieser wurde auch mit Sprachmodellen erzeugt. Den Prompt für die Erzeugung können Sie hier finden und bei Bedarf anpassen: [[example - fake service request]] Das Ergebnis ist hier verfügbar: [[example - service request]] --- ### Übung 1. [ChatGPT](https://chatgpt.com/) öffnen 2. Service Request aus dem Beispiel nehmen oder einen eigenen mit dem "fake" Prompt erzeugen 3. Diesen Service Request mithilfe der Vorlage zusammenfassen 1. [[prompt - service request summary]] 4. Was ist sinnvoll? Was fehlt in der Zusammenfassung? 5. Welche Prompt-Techniken können wir nutzen, um die Zusammenfassung zu verbessern? --- ## Incidents Bei den Incidents ist oft die Historie relevant. - Ist das erste Incident zu dem Thema XY? - Wie wurden ähnliche Incidents gelöst? - Können wir Incidents kategorisieren oder gruppieren? Um diese Fragen zu beantworten, können wir eine simulierte Historie in zwei Schritten analysieren. --- ### Übung - Schritt 1 1. [ChatGPT](https://chatgpt.com/) öffnen 2. Historie öffnen [[example - incident history]] 3. Zusammenfassungs-Prompt öffnen [[sequence - incident summary]] 1. Wichtig: dieser besteht aus zwei Teilen. Erst nur den Anfang kopieren 4. Historie in den Zusammenfassungs-Prompt hier einfügen 1. ![[Pasted image 20240923191657.png]] 5. Alles kopieren und ausführen 6. Was ist sinnvoll? Was fehlt in der Zusammenfassung? 7. Welche Prompt-Techniken können wir nutzen, um die Zusammenfassung zu verbessern? --- ### Übung - Schritt 2 1. Wir haben Überlegungen gemacht und den initialen Prompt verbessert. Immer noch haben wir viele Informationen, sodass die Zusammenfassung kaum Zeit spart. Das können wir aber auch lösen. 2. Den 2. Prompt kopieren [[sequence - incident summary]] 3. In der gleichen Konversation ausführen 4. Was hat sich verändert? Können wir diese zweite Zusammenfassung in der täglichen Arbeit nutzen? --- # Macht über Computer mit Code Interpreter ## Datenanalyse mit Code Interpreter Code Interpreter ist eine der Funktionen, die die wenigsten Nutzer kennen. Obwohl das eine der mächtigsten Funktionen von LLM überhaupt ist und momentan nur im ChatGPT verfügbar. ChatGPT kann für uns beliebigen Python-Code nicht nur schreiben, sondern auch in der eigenen virtuellen Umgebung ausführen. Obwohl etwas limitiert, nur auf 500 Megabyte und nicht alle Bibliotheken sind installierbar. Es kann auf keine externen Ressourcen wie Websites direkt zugreifen. Trotzdem sehr mächtig, um zum Beispiel eine Excel-Datei hochzuladen, um eine Analyse aufzuführen oder für die Manipulation von Dateien. Zum Beispiel den [Entwurf für diese Markdown-Datei](https://chatgpt.com/share/1e6ec1ac-6233-4f15-a965-e5f6f593e083) habe ich erstellt, indem ich meine PowerPoint-Folien hochgeladen habe und der GPT hat diese aus PDF extrahiert und als Markdown dargestellt. ![[Pasted image 20240903173918.png]] --- ### Übung 1. CSV-Datei [runterladen](https://raw.githubusercontent.com/DHolovatyi/pm4ds/main/student-mat.csv) (mit Save as...) 2. Explorative Datenanalyse durchführen ``` Führe eine gründliche explorative Datenanalyse durch. Zeig mir die deskriptive Statistiken, Verteilungen, Variablen. ``` ![[Pasted image 20240903175211.png]] Noch vor ein paar Jahren habe ich einen Workshop mit dem gleichen Datensatz für die Studenten der Universität der Bundeswehr gehalten. Damals haben wir alle diese Sachen manuell machen müssen. Jetzt macht es das Sprachmodell mit sehr wenig Prompting. Jetzt kann das Tool auch Schlüsse ziehen: ![[Pasted image 20240903175328.png]] siehe [Shared Chat](https://chatgpt.com/share/170dbc2a-e97b-4850-a6df-0e66c0e58633) --- ## Herunterladen von YouTube Videos ### Problem - Manchmal ist es notwendig, YouTube-Videos herunterzuladen zur Archivierung oder Transkription - Bestehende Services sind voll von Werbung und Viren ### Prompt ``` generate a Python file to download a YouTube video from a link ask user for the link --- An error occurred: HTTP Error 400: Bad Request --- This only downloads an audio, not the video ``` ### Ergebnis - Python Script zum ausführen lokal - Claude Artifact [youtube-downloader.py](https://claude.site/artifacts/68b82c22-4075-444a-b00d-fa6442af34e6) ![[Pasted image 20240909181111.png]] --- ### Übung 1. [ChatGPT](https://chatgpt.com/) oder [Claude](https://claude.ai/) öffnen 2. Prompt kopieren 3. Überlegung: was und von wo könnte man so runterladen? 1. Dateien, Websiten, Produktbeschreibungen, ... 4. Anpassen des Prompts und Ausführen Falls **lokale Installation** möglich, hier noch Bonus-Aufgaben: 1. Python und Git installieren ([hier](https://drive.google.com/drive/folders/1tld9KB3B6MBM_ESaKTRunTdeHixMtXIF?usp=drive_link) runterladen) 2. Code kopieren 3. Lokale Datei ``downloader.py`` erstellen 4. Im Windows Explorer auf den Pfad klicken 5. cmd eingeben und Enter 1. ![[Pasted image 20240909181621.png]] 6. ``python downloader.py`` ausführen --- # Anpassung von Prompts mit Metaprompting ## Neue Anwendungsfälle anhand alter Beispiele ### Problem - Aufbau von komplexen Prompts kann mehrere Stunden in Anspruch nehmen - Prozess der Promptentwicklung sowie Promptkomponenten bleiben größtenteils gleich ### Prompt Das "Meta" im Metaprompting hat nichts mit Meta, dem Unternehmen, zu tun. Sondern das ist das gleiche **Meta wie in Metadaten**. Zum Beispiel Spalten Namen in einer Tabelle sind Metadaten, also Beschreibung von den Daten selbst. Mit Metaprompting **abstrahieren** wir uns von dem tatsächlichen Prompt, den wir erzeugen wollen. Stattdessen nutzen wir die KI, um **Prompts für sich selber** zu schreiben. **Metaprompt hat folgende Komponenten**: - Rollendefinition als Metaprompter - Quellprompt - Zielstruktur siehe [[prompt example - metaprompter]] und [[prompt - metaprompter template]] ### Ergebnis - Anpassen von Prompts dauert Sekunden statt Stunden - Metaprompting-Ansatz ist flexibel und erweiterbar. Wichtig ist die Idee, weil es hat endlose Anwendungen --- ### Übung 1. [ChatGPT](https://chatgpt.com/) oder [Claude](https://claude.ai/) öffnen 2. Prompt kopieren 3. ``<source prompt>`` mit eigenen Daten befüllen 4. ``<target prompt>`` mit eigenen Daten befüllen --- ## Metaprompting mit Claude Workbench ### Erstellung von Prompts im Workbench Claude stellt einige Metaprompting-Kapazitäten in seiner [Workbench](https://console.anthropic.com/workbench/) zur Verfügung. ![[Pasted image 20240909183051.png]] "Generate Prompt": ![[Pasted image 20240909183118.png]] Erzeugt das ``` You are tasked with creating a Python script that downloads a YouTube video from a given URL. Follow these instructions carefully to generate the appropriate code. First, ensure you have the following libraries installed: - pytube Now, you will be given a YouTube URL. Use this URL in your script to download the video. <youtube_url> {{YOUTUBE_URL}} </youtube_url> Create a Python script with the following steps: 1. Import the necessary library (pytube). 2. Define a function called `download_youtube_video` that takes a URL as an argument. 3. Inside the function: a. Create a YouTube object using the provided URL. b. Get the highest resolution stream available. c. Download the video to the current directory. d. Print a success message with the video title. 4. In the main block of the script: a. Call the `download_youtube_video` function with the provided URL. b. Add error handling to catch and print any exceptions that may occur. After creating the script, provide instructions on how to run it: 1. Save the script as `youtube_downloader.py`. 2. Open a terminal or command prompt. 3. Navigate to the directory containing the script. 4. Run the script using the command: `python youtube_downloader.py` Include the following warnings and additional information: - This script is for educational purposes only. - Downloading copyrighted material without permission may be illegal in your country. - Ensure you have the necessary permissions before downloading any content. - The script will download the video to the same directory where the Python script is located. Please provide your complete Python script inside <python_script> tags. Make sure the script is properly formatted, includes comments for clarity, and follows PEP 8 style guidelines. ``` Klicke "Run": ![[Pasted image 20240909183257.png]] ![[Pasted image 20240909183247.png]] --- ### Evaluierung im Workbench Vorteil ist, dass wir die Ergebnisse evaluieren können: ![[Pasted image 20240909183425.png]] ![[Pasted image 20240909183439.png]] Wir können sogar die Testfälle von der KI generieren lassen, statt selber schreiben: ![[Pasted image 20240909183550.png]] ![[Pasted image 20240909183643.png]] Dann ![[Pasted image 20240909183650.png]] Wer weiß, ob wir wirklich so viele verschiedene Python-Skripte brauchen? --- ## Metaprompting mit OpenAI GPTs ### Prompt Maker Dieses GPT von einem unabhängigen Entwickler hat einige Funktionalitäten, obwohl es nach einer Vorlage funktioniert. Selbstverständlich, solche Tools sind Selbstmeter-Prompter, weil sie dafür da sind, um unsere Prompts anzupassen. Link im [OpenAI Marketplace](https://chatgpt.com/g/g-hhh4w3eov-prompt-maker) --- ## Übung 1. Claude [Workbench](https://console.anthropic.com/workbench/) oder [Prompt Maker](https://chatgpt.com/g/g-hhh4w3eov-prompt-maker) öffnen 2. Eigenen Prompt einfügen 3. Neues Fenster öffnen 4. Den alten Prompt ausführen 5. Noch ein Fenster - und den neuen auch 6. Vergleichen --- # Benutzerfreundliche Prompt Apps ## Erstellung von Werbekampagnen ### Problem - Marketingabteilung eines Energie- und Wasserversorgers muss regelmäßig Werbekampagnen für Google AdWords erstellen - Der Prozess ist für die Mitarbeitende bekannt, nimmt trotzdem viel Zeit in Anspruch ### Prompt Bisher haben wir vor allem Prompts verwendet, die etwas Verständnis über Prompt-Engineering vom Nutzer erfordern. Dieses ist zum einen nicht immer zu erwarten, zum anderen nicht notwendig. Deswegen ist es oft sinnvoll, das Verhalten des Chatbots so zu steuern, dass der Chatbot den Nutzer durch einen Prozess führt und nicht umgekehrt. So ist es in den meisten Applikationen üblich, die Entwickler überlegen sich, welche Funktionalitäten und welchen Workflow der Nutzer hat und modellieren diese in ihrer App. Das gleiche machen wir in unserem Prompt. > [[prompt - adwords planner app]] ** **NB**: dieser Prompt ist das Ergebnis von [[prompt example - metaprompter]] ### Ergebnis ![[Pasted image 20240909191329.png]] --- ### Übung 1. [ChatGPT](https://chatgpt.com/) öffnen 2. Prompt öffnen und ausführen 3. Dem Prozess folgen **Bonus-Übung:** - Überlegung: welche internen Prozesse könnte man mit einer Problem App automatisieren? --- # Ressourcen für Prompting ## Prompt Libraries Diese sind Bibliotheken mit Prompt-Beispielen zu verschiedenen Anwendungsfällen: ![[Pasted image 20240909195242.png]] - Claude [Prompt Library](https://docs.anthropic.com/en/prompt-library/library) - OpenAI [Prompt Engineering Guide](https://platform.openai.com/docs/guides/prompt-engineering/six-strategies-for-getting-better-results) - GPTs - [Prompt Maker](https://chatgpt.com/g/g-hhh4w3eov-prompt-maker) - [Prompt Library](https://chatgpt.com/g/g-jlCv8ewMa-prompt-library/) - Awesome ChatGPT Prompts [auf Github](https://github.com/f/awesome-chatgpt-prompts) - AI for Education [Prompt Library](https://www.aiforeducation.io/prompt-library) Wichtig zu beachten ist, dass Sie nach dieser Schulung besser sind als 99% der Prompter aus dieser Listen. --- ## Cookbooks In den Cookbooks sind in der Regel einfache, aber spannende Anwendungsfälle dargestellt. ![[Pasted image 20240909195227.png]] Oft aber eignen sie sich eher für Softwareentwickler, die KI-Funktionalitäten einbauen wollen und nicht unbedingt für individuelle Nutzer, siehe [[module 4 - prompts#Prozessautomatisierung mit Prompting]] - OpenAI [Cookbook](https://cookbook.openai.com/) - Anthropic [Cookbook](https://github.com/anthropics/anthropic-cookbook) - Llama [Recipes](https://github.com/meta-llama/llama-recipes) - Chainlit [Cookbook](https://github.com/Chainlit/cookbook) - LangChain [Cookbook](https://github.com/langchain-ai/langchain/tree/master/cookbook) --- --end--