Skills Pattern Audit (Hosni Best-Practices)
Meine stetig wachsende Sammlung an Custom GPTs und System-Prompts lieferte zunehmend schwankende Ergebnisse, weil ich sie oft "quick and dirty" erstellt hatte. Um die Qualität systematisch zu heben, habe ich einen automatisierten "Skills Pattern Audit"-Workflow gebaut, der meine bestehenden Prompts gegen bewährte Best-Practices abgleicht und optimiert.
Der Prompt-Auditor
Anstatt jeden meiner unzähligen Prompts manuell zu überarbeiten, habe ich einen "Meta-Prompt" geschrieben. Dieser Auditor fungiert als Senior Prompt Engineer und kennt die Hosni-Pattern für effektives Prompting in- und auswendig. Er prüft meine alten Prompts auf essenzielle Bausteine:
* Klare Persona-Definition: Weiß die KI genau, in welcher Rolle sie agiert? * Strukturierte Formatierung: Nutzt der Prompt Markdown und klare Absätze zur Trennung von Instruktionen und Kontext? Negative Constraints: Sagt der Prompt explizit, was die KI nicht* tun darf? * Few-Shot Prompting: Sind konkrete Beispiele für In- und Output vorhanden? * Chain of Thought: Wird die KI angewiesen, ihre Gedankengänge schrittweise zu erklären?
Automatisches Refactoring in der Praxis
Der Ablauf in meinem Setup ist simpel: Ich kopiere einen alten System-Prompt – zum Beispiel meinen rudimentären "User Story Writer" – in den Prüfstand meiner Wissensdatenbank. Das LLM analysiert den Text anhand der Checkliste und liefert nicht nur eine Fehleranalyse, sondern direkt eine komplett überarbeitete, modulare Version.
Aus einem simplen "Du bist ein Produktmanager. Schreibe aus diesen Notizen eine User Story" wird so ein strukturierter Prompt mit klarer Rollendefinition, definiertem Output-Format, Constraints (z. B. "Erfinde keine technischen Lösungswege") und einem konkreten Beispiel. Die Qualität der generierten Ergebnisse hat sich dadurch dramatisch und verlässlich verbessert.
Die wichtigste Erkenntnis für die eigene Arbeit: * Definieren Sie Ihre wichtigsten Prompting-Regeln und bauen Sie daraus einen eigenen "Auditor-Prompt". * Lassen Sie Ihre meistgenutzten Prompts von diesem Auditor umschreiben, um ohne manuellen Aufwand systematisch konstantere KI-Ergebnisse zu erzielen.