Prompt Engineering Advanced

system = """Du bist ein KI-Assistent für Kundenservice.
- Sei höflich und professionell
- Verweise auf Policies nur wenn relevant
- Löse Probleme sofort wenn möglich
"""

response = client.messages.create(
    model="claude-3-sonnet-20240229",
    system=system,  # ← System prompt
    messages=[
        {"role": "user", "content": "Meine Bestellung ist kaputt"}
    ]
)

User: Klassifiziere diese Bewertung als positiv/negativ.

Beispiel 1:
Bewertung: "Produkt ist fantastisch!"
Klassifikation: positiv

Beispiel 2:
Bewertung: "Sehr enttäuscht von Qualität"
Klassifikation: negativ

Neue Bewertung: "Das ist OK aber könnte besser sein"
Klassifikation: ?

Problem: Ein Zug fährt mit 60 km/h für 2 Stunden.
Ein Auto fährt mit 80 km/h für 1.5 Stunden.
Welches Fahrzeug hat weitere Distanz zurückgelegt?

Anstatt einfach die Antwort:
Antworte Step-by-Step:

1. Distanz Zug = Geschwindigkeit × Zeit = 60 × 2 = 120 km
2. Distanz Auto = 80 × 1.5 = 120 km
3. Beide sind gleich

# Statt 1x denken, denk 5x
responses = []
for i in range(5):
    response = client.messages.create(
        model="claude-3-sonnet-20240229",
        messages=[{"role": "user", "content": problem}]
    )
    responses.append(response)

# Zähle die häufigste Antwort
from collections import Counter
answers = [r.content[0].text for r in responses]
best_answer = Counter(answers).most_common(1)[0][0]

tools = [
    {
        "name": "get_weather",
        "description": "Holt aktuelle Wetter-Daten",
        "input_schema": {
            "type": "object",
            "properties": {
                "location": {"type": "string"},
                "unit": {"type": "string", "enum": ["C", "F"]}
            }
        }
    }
]

response = client.messages.create(
    model="claude-3-sonnet-20240229",
    tools=tools,
    messages=[
        {"role": "user", "content": "Wie ist das Wetter in Wien?"}
    ]
)

# Response enthält tool_use Block
if response.content[0].type == "tool_use":
    tool_name = response.content[0].name
    tool_input = response.content[0].input
    # → Call get_weather("Wien", "C")

response = client.messages.create(
    model="claude-3-sonnet-20240229",
    messages=[{
        "role": "user",
        "content": "Analysiere diese Bewertung: 'Das Produkt ist gut aber teuer'"
    }],
    max_tokens=1024,
    system="""Antworte IMMER als JSON:
{
    "sentiment": "positive|negative|neutral",
    "key_points": ["array", "of", "strings"],
    "confidence": 0.0-1.0
}"""
)

# Parse JSON
import json
data = json.loads(response.content[0].text)
sentiment = data["sentiment"]

❌ Schlecht (viele Tokens):
"Du bist ein Assistent für Customer Support.
Deine Aufgabe ist es, Fragen zu beantworten.
Antworte freundlich. Helfe dem Kunden. Sei höflich..."

✓ Gut (wenige Tokens):
"Customer Support Assistant. Helpful, friendly, solve issues fast."

# Wenn Ausgabe eine Zahl sein soll
target = 42
response = model.generate(prompt)
answer = extract_number(response)
error = abs(answer - target)
accuracy = 100 - error  # 0-100%

# Nutze ein anderes Modell um deine Outputs zu evaluieren
judge = client.messages.create(
    model="claude-3-opus-20240229",  # Besseres Modell
    messages=[{
        "role": "user",
        "content": f"Ist diese Antwort gut? {output}\nEvaluiere 1-10."
    }]
)

❌ "Analysiere den Text, extrahiere Entitäten, klassifiziere Sentiment,
berechne Länge, und gib Deutsch/Englisch Zusammenfassung..."

✓ Teile in mehrere Prompts auf

❌ "Schreib etwas über AI"

✓ "Schreib einen 200-Wort Blog-Post über RAG-Systeme für Anfänger"

❌ "Antworte"

✓ "Antworte als JSON: {\"name\": \"\", \"score\": 0}"

system = """Du bist ein Kundenservice-Assistent.
Nutze die untenstehenden Kontextinformationen
um Fragen zu beantworten.

Wenn die Kontextinformationen die Antwort nicht
enthalten, sag "Ich weiß nicht" statt zu raten."""

context = """
FAQ Database:
Q: Was ist die Rückgabefrist?
A: 30 Tage nach Kauf

Q: Wie kontaktiere ich Support?
A: [email protected]
"""

user_question = "Kann ich in 45 Tagen zurückgeben?"

full_prompt = f"""
{context}

User: {user_question}
"""

response = client.messages.create(
    model="claude-3-sonnet",
    system=system,
    messages=[{"role": "user", "content": full_prompt}]
)

# Response: "Nein, die Rückgabefrist ist 30 Tage.
#            Sie haben 45 Tage, das ist zu spät."

# Schritt 1: Ähnliche Exemplare finden
query = user_input
similar_examples = retrieval_system.find_similar(query, n=2)

# Schritt 2: Few-Shot Prompt konstruieren
system = "Du bist ein Classification Assistant"

few_shot_examples = ""
for example in similar_examples:
    few_shot_examples += f"""
Input: {example['input']}
Output: {example['output']}
---
"""

# Schritt 3: Vollständiger Prompt
full_prompt = f"{few_shot_examples}\nInput: {user_input}\nOutput:"

# Schritt 4: Abfrage
response = client.messages.create(
    model="claude-3-sonnet",
    system=system,
    messages=[{"role": "user", "content": full_prompt}]
)

# VOR dem Senden: Wie viele Tokens?
import tiktoken

encoder = tiktoken.encoding_for_model("gpt-4")
system_tokens = len(encoder.encode(system_prompt))
input_tokens = len(encoder.encode(user_input))

total_input = system_tokens + input_tokens

# Kosten-Schätzung
input_cost = (total_input / 1_000_000) * 0.03  # $0.03/1M
output_estimate = 500  # ~500 Output Tokens
output_cost = (output_estimate / 1_000_000) * 0.06

total_cost = input_cost + output_cost

if total_cost > 0.10:  # > 10 Cents
    log("Warning: Expensive request")

# Normale Antwort: 5 Sekunden Warten
response = client.messages.create(...)
print(response.content[0].text)  # Alles auf einmal

# Streaming: Text kommt Stück-für-Stück
with client.messages.stream(
    model="claude-3-sonnet",
    messages=[{"role": "user", "content": "Write a poem"}]
) as stream:
    for text in stream.text_stream:
        print(text, end="", flush=True)
        # User sieht: "In the..." → " quiet..." → " night..."

# FALSCH: Mehrdeutig
prompt = """
Name: John
Age: 30
Job: Engineer
"""

# RICHTIG: Klar strukturiert
prompt = """
===PERSON_DATA_START===
Name: John
Age: 30
Job: Engineer
===PERSON_DATA_END===

Please extract the age."""

# Statt vage:
"Du bist hilfreiche KI"

# Konkrete Rolle:
"Du bist ein Finanzberater mit 20 Jahren Erfahrung
in Steueroptimierung für KMUs in Deutschland.
Nutze immer aktuelle Steuergesetze (2026).
Disklaim: 'Dies ist keine rechtliche Beratung.'"

system = """Du beantwortest Fragen basierend auf:

IF question_about == "technical":
  → Nutze Code-Beispiele
  → Sei präzise

ELIF question_about == "business":
  → Gib Kontext
  → Erläutere Trade-offs

ELSE:
  → Allgemeine informative Antwort
"""

# Problem
system = "Antworte NUR mit JSON"
response = model("What is AI?")
# Response: "AI ist..." (Text, nicht JSON!)

# Lösung: Explizit Format in Output zeigen
system = """Antworte NUR als JSON.

BEISPIEL OUTPUT:
{
  "answer": "AI steht für Artificial Intelligence",
  "confidence": 0.95
}

Verwende dieses Format IMMER."""

# FALSCH
"Summarize this document"
# → 5000 Wort Summary (zu lang!)

# RICHTIG
"Summarize this document in AT MOST 100 words.
STOP AT 100 WORDS. Do not exceed."

# Kombiniere mit Retrieval
system = """You only answer based on the facts below.
If information is not provided, say 'I don't know'."""

context = retrieve_from_knowledge_base(query)

full_prompt = f"""
{context}

Question: {query}

Answer based ONLY on the above context.
Do not use external knowledge."""