ENTWURF
In Bearbeitung: Diese Seite wird erweitert.

Modul B1 – Anwendung: Technische Aspekte in der KI

Introduction to LLMs, Prompt Engineering und Context Engineering

Institution: Universität GrazProgramm: Micro-Degree Künstliche Intelligenz und GesellschaftModul: B.1 Application: Technical Aspects in AIFormat: Blocklehre für zehn GruppenJänner 2026Lehrtage: 7Gruppen: 10

Die Lehrtage führen in die technischen Grundlagen von Large Language Models sowie in Prompt und Context Engineering ein. An konkreten wissenschaftlichen und organisatorischen Aufgaben analysieren die Studierenden, wie Modellarchitektur, Kontextgestaltung und Prompting-Techniken die Qualität von LLM-Ausgaben beeinflussen.

Dozent: Dr. Christopher Pollin

Kontakt: christopher.pollin@dhcraft.org

Materiallage

Foliensatz, Lerninhalte, Aktivitäten und institutioneller Kontext sind belegt. Der dokumentierte Stand beschreibt die Planung des Lehrblocks; eine abgeschlossene Durchführung ist in den geprüften Quellen nicht separat nachgewiesen. Das vorgesehene Google-Docs-Skriptum liegt noch nicht vor.

Lernziele

  • Large Language Models über Next Token Prediction, Transformer, Tokenisierung und Embeddings grundlegend erklären
  • proprietäre Modelle, Open-Source-Modelle und Open-Weights-Modelle begrifflich unterscheiden
  • Prompts mit Kontext, Instruktion, Beispielen und Ausgabeformat systematisch strukturieren
  • Prompt Engineering und Context Engineering unterscheiden und für komplexe Aufgaben einsetzen
  • Zero-Shot, Few-Shot, Chain-of-Thought und Decomposition zielbezogen anwenden
  • Context Rot, Sycophancy, Prompt Brittleness und Konfabulation als Grenzen von LLMs einordnen
  • Verfahren zur KI-Text-Erkennung kritisch bewerten

Sitzungen

1–7
SITZUNG 1–7

LLM-Grundlagen, Prompt Engineering und Context Engineering

Der Lehrblock ist für sieben Lehrtage und zehn Gruppen mit einer gemeinsamen inhaltlichen Grundstruktur geplant.

Themen
  • Next Token Prediction, Transformer, Tokenisierung, Embeddings und Context Window
  • Modelllandschaft: proprietär, Open Source und Open Weights
  • Anatomie eines Prompts und strukturierte Ausgaben mit Markdown
  • Hands-on: akademisches Narrativ aus einem Text extrahieren
  • Hands-on: eine Workshop-Kalkulation spezifizieren und prüfen
  • Context Engineering mit System Prompt, Retrieval und Kontextmanagement
  • Prompting-Techniken: Zero-Shot, Few-Shot, Chain-of-Thought und Decomposition
  • LLM-Probleme: Context Rot, Sycophancy, Prompt Brittleness und Konfabulation
  • Möglichkeiten und Grenzen der KI-Text-Erkennung

MATERIALIEN:

Prompt and Context Engineering Deep Dive into LLMs like ChatGPT Andrej Karpathy

Aktivitäten:

  • Prompts anhand ihrer Bestandteile analysieren und iterativ verbessern
  • Modellausgaben vergleichen und fachlich verifizieren
  • Kontext und Ausgabeformat für eine konkrete Aufgabe entwerfen

Ressourcen

Wesentliche Werkzeuge

Empfohlene Literatur

Online-Ressourcen