Agent-Frameworks · Foto: m4rlonj, CC BY 2.0
customizing-prompts.mdx
Zuletzt aktualisiert:
Typ
Code-Beispiel
Lizenz
MIT
Quelle
Anwendungsfeld
CrewAI
Feintuning, nicht-englische Ausgaben, Spezialmodelle.
Voraussetzungen
- Laufendes crewAI-Projekt
- Grundverständnis, wie crewAI interne Prompts zusammensetzt
- Bedarf an nicht-englischer Ausgabe oder einem Modell, das von Standard-Prompts abweicht
Interne CrewAI-Prompts anpassen (auch für andere Sprachen/Modelle), Low-Level-Prompt-Kontrolle.
Für wen: Feintuning, nicht-englische Ausgaben, Spezialmodelle.
Im Detail
CrewAI nutzt intern vorgefertigte Prompt-Templates für Agenten-Reasoning und Task-Ausführung, die standardmäßig auf Englisch und gängige LLMs ausgelegt sind. Diese Anleitung zeigt, wie man diese Templates per Konfigurationsdatei ersetzt, etwa um deutschsprachige Ausgaben zu erzwingen oder das Prompt-Format an ein Modell anzupassen, das mit den Standardformulierungen schlechter funktioniert. Das ist Low-Level-Arbeit, die über normale role/goal-Anpassungen hinausgeht und nur nötig ist, wenn tiefere Probleme auftreten, etwa englische Zwischenschritte trotz deutscher Nutzereingaben. Für Standard-Setups mit gängigen Modellen meist unnötig, für Feintuning und Spezialfälle aber der einzige Hebel.
Schritt für Schritt
- Prüfen, ob der Standardfall (gängiges Modell, englischsprachiger Output) tatsächlich nicht ausreicht, bevor man in interne Prompts eingreift
- Die internen System-Prompts gezielt anpassen, etwa um Agenten auf Deutsch statt Englisch antworten zu lassen
- Formulierungen auf das jeweils verwendete Modell zuschneiden, wenn dieses anders reagiert als die Standard-LLMs
- Nach der Anpassung die Agentenantworten in der Zielsprache bzw. mit dem Zielmodell gegenprüfen
Beispiel aus der Praxis
Ein Team betreibt einen crewAI-Agenten für deutschsprachige Endnutzer, der Standardmäßig aber auf Englisch antwortet. Durch Anpassung der internen Prompts gemäß dieser Anleitung lässt sich der Agent dazu bringen, konsistent auf Deutsch zu formulieren.
Praxis-Tipp
Prüfen Sie erst crafting-effective-agents, bevor Sie hier ansetzen — oft liegt schwammiges Verhalten an role/goal und nicht an den internen Prompts.
Stolperfallen
Diese Low-Level-Eingriffe sind nur nötig, wenn Standard-role/goal/backstory-Anpassungen (siehe crafting-effective-agents) nicht ausreichen — wer sie ohne echten Bedarf einsetzt, riskiert unnötig komplexen, schwer wartbaren Code. Ohne Grundverständnis der internen Prompt-Zusammensetzung führen Änderungen leicht zu unerwartetem Agentenverhalten.
Siehe auch
Lizenz & Quelle
- Lizenz: MIT
- Quelle: crewAIInc/crewAI
Inhalt ansehen (customizing-prompts.mdx)
Lade …
Erfahrungen & Kommentare.
Funktioniert der Code-Beispiel bei Ihnen? Tipps, Stolperfallen, Varianten — teilen Sie es mit der Community.
Lade Kommentare …
Passt dazu.
quickstart.mdx
Offizielles Quickstart: erste Crew per crewai create, Agents/Tasks in YAML, Ausführung — der komplette Grundzyklus.
first-crew.mdx
Schritt-für-Schritt-Tutorial: Recherche-Crew mit zwei Agenten (Researcher + Analyst) inkl. Projektstruktur.
first-flow.mdx
Erster Flow: ereignisgesteuerte Pipeline, die geführte Abläufe (@start, @listen) mit Crews kombiniert — Beispiel: Lernguide-Generator.