10 Prompting-Techniken für ChatGPT, Claude & Co.

Gleicher Prompt, komplett anderer Output. Kennst du das?

Wie gut du Prompts für ChatGPT, Claude oder Gemini schreiben kannst, hat einen enormen Einfluss auf die Qualität der Antworten. Und die Unterschiede sind teilweise riesig.

Ich habe mir Forschungspapiere und Studien angeschaut, um dir die 10 wichtigsten und bekanntesten Prompting-Techniken vorzustellen. Von „Zero-Shot Prompting“ bis „Chain-of-Thought“, jeweils mit praktischen Beispielen, damit du die Techniken sofort anwenden kannst.

1. Zero-Shot Prompting

Beim Zero-Shot Prompting gibst du dem KI-Sprachmodell eine Aufgabe, ohne vorher Beispiele zu zeigen, wie die Aufgabe gelöst werden soll. Das Modell löst die Aufgabe also allein auf Basis deiner Anweisung.

Dadurch kannst du die Fähigkeiten des Sprachmodells austesten und dir einen schnellen Überblick verschaffen, für welche Aufgaben es geeignet ist. Allerdings sind die Ergebnisse oft noch nicht optimal und können durch Verbesserung des Prompts mittels anderer Techniken verbessert werden.

Hier ein Beispiel für einen Zero-Shot Prompt:

Schreibe ein Gedicht über einen Sonnenuntergang am Meer. 
Das Gedicht soll folgende Wörter enthalten: 
rötlich, schimmern, sanft, Wellen, Sand, Möwen.

2. Few-Shot Prompting

Few-Shot Prompting gibt dem Sprachmodell ein oder mehrere Beispiele im aktuellen Prompt. Sie zeigen, wie die Aufgabe gelöst werden soll und liefern eine Vorlage für die Antwort. Das ändert nicht die trainierten Modellgewichte.

Beispiele können bei Aufgaben mit einem erkennbaren Muster zu spezifischeren Ergebnissen führen. Experimentiere mit unterschiedlichen Few-Shot-Prompts und vergleiche sie mit einer Zero-Shot-Version.

Hier siehst du, wie ein Few-Shot Prompt aussehen könnte:

Aufgabe: Ergänze die Begrüßungsformeln um einen kreativen Zusatz.

Beispiel 1:
Hallo! - Hallo, schön dich zu sehen!

Beispiel 2: 
Guten Morgen! - Guten Morgen, ich wünsche dir einen fantastischen Start in den Tag!

Beispiel 3:
Hi! - Hi, wie geht's dir heute bei diesem wunderbaren Sonnenschein?

Jetzt du:
Herzlich willkommen! -

3. Chain-of-Thought (CoT) Prompting

Ich nutze Chain-of-Thought Prompting selbst am häufigsten, wenn ich komplexe Aufgaben an ein LLM übergebe. Es ist eine leistungsstarke Methode, bei der du das KI-Modell aufforderst, seine Gedankengänge bei der Lösung einer Aufgabe zu erklären. Anstatt nur eine Antwort zu generieren, beschreibt das Modell Schritt für Schritt, wie es auf die Lösung gekommen ist.

Durch die Verbalisierung des Lösungsweges können Fehler in der Logik oder im Verständnis der Aufgabe aufgedeckt werden. CoT Prompting eignet sich besonders für komplexe Probleme, die mehrere Denkschritte erfordern. Die Ergebnisse sind oft besser als bei Standard-Prompts, und du kannst die Fähigkeiten des Sprachmodells besser nachvollziehen.

Die Originalstudie zu Chain-of-Thought Prompting zeigt den Effekt an Rechenaufgaben. PaLM 540B erreichte auf GSM8K mit acht Chain-of-Thought-Beispielen 56,9 % statt 17,9 % mit Standard-Prompting. Eine allgemeine Mindestgröße nennt die Studie nicht. Auf den getesteten Rechenaufgaben zeigte sich der Gewinn erst bei Modellen in der Größenordnung von 100 Milliarden Parametern.

Hier ist ein Beispiel für einen CoT Prompt:

Frage: Ein Bauer hat 10 Kühe, 5 Schweine und 20 Hühner. 
Wie viele Beine haben alle Tiere zusammen?

Schritt 1: Berechne die Anzahl der Beine für jede Tierart.
- Kühe haben je 4 Beine. 10 Kühe x 4 Beine = 40 Beine
- Schweine haben auch je 4 Beine. 5 Schweine x 4 Beine = 20 Beine  
- Hühner haben je 2 Beine. 20 Hühner x 2 Beine = 40 Beine

Schritt 2: Addiere alle Beine zusammen.
40 + 20 + 40 = 100

Antwort: Alle Tiere haben zusammen 100 Beine.

Hier ist ein detaillierteres Beispiel für einen Prompt mit und ohne Chain-of-Thought (CoT) Prompting:

Ohne CoT:

Frage: Ein Rechteck hat eine Länge von 12 cm und eine Breite von 5 cm. Ein Quadrat hat den gleichen Umfang wie das Rechteck. Wie groß ist die Fläche des Quadrats?

Antwort:

Mit CoT:

Frage: Ein Rechteck hat eine Länge von 12 cm und eine Breite von 5 cm. Ein Quadrat hat den gleichen Umfang wie das Rechteck. Wie groß ist die Fläche des Quadrats?

Schritt 1: Berechne den Umfang des Rechtecks.
- Formel für den Umfang eines Rechtecks: U = 2 * (Länge + Breite)
- Umfang des Rechtecks: U = 2 * (12 cm + 5 cm) = 2 * 17 cm = 34 cm

Schritt 2: Bestimme die Seitenlänge des Quadrats.
- Da das Quadrat den gleichen Umfang hat, gilt: Umfang des Quadrats = 34 cm
- Formel für den Umfang eines Quadrats: U = 4 * Seitenlänge
- 34 cm = 4 * Seitenlänge
- Seitenlänge = 34 cm / 4 = 8,5 cm

Schritt 3: Berechne die Fläche des Quadrats.
- Formel für die Fläche eines Quadrats: A = Seitenlänge^2
- Fläche des Quadrats: A = (8,5 cm)^2 = 72,25 cm^2

Antwort: Die Fläche des Quadrats beträgt 72,25 cm^2.

4. Self-Consistency

Self-Consistency ist eine Technik, die auf dem CoT-Prompting aufbaut. Du schickst denselben Chain-of-Thought-Prompt mehrmals an das Modell und lässt es dabei unterschiedliche Lösungswege erzeugen, zum Beispiel mit einer höheren Temperatur. Am Ende zählt die Antwort, auf die die meisten Lösungswege hinauslaufen.

Der Gedanke dahinter: Ein einzelner Rechenweg kann sich verrennen, mehrere unabhängige Wege landen bei einer richtigen Lösung aber häufiger am selben Ergebnis. Die Technik eignet sich für Aufgaben mit genau einer richtigen Antwort, etwa Rechen- oder Logikaufgaben. Sie kostet allerdings mehrere Anfragen statt einer.

Hier ist ein Beispiel für Self-Consistency:

Frage: Anna ist 3 Jahre älter als Ben und 2 Jahre jünger als Clara.
Clara ist 20 Jahre alt. Wie alt ist Ben?
Denke Schritt für Schritt nach.

Lösungsweg 1:
- Anna ist 2 Jahre jünger als Clara: 20 - 2 = 18
- Ben ist 3 Jahre jünger als Anna: 18 - 3 = 15
- Antwort: 15

Lösungsweg 2:
- Clara ist 2 Jahre älter als Anna, Anna 3 Jahre älter als Ben.
- Clara ist also 5 Jahre älter als Ben: 20 - 5 = 15
- Antwort: 15

Lösungsweg 3:
- Anna ist 20 - 2 = 18 Jahre alt.
- Ben ist 3 Jahre älter als Anna: 18 + 3 = 21
- Antwort: 21

Mehrheitsentscheidung: 15 (2 von 3 Lösungswegen)
Antwort: Ben ist 15 Jahre alt.

5. Automatic Chain-of-Thought (Auto-CoT)

Automatic Chain-of-Thought (Auto-CoT) ist eine Weiterentwicklung des Chain-of-Thought Prompting, bei der die Beispiele für das Few-Shot Prompting automatisch generiert werden. Anstatt manuell Beispiele zu erstellen, die den Lösungsweg demonstrieren, werden diese von einem Sprachmodell erzeugt. Dafür wählt das Verfahren möglichst unterschiedliche Beispielfragen aus und lässt das Modell die Lösungswege mit dem Zusatz „Let's think step by step“ selbst schreiben.

Der Vorteil dieser Methode liegt darin, dass der Aufwand für die Erstellung hochwertiger Few-Shot Prompts reduziert wird. Die automatisch generierten Beispiele können verwendet werden, um das Modell anzuleiten und die Qualität der Ergebnisse zu verbessern, ohne dass eine manuelle Kuratierung erforderlich ist.

Hier ist ein Beispiel für Auto-CoT:

Frage: Laura hat eine Schachtel mit 12 roten, 8 blauen und 6 grünen Perlen. 
Sie nimmt 3 rote, 2 blaue und 1 grüne Perle heraus. 
Wie groß ist die Wahrscheinlichkeit, dass sie als Nächstes eine rote Perle zieht?

Automatisch generierte Beispiele:
Beispiel 1:
- Ursprünglich waren 10 rote und 5 blaue Murmeln in der Schachtel.
- 3 rote und 2 blaue Murmeln wurden entfernt.
- Es sind noch 7 rote und 3 blaue Murmeln übrig.
- Die Wahrscheinlichkeit, eine rote Murmel zu ziehen, ist 7/(7+3) = 7/10.

Beispiel 2:
- Es gab 15 rote, 10 gelbe und 5 grüne Bonbons in der Tüte.
- 5 rote und 3 gelbe Bonbons wurden gegessen.
- Jetzt sind noch 10 rote, 7 gelbe und 5 grüne Bonbons übrig.
- Die Wahrscheinlichkeit, ein rotes Bonbon zu wählen, ist 10/(10+7+5) = 10/22.

Schritt 1: Berechne die Anzahl der verbleibenden Perlen.
- Rote Perlen: 12 - 3 = 9
- Blaue Perlen: 8 - 2 = 6
- Grüne Perlen: 6 - 1 = 5

Schritt 2: Berechne die Gesamtzahl der verbleibenden Perlen.
- Gesamtzahl: 9 + 6 + 5 = 20

Schritt 3: Berechne die Wahrscheinlichkeit, eine rote Perle zu ziehen.
- Wahrscheinlichkeit = Anzahl der verbleibenden roten Perlen / Gesamtzahl der verbleibenden Perlen
- Wahrscheinlichkeit = 9 / 20 = 0,45

Antwort: Die Wahrscheinlichkeit, als Nächstes eine rote Perle zu ziehen, beträgt 0,45 oder 45 %.

6. Program-of-Thoughts (PoT)

Program-of-Thoughts (PoT) ist eine Prompting-Technik, bei der das Sprachmodell seinen Lösungsweg nicht in Worten, sondern als Programm formuliert. Das eigentliche Rechnen übernimmt danach ein Interpreter, zum Beispiel Python, der den Code ausführt.

Der Vorteil gegenüber Chain-of-Thought: Sprachmodelle verrechnen sich bei längeren Zahlenketten leicht, ein Interpreter nicht. Das Modell muss also nur die Logik richtig aufschreiben. In ChatGPT oder Claude funktioniert das direkt, sobald das Modell Code ausführen darf.

Hier ist ein Beispiel für Program-of-Thoughts:

Frage: Eine Bäckerei verkauft Kuchen für je 12 Euro und Kekse für je 2 Euro.
Insgesamt werden 32 Artikel verkauft und der Gesamtumsatz beträgt 114 Euro.
Wie viele Kuchen und wie viele Kekse wurden verkauft?
Schreibe ein Python-Programm, das die Antwort berechnet, und führe es aus.

Program-of-Thoughts:

def solve_bakery_problem(total_items, total_revenue, cake_price, cookie_price):
    for num_cakes in range(total_items + 1):
        num_cookies = total_items - num_cakes
        revenue = num_cakes * cake_price + num_cookies * cookie_price
        if revenue == total_revenue:
            return num_cakes, num_cookies
    return None

num_cakes, num_cookies = solve_bakery_problem(32, 114, 12, 2)
print(f"Es wurden {num_cakes} Kuchen und {num_cookies} Kekse verkauft.")

Ausgabe des Interpreters: Es wurden 5 Kuchen und 27 Kekse verkauft.

7. Least-to-Most Prompting

Least-to-Most Prompting ist eine Technik, bei der ein komplexes Problem in mehrere einfachere Teilprobleme zerlegt wird. Das Sprachmodell wird zunächst aufgefordert, die Teilprobleme zu identifizieren und zu lösen, bevor es sich der Gesamtlösung widmet.

Der Name „Least-to-Most“ bezieht sich darauf, dass das Modell mit den einfachsten Teilproblemen beginnt und sich dann zu den komplexeren Aspekten vorarbeitet. Durch die schrittweise Lösung der Teilprobleme kann das Modell ein besseres Verständnis für das Gesamtproblem entwickeln und eine präzisere Antwort generieren.

Hier ist ein Beispiel für Least-to-Most Prompting:

Frage: Ein Zug fährt von Stadt A nach Stadt B und legt dabei eine Strecke von 320 km zurück. 
Die Geschwindigkeit des Zuges beträgt 80 km/h. 
In Stadt B legt der Zug eine Pause von 30 Minuten ein, bevor er mit einer Geschwindigkeit von 100 km/h zurück nach Stadt A fährt. 
Wie lange dauert die gesamte Reise einschließlich der Pause?

Schritt 1: Zerlege das Problem in Teilprobleme.
- Berechne die Fahrzeit von Stadt A nach Stadt B.
- Berechne die Fahrzeit von Stadt B nach Stadt A.
- Addiere die Pausenzeit zur gesamten Fahrzeit.

Schritt 2: Löse die Teilprobleme.

Teilproblem 1: Fahrzeit von Stadt A nach Stadt B
- Strecke: 320 km, Geschwindigkeit: 80 km/h
- Fahrzeit = Strecke / Geschwindigkeit
- Fahrzeit = 320 km / 80 km/h = 4 Stunden

Teilproblem 2: Fahrzeit von Stadt B nach Stadt A
- Strecke: 320 km, Geschwindigkeit: 100 km/h
- Fahrzeit = Strecke / Geschwindigkeit
- Fahrzeit = 320 km / 100 km/h = 3,2 Stunden

Teilproblem 3: Gesamte Fahrzeit einschließlich Pause
- Fahrzeit von A nach B: 4 Stunden
- Fahrzeit von B nach A: 3,2 Stunden
- Pausenzeit: 30 Minuten = 0,5 Stunden
- Gesamte Reisezeit = Fahrzeit von A nach B + Fahrzeit von B nach A + Pausenzeit
- Gesamte Reisezeit = 4 Stunden + 3,2 Stunden + 0,5 Stunden = 7,7 Stunden

Schritt 3: Formuliere die Antwort.
Die gesamte Reise einschließlich der Pause dauert 7,7 Stunden oder 7 Stunden und 42 Minuten.

8. Chain-of-Symbol (CoS)

Chain-of-Symbol (CoS) ist eine Prompting-Technik für Planungsaufgaben in räumlichen Umgebungen, die nur in Text beschrieben sind. Statt Beziehungen wie „liegt auf“ oder „links von“ in ganzen Sätzen auszuschreiben, verdichtet das Modell sie in den Zwischenschritten zu kurzen Symbolen.

Die Forscher haben CoS an Aufgaben wie dem Stapeln von Klötzen („Brick World“) und der Navigation nach Wegbeschreibungen getestet. Die knappe Schreibweise hilft dem Modell, den Überblick über die Anordnung zu behalten, und spart nebenbei Tokens.

Hier ist ein Beispiel für Chain-of-Symbol Prompting:

Frage: Auf dem Tisch liegen zwei Stapel aus Klötzen.
Stapel 1: Klotz B liegt auf Klotz A, Klotz C liegt auf Klotz B.
Stapel 2: Klotz E liegt auf Klotz D.
Du darfst immer nur den obersten Klotz eines Stapels nehmen.
In welcher Reihenfolge musst du Klötze nehmen, um an Klotz A zu kommen?
Stelle die Stapel mit Symbolen dar.

Symbolische Darstellung (unten nach oben):
Stapel 1: A / B / C
Stapel 2: D / E

Schritt 1: Oberster Klotz von Stapel 1 ist C. Nimm C.
Stapel 1: A / B

Schritt 2: Oberster Klotz von Stapel 1 ist B. Nimm B.
Stapel 1: A

Schritt 3: A liegt jetzt oben. Nimm A.

Antwort: C, B, A. Stapel 2 bleibt unberührt.

9. Structured Chain-of-Thought (SCoT)

Structured Chain-of-Thought (SCoT) ist eine Erweiterung des Chain-of-Thought Prompting, bei der die Antwort des Sprachmodells in einer strukturierten Form generiert wird. Ursprünglich stammt die Technik aus der Codegenerierung: Das Modell baut seinen Lösungsweg aus den drei Programmstrukturen Abfolge, Verzweigung und Schleife auf und schreibt erst danach den Code. Die Idee lässt sich auf andere Aufgaben übertragen, indem du eine feste Struktur vorgibst, z. B. eine Liste mit gegebenen Informationen, Lösungsschritten und Ergebnis.

Durch die Vorgabe einer Struktur kann das Modell dazu gebracht werden, seine Antwort besser zu organisieren und wichtige Informationen hervorzuheben. Dies verbessert die Übersichtlichkeit und erleichtert es dem Nutzer, die Antwort zu verstehen und nachzuvollziehen.

Hier ist ein Beispiel für Structured Chain-of-Thought Prompting:

Frage: Ein Sportgeschäft verkauft Tennisbälle in Packungen zu je 4 Stück. 
Eine Packung kostet 8,99 Euro. Ein Tennisverein möchte für ein Turnier 
Tennisbälle im Wert von maximal 500 Euro kaufen. 
Wie viele Tennisbälle kann der Verein kaufen und wie viel Geld bleibt übrig?

Antwort:
Gegebene Informationen:
- Tennisbälle werden in Packungen zu je 4 Stück verkauft.
- Eine Packung kostet 8,99 Euro.
- Das Budget des Tennisvereins beträgt 500 Euro.

Lösungsschritte:
1. Berechne die maximale Anzahl der Packungen, die mit dem Budget gekauft werden können.
   * Maximale Anzahl der Packungen = Budget / Preis pro Packung
   * Maximale Anzahl der Packungen = 500 Euro / 8,99 Euro ≈ 55,62
   * Da nur ganze Packungen gekauft werden können, wird das Ergebnis abgerundet: 55 Packungen

2. Berechne die Anzahl der Tennisbälle, die in 55 Packungen enthalten sind.
   * Tennisbälle pro Packung = 4
   * Gesamtzahl der Tennisbälle = Anzahl der Packungen × Tennisbälle pro Packung
   * Gesamtzahl der Tennisbälle = 55 × 4 = 220

3. Berechne die tatsächlichen Kosten für 55 Packungen und das verbleibende Restbudget.
   * Tatsächliche Kosten = Anzahl der Packungen × Preis pro Packung
   * Tatsächliche Kosten = 55 × 8,99 Euro = 494,45 Euro
   * Restbudget = Budget - Tatsächliche Kosten
   * Restbudget = 500 Euro - 494,45 Euro = 5,55 Euro

Ergebnis:
- Der Tennisverein kann 220 Tennisbälle (55 Packungen) kaufen.
- Es bleiben 5,55 Euro vom Budget übrig.

10. Plan-and-Solve (PS)

Plan-and-Solve (PS) ist eine Prompting-Technik, die ich besonders für mehrstufige Projekte empfehle. Sie konzentriert sich auf die Lösung komplexer Probleme, indem zunächst ein Plan erstellt und dann schrittweise ausgeführt wird. Dabei wird das Sprachmodell aufgefordert, das Problem zu analysieren, die Aufgabe in kleinere Teilaufgaben zu zerlegen und diese dann nach Plan abzuarbeiten.

Der Hauptvorteil von PS besteht darin, dass es dem Modell ermöglicht, eine strukturierte Herangehensweise an komplexe Probleme zu entwickeln. Durch die Erstellung eines Plans kann das Modell die wichtigsten Schritte identifizieren und sich auf die wesentlichen Aspekte des Problems konzentrieren.

Hier ist ein Beispiel für Plan-and-Solve Prompting:

Frage: Ein Wanderer legt an einem Tag eine Strecke von 18 km zurück.
Er startet um 8:30 Uhr und macht auf der ersten Hälfte der Strecke eine Pause von 15 Minuten.
Nach der Hälfte der Strecke macht er eine Mittagspause von 30 Minuten.
Danach läuft er 2 km/h schneller als am Vormittag.
Um 13:00 Uhr erreicht er sein Ziel. Wie schnell ist der Wanderer durchschnittlich gelaufen?
Erstelle zuerst einen Plan und arbeite ihn dann Schritt für Schritt ab.

Antwort:
Plan:
1. Berechne die gesamte Zeit von Start bis Ziel.
2. Ziehe die Pausen ab, um die reine Gehzeit zu erhalten.
3. Berechne die Durchschnittsgeschwindigkeit.
4. Prüfe das Ergebnis mit den Angaben zu Vormittag und Nachmittag.

Schritt 1: Gesamtzeit
- 8:30 Uhr bis 13:00 Uhr = 4 Stunden 30 Minuten

Schritt 2: Reine Gehzeit
- Pausen: 15 Minuten + 30 Minuten = 45 Minuten
- Gehzeit = 4 Stunden 30 Minuten - 45 Minuten = 3 Stunden 45 Minuten = 3,75 Stunden

Schritt 3: Durchschnittsgeschwindigkeit
- Durchschnitt = 18 km ÷ 3,75 Stunden = 4,8 km/h

Schritt 4: Gegenprobe
- Vormittag: 9 km mit v km/h, Nachmittag: 9 km mit (v + 2) km/h
- Bei v = 4 km/h: 9 ÷ 4 = 2,25 Stunden und 9 ÷ 6 = 1,5 Stunden
- 2,25 + 1,5 = 3,75 Stunden, das passt zur Gehzeit aus Schritt 2.

Der Wanderer ist durchschnittlich 4,8 km/h gelaufen (vormittags 4 km/h, nachmittags 6 km/h).

11. Was sich bei Reasoning-Modellen ändert

Viele aktuelle Modelle denken selbst nach, bevor sie antworten. Bei OpenAI begann das mit der o-Reihe und gilt heute auch für die GPT-5- und GPT-6-Modelle, bei Claude ist es das adaptive Thinking der neueren Modelle. Für diese Modelle gelten einige der Techniken oben nur noch eingeschränkt.

• Kein „Denke Schritt für Schritt“ nötig: OpenAI schreibt in seinen Best Practices für Reasoning-Modelle, dass solche Aufforderungen unnötig sind, weil die Modelle intern ohnehin schrittweise vorgehen.
• Allgemeine statt kleinteilige Anweisungen: Anthropic empfiehlt in seinen Prompting-Leitlinien, eher „denke gründlich nach“ zu schreiben als einen handgeschriebenen Schritt-für-Schritt-Plan vorzugeben.
• Erst Zero-Shot, dann Few-Shot: OpenAI rät, zuerst ohne Beispiele zu starten und nur bei Bedarf welche zu ergänzen.
• Struktur hilft weiterhin: Klare Trennzeichen wie Markdown, XML-Tags oder Abschnittstitel bleiben sinnvoll, damit das Modell die Teile deines Prompts auseinanderhält.

Auch die Anbieter schreiben ihre Leitfäden nicht für jedes Produkt neu. Anthropic beschreibt XML-Tags für komplexe Eingaben, Google zeigt in seinen Prompting-Strategien Beispiele und Formatvorgaben, OpenAI empfiehlt klare Aufgaben und passenden Kontext. Eine eigene Prompt-Sprache je Chatbot ist daraus nicht abzuleiten.

Chain-of-Thought, Plan-and-Solve und Co. sind damit nicht wertlos. Sie helfen weiterhin bei Modellen ohne eingebautes Reasoning, wenn das Thinking abgeschaltet ist oder wenn du den Lösungsweg nachvollziehen willst.

In meinem Alltag kombiniere ich oft mehrere dieser Techniken. Für einfache Aufgaben reicht Zero-Shot, für komplexes Reasoning nutze ich Chain-of-Thought, und bei wichtigen Entscheidungen setze ich auf Self-Consistency. Experimentiere selbst und finde heraus, welche Kombinationen für deine Aufgaben am besten funktionieren.

11.1 Quellen

• Schulhoff, S., Ilie, M., Balepur, N., Kahadze, K., Liu, A., Si, C., … & Resnik, P. (2024). The Prompt Report: A Systematic Survey of Prompting Techniques.
• Vatsal, S., & Dubey, H. (2024). A Survey of Prompt Engineering Methods in Large Language Models for Different NLP Tasks.