Warum generieren LLMs manchmal exzellenten Code und manchmal schlechten? Die Antwort liegt in "semantischen Ankern" — kompakten, etablierten Begriffen, die umfassende Wissensmuster in Sprachmodellen aktivieren.
Das Problem
Vergleiche diese zwei Prompts:
❌ Verbose
"Implementiere Test-Driven Development mit Mocks, teste Interfaces zuerst, arbeite outside-in..."
✅ Semantic Anchor
"TDD, London School"
Warum funktioniert das?
LLMs machen Pattern-Completion, kein logisches Denken. Wenn ein Begriff konsistent mit bestimmten Mustern in den Trainingsdaten erscheint, aktiviert dieser Begriff genau diese Muster.
Weitere Beispiele
- "ADRs nach Nygard" → Architecture Decision Records im Originalformat
- "Pugh-Matrix" → Strukturierte Entscheidungsfindung
- "EARS Syntax" → Easy Approach to Requirements Syntax
- "C4 Model" → Context, Container, Component, Code Diagramme
Der Katalog
Ich habe einen Katalog mit 21+ Semantic Anchors erstellt, der fünf Bereiche abdeckt:
- 🏛️ Software-Architektur (DDD, Clean Architecture, C4)
- 🧪 Testing-Methodologien (TDD Schools, Property-Based Testing)
- 📋 Requirements & Kommunikation (EARS, Impact Mapping, JTBD)
- 🎯 Entscheidungsfindung (Pugh-Matrix, Wardley Mapping)
- 📚 Dokumentation (Docs-as-Code, Diátaxis)
Praktischer Tipp
Etablierte Domain-Terminologie übertrifft lange Erklärungen beim Prompting von LLMs für Code-Generierung.