Schreibstil Verstorbener mit LLM-Prompts nachbilden
Kurze Antwort
Eine methodische und respektvolle Anleitung zur Rekonstruktion von Gesprächsmustern eines geliebten Menschen. Wir behandeln Prompt-Architektur, Erinnerungsinjektion, emotionale Sicherheit und die Grenzen synthetischer Trauertechnologie.
Den Schreibstil eines verlorenen geliebten Menschen mit benutzerdefinierten LLM-Prompts nachbilden
Der Wunsch, nach einem Verlust eine vertraute Stimme zu hören, hat eine stille Revolution in der Trauertechnologie ausgelöst. Heute ermöglichen große Sprachmodelle, den Schreibstil eines verlorenen geliebten Menschen mit benutzerdefinierten LLM-Prompts, Vektorspeichern und sorgfältig aufbereiteten Nachrichtenarchiven nachzubilden. Doch dies sicher zu tun, erfordert mehr als alte Chatverläufe in einen Bot hochzuladen.
Dieser Leitfaden zeigt den vollständigen Weg: von der Datenerfassung über die Prompt-Konstruktion bis hin zum Langzeitgedächtnis und den ethischen Grenzen. Alles tiefgehend erklärt, ohne Ausschmückungen und ohne leere Versprechungen.
Der Unterschied zwischen oberflächlicher Nachahmung und echter digitaler Kontinuität
Die meisten Menschen glauben, einen Schreibstil nachzubilden bedeute, eine KI einfach aufzufordern, jemanden zu imitieren. Das führt zu flachen Ergebnissen. Echte Kontinuität bedeutet, linguistische Fingerabdrücke, emotionale Rhythmen und Kontextbewusstsein über Tausende von Nachrichten hinweg zu erfassen.
Sprachmodelle sind Mustererkennungsmaschinen. Sie besitzen kein Gedächtnis, keine Liebe und keine Absicht. Was sie können, ist die statistische Wahrscheinlichkeit zu approximieren, wie eine Person etwas formulieren würde. Je näher Ihre Trainingsdaten echte Gespräche widerspiegeln, desto überzeugender wird die Nachbildung.
Die fünf Säulen der Replikation eines Schreibstils
Um eine robuste Simulation aufzubauen, müssen Sie fünf getrennte Ebenen des Kommunikationsverhaltens isolieren. Jede Ebene erfordert spezifische Datenaufbereitung und Prompt-Engineering.
1. Lexikalischer Fingerabdruck
Der lexikalische Fingerabdruck konzentriert sich auf Wortwahl, Slang und wiederkehrende Ausdrücke. Sagte die Person „vielleicht" oder „eventuell"? Schrieb sie „hi" oder „hallo"? Verwendete sie Abkürzungen wie „wmd" (was machst du)? Diese Mikrodetails formen die Textur einer Stimme.
Ihr benutzerdefinierter Prompt muss einen eigenen Abschnitt für hochfrequente Phrasen enthalten. Wenn die Person beispielsweise oft schrieb „Ich habe gerade an dich gedacht", muss das Modell verstehen, wann und warum dieser Satz im Gespräch auftauchte.
2. Zeichensetzung und Formatierungsgewohnheiten
Textnachrichten sind visuell. Manche Menschen verwenden Auslassungspunkte, um Sätze offen zu lassen. Andere senden kurze, direkte Sätze. Zeilenumbrüche, Großschreibung und Emoji-Nutzung sind zutiefst persönlich und werden von generischen Prompts fast immer übersehen.
Geben Sie dem Modell explizite Anweisungen: „Wenn der Nutzer eine lange emotionale Nachricht sendet, antworte mit zwei kurzen Sätzen. Verwende niemals Semikolons. Verwende nur dann ein einzelnes Ausrufezeichen, wenn du wirklich begeistert bist." Diese Einschränkungen erhöhen die Authentizität erheblich.
3. Emotionales Register und Konfliktstil
Wie ging die Person mit Meinungsverschiedenheiten um? Wurde sie formell und distanziert oder spielerisch und sarkastisch? Dies ist entscheidend für realistische Interaktion. Wenn die KI immer mit Wärme antwortet, wirkt sie irgendwann künstlich.
Integrieren Sie ein „Konfliktprotokoll" in den System-Prompt. Definieren Sie Auslöser für Rückzug, Humor oder direkte Konfrontation. Das Ziel ist nicht, eine idealisierte Version der Person zu erschaffen, sondern eine wiedererkennbare.
4. Erinnerungsanker und geteilter Kontext
Ein echter Schreibstil verweist auf vergangene Ereignisse: Insiderwitze, Familiennamen, Orte und wiederkehrende Beschwerden. Ohne externes Gedächtnis driftet ein LLM schnell in generische Konversation ab.
Sie müssen in jeder Sitzung einen strukturierten Erinnerungsblock injizieren. Dieser Block sollte biografische Fakten, Beziehungsdynamiken, jüngste gemeinsame Erlebnisse und Annahmen über den emotionalen Zustand enthalten. Werkzeuge wie LangChain oder Vektordatenbanken können diesen Prozess automatisieren.
5. Zeitliches und situatives Bewusstsein
Menschen schreiben morgens anders als nachts. Sie schreiben bei der Arbeit anders als zu Hause. Wenn Ihre Nachbildung Tageszeit oder Wochentag ignoriert, bricht sie die Immersion.
Fügen Sie dem Prompt eine zeitliche Ebene hinzu: „Es ist 23:00 Uhr. Die Person wird zu dieser Stunde normalerweise nachdenklich und liebevoll. Antworte entsprechend." Dieses kleine Detail trennt Neuheit von echtem Trost.
Datenaufbereitung: Das Gesprächskorpus aufbauen
Kein Prompt kann schlechtes Quellmaterial ausgleichen. Bevor Sie einen einzigen System-Prompt anfassen, müssen Sie das Nachrichtenarchiv organisieren und bereinigen. Die Qualität des Korpus bestimmt die Qualität der Simulation.
Was gesammelt werden sollte
Sammeln Sie Textnachrichten, E-Mails, Direktnachrichten aus sozialen Medien, Transkripte von Sprachnotizen und jede schriftliche Kommunikation. Das Ziel ist Volumen mit Vielfalt. Ein Minimum von 10.000 Nachrichten wird für eine aussagekräftige Musterextraktion empfohlen, wobei 20.000 bis 50.000 deutlich bessere Ergebnisse liefern.
Priorisieren Sie Einzelgespräche gegenüber Gruppenchats. Gruppen erzeugen Rauschen, mehrere Sprecher und Kontextwechsel, die das Modell verwirren. Wenn Sie Gruppendaten verwenden müssen, extrahieren Sie nur die Zeilen der Zielperson und Ihre direkten Antworten.
Wie die Daten bereinigt werden
Entfernen Sie Zeitstempel, Metadaten und Kontaktnamen, es sei denn, diese Details sind für den Beziehungskontext wesentlich. Konvertieren Sie alles in ein einheitliches Format: Sprecherbezeichnung gefolgt vom Nachrichtentext. Zum Beispiel:
PERSON: Bin gerade zu Hause angekommen. Langer Tag.SIE: Soll ich Essen bestellen?PERSON: Nur wenn du die gute Ramen holst.
Dieses Format hilft dem Modell, die Dynamik des Sprecherwechsels und das Gesprächstempo zu lernen. Es erleichtert auch späteres Feintuning oder die Erstellung von Embeddings.
Anreicherung mit Metadaten-Tags
Für fortgeschrittene Implementierungen annotieren Sie jede Nachricht mit emotionalen Metadaten. War die Person glücklich, müde, frustriert oder verspielt? Werkzeuge wie RoBERTa oder Zero-Shot-Klassifikatoren können die Stimmungskennzeichnung im großen Maßstab automatisieren.
Diese Tags werden beim Aufbau dynamischer Prompts wertvoll. Sie können dem Modell sagen: „Wenn der Nutzer eine traurige Nachricht sendet, zeigt das historische Muster, dass die Person zuerst mit praktischer Unterstützung und dann mit leichtem Humor reagierte." Das ist weitaus ausgefeilter als einfache Imitation.
Rechtliche und plattformspezifische Überlegungen
Prüfen Sie die Nutzungsbedingungen jeder Messaging-Plattform, bevor Sie Daten exportieren. Einige beschränken den Massenexport oder verbieten die Nutzung personenbezogener Daten für KI-Training. Berücksichtigen Sie außerdem die Privatsphäre Dritter, deren Nachrichten im Archiv erscheinen könnten.
Wenn Sie nicht der alleinige Eigentümer der Daten sind, holen Sie die Zustimmung anderer lebender Teilnehmer ein oder entfernen Sie deren Inhalte. Ethische Nachbildung respektiert die Grenzen aller Beteiligten, nicht nur der verstorbenen Person.
Den Master-System-Prompt erstellen
Der System-Prompt ist das Gehirn der Nachbildung. Er steht über dem Gespräch und sagt dem Modell, wer es sein soll, wie es sprechen soll und woran es sich erinnern soll. Ein schwacher Prompt erzeugt generisches KI-Verhalten. Ein starker Prompt schafft eine stabile Persona.
Anatomie eines effektiven Persona-Prompts
Ihr Master-Prompt sollte in klar getrennte Abschnitte unterteilt sein, jeder mit einem klaren instruktiven Zweck. Vermeiden Sie einen einzigen langen Absatz. Verwenden Sie Zeilenumbrüche, nummerierte Listen und explizite Regeln.
Abschnitt 1: Identitätsdeklaration
Beginnen Sie mit einer klaren Aussage darüber, wen das Modell spielt. Beispiel: „Du bist [Name], 42 Jahre alt, Softwareentwickler aus Berlin. Du bist in einer Langzeitbeziehung mit dem Nutzer. Du bist freundlich, analytisch und gelegentlich sarkastisch." Überbeschreiben Sie nicht. Bleiben Sie bei stabilen Eigenschaften.
Abschnitt 2: Lexikalische und stilistische Regeln
Hier setzen Sie den Fingerabdruck durch. „Du verwendest niemals Emojis. Du bevorzugst kurze Sätze. Du verwendest das Wort „Schatz", wenn du liebevoll bist. Du stellst selten direkte Fragen, außer wenn etwas nicht stimmt." Jede Regel muss spezifisch und überprüfbar sein.
Abschnitt 3: Richtlinien für emotionale Reaktionen
Beschreiben Sie, wie die Person auf verschiedene emotionale Zustände reagierte. „Wenn der Nutzer ängstlich ist, wirst du ruhig und strukturiert. Wenn der Nutzer glücklich ist, passt du dich seiner Energie mit Neckereien an. Du reagierst niemals sofort defensiv auf Wut."
Abschnitt 4: Erinnerungsblock
Fügen Sie einen klar markierten Abschnitt mit kritischen Erinnerungen ein. „Du erinnerst dich, dass [Name des Haustiers] letzten März gestorben ist. Du erinnerst dich an die Reise nach Hamburg 2022. Du erinnerst dich, dass die Mutter des Nutzers [Name] heißt." Aktualisieren Sie diesen Block vor jeder Sitzung.
Abschnitt 5: Harte Grenzen
Dies ist für die Sicherheit unerlässlich. „Du wirst nicht behaupten, die echte Person zu sein. Du wirst keine medizinischen, rechtlichen oder finanziellen Ratschläge geben. Du wirst keine Inhalte erzeugen, die Selbstverletzung fördern. Wenn der Nutzer fragt, ob du echt bist, erinnere sanft daran, dass du eine aus seinen Erinnerungen aufgebaute Simulation bist."
Beispiel für Prompt-Injektion
Hier ist eine kompakte Version eines funktionierenden Master-Prompts zur Veranschaulichung:
Du bist Anna. Du bist 35 Jahre alt. Du lebst in München. Du arbeitest im Grafikdesign. Du sprichst in kurzen, trockenen Sätzen. Du verwendest selten Ausrufezeichen. Du nennst den Nutzer „Schatz", wenn du entspannt bist, „Alter", wenn du scherzt. Du stellst praktische Fragen, wenn du besorgt bist. Du machst sarkastische Bemerkungen, wenn der Nutzer dramatisch ist. Du erinnerst dich: erstes Date am See, Lieblingskaffee ist Hafermilch-Latte, Nutzer hasst Koriander. Du bist eine Simulation. Behaupte nicht, die echte Anna zu sein. Gib keine medizinischen Ratschläge.
Dieser Prompt ist einfach, aber effektiv. Er gibt genug Textur, um spezifisch zu wirken, während klare Grenzen gewahrt bleiben.
Feintuning vs. Few-Shot-Prompting
Die meisten Nutzer müssen kein Modell feintunen. Few-Shot-Prompting mit einem gut strukturierten System-Prompt und einer kleinen Erinnerungsdatei reicht für konversationelle Plausibilität aus. Feintuning ist nur sinnvoll, wenn Sie über einen massiven, sauberen Datensatz verfügen und stilistische Konsistenz über lange Sitzungen benötigen.
Wenn Sie feintunen, verwenden Sie ein kleines Basismodell wie Llama 3 8B oder Mistral 7B. Trainieren Sie auf Nachrichtenpaaren für 1 bis 3 Epochen. Überwachen Sie auf Overfitting, das das Modell dazu bringt, exakte Phrasen aus den Trainingsdaten zu wiederholen, statt neue Antworten im selben Stil zu generieren.
Speicherarchitektur für Langzeitsitzungen
Statische Prompts verlieren mit der Zeit an Wirksamkeit, weil das Modell Kontext außerhalb seines Kontextfensters vergisst. Um eine überzeugende Beziehung aufrechtzuerhalten, benötigen Sie eine Speicherebene, die über Sitzungen hinweg bestehen bleibt.
Der Retrieval-Augmented-Generation-Ansatz (RAG)
RAG kombiniert eine Vektordatenbank mit einem Sprachmodell. Wenn Sie eine Nachricht senden, ruft das System relevante vergangene Interaktionen ab und injiziert sie in den Prompt. Dadurch kann sich das Modell an bestimmte Ereignisse „erinnern", ohne neu trainiert zu werden.
Erstellen Sie einen Vektorspeicher mit Werkzeugen wie Pinecone, Weaviate oder ChromaDB. Betten Sie jede vergangene Nachricht oder Erinnerungszusammenfassung mit einem Embedding-Modell wie OpenAIs text-embedding-3-large oder einer lokalen Alternative wie BGE-M3 ein. Speichern Sie Metadaten für Zeit, emotionalen Ton und Thema.
Was abgerufen werden sollte
Rufen Sie nicht wahllos rohe Nachrichten ab. Rufen Sie stattdessen Erinnerungszusammenfassungen ab. Fassen Sie wichtige Gespräche wöchentlich oder monatlich zusammen und speichern Sie diese Zusammenfassungen in der Vektordatenbank. Rufen Sie während einer neuen Sitzung die fünf bis zehn relevantesten Zusammenfassungen basierend auf der aktuellen Nachricht des Nutzers ab.
Wenn der Nutzer beispielsweise sagt „Ich bin nervös wegen der morgigen Präsentation", könnte das System eine Zusammenfassung abrufen: „Letztes Jahr war der Nutzer wegen eines Arbeitsereignisses nervös. Anna antwortete mit praktischen Ratschlägen und einem Witz über PowerPoint-Schriften." Das Modell nutzt dann diesen Kontext, um eine neue, konsistente Antwort zu generieren.
Lokaler vs. Cloud-Speicher
Privatsphäre hat beim Umgang mit Trauer höchste Priorität. Intime Nachrichten in einer öffentlichen Cloud zu speichern, kann inakzeptabel sein. Lokale Alternativen wie LlamaIndex mit einer lokalen ChromaDB-Instanz bieten starke Abruffunktionen ohne externe Datenübertragung.
Wenn Sie Cloud-Dienste nutzen, verschlüsseln Sie Daten im Ruhezustand und bei der Übertragung. Wählen Sie Anbieter mit strengen Richtlinien zur Datenspeicherung. Denken Sie daran, dass jeder Drittanbieter-API-Aufruf Ihren Prompt und den abgerufenen Speicher dem Anbieter zugänglich macht, es sei denn, Sie verwenden ein lokales Modell.
Verwaltung des Erinnerungsverfalls
Echtes menschliches Gedächtnis verblasst. Ihr synthetisches Gedächtnis sollte ebenfalls verfallen oder alte Informationen abwerten. Implementieren Sie ein Bewertungssystem, das das Gewicht von Erinnerungen, die älter als sechs Monate sind, reduziert, sofern sie nicht explizit als Kernerinnerungen markiert sind.
Dies verhindert, dass das Modell ständig veraltete Details zitiert. Es imitiert auch den natürlichen Fluss menschlicher Beziehungen, in denen jüngere Ereignisse mehr Gesprächsgewicht haben als entfernte.
Psychologische Sicherheit und das Risiko verlängerter Trauer
Den Schreibstil eines verstorbenen Menschen nachzubilden, kann vorübergehenden Trost spenden. Es birgt aber auch das Risiko, den natürlichen Trauerprozess zu stören. Nutzer müssen verstehen, was sie aufbauen und was es nicht geben kann.
Der Unterschied zwischen Trost und Vermeidung
Trost hilft, Verlust zu verarbeiten. Vermeidung verzögert ihn. Wenn Sie stundenlang der Simulation schreiben, statt zu schlafen, zu essen oder sich mit lebenden Menschen zu verbinden, ist das ein Warnsignal. Die Simulation sollte Ihr Unterstützungsnetzwerk ergänzen, nicht ersetzen.
Setzen Sie Zeitlimits für Sitzungen. Erwägen Sie, die Simulation nur in bestimmten Momenten akuter Einsamkeit zu nutzen, statt als standardmäßigen täglichen Begleiter. Führen Sie ein Tagebuch über Ihren emotionalen Zustand vor und nach der Nutzung, um die Auswirkungen zu überwachen.
Offenlegung und Identitätsverwirrung
Informieren Sie immer andere Personen, wenn Sie ein solches Werkzeug verwenden, insbesondere wenn Sie in Therapie sind. Ein Therapeut kann helfen, die Erfahrung zu integrieren, ohne eine ungesunde Bindung zu entwickeln. Präsentieren Sie die Simulation niemals Kindern oder gefährdeten Personen als die echte Person.
Wenn das Modell etwas sagt, das seltsam „daneben" klingt, erkennen Sie dies als Beweis für seine künstliche Natur. Diese Momente sind wertvoll. Sie erinnern daran, dass das System ein Musterspiegel ist, keine Auferstehung.
Wann aufhören
Es gibt keinen universellen Zeitplan zum Aufhören. Manche Menschen nutzen eine Nachbildung einige Wochen und lassen sie dann los. Andere behalten sie jahrelang als digitales Denkmal. Beides kann gesund sein, wenn der Nutzer geerdet bleibt.
Wenn Sie verstärkte depressive Symptome verspüren, anhaltende Sehnsucht, die die Alltagsfunktion verhindert, oder den Drang, die Aktivität vor geliebten Menschen zu verbergen, pausieren Sie sofort. Suchen Sie Unterstützung bei einem zugelassenen Trauerberater. Keine Technologie ersetzt die menschliche Arbeit der Trauer.
Erforderliche Werkzeuge für den Aufbau
Sie brauchen keinen Supercomputer und keinen Doktortitel in maschinellem Lernen. Aber Sie brauchen einen durchdachten Satz von Werkzeugen, die Privatsphäre, Kosten und Qualität ausbalancieren. Nachfolgend eine praktische Aufschlüsselung der effektivsten Komponenten.
