LLM-Prompting für Parteipositionen — die Quellen-disziplinierte Praxis
LLMs (Claude, GPT, Gemini) können 2026 strukturiert genutzt werden, um Parteiprogramme zu analysieren, Position-Übersichten zu erstellen und Sach-Argumente zu vergleichen. Aber: ohne disziplinierte Quellen-Anbindung produzieren LLMs plausibel-klingende, aber sachlich falsche Aussagen ('Hallucination'). Eine disziplinierte Quellen-Anbindung ist die operative Antwort.
LLMs wie Claude, GPT-4 oder Gemini können 2026 strukturiert genutzt werden, um Parteiprogramme zu analysieren, Position-Übersichten zu erstellen und Sach-Argumente zu vergleichen. Aber: ohne disziplinierte Quellen-Anbindung produzieren LLMs plausibel-klingende, aber sachlich falsche Aussagen — “Hallucination” ist 2026 weiterhin ein zentrales Problem auch hochwertiger Modelle. Eine quellen-disziplinierte Praxis mit Retrieval-Augmented-Generation und manueller Verifikation ist die operative Antwort.
Was hier untersucht wird
Dieser Tiefe-2-Artikel formalisiert die LLM-Praxis für Parteipositionen-Analyse. Die Tiefe-1-Architektur in T1-C10 — LLM für Parteipositionen hat das Konzept beschrieben. Hier wird die konkrete Prompt-Praxis detailliert.
Die Hallucination-Falle
LLMs 2026 produzieren auch bei spezifischen Parteiposition-Fragen Aussagen, die plausibel klingen, aber falsch sein können. Beispiel-Risiko: ein LLM “weiß” über das CDU-Programm 2025, aber zitiert dabei einen Absatz, der im realen Programm nicht steht.
Operative Konsequenz: jede LLM-Aussage über konkrete Partei-Positionen muss gegen das Original-Programm verifiziert werden.
Die Retrieval-Augmented-Generation-Praxis 2026
Drei Tool-Optionen 2026.
— Claude Projects mit Datei-Upload. Original-Programme als PDF hochladen, LLM antwortet nur basierend auf hochgeladenen Dokumenten. Vorteil: kontrollierte Quellen-Basis. Nachteil: limitierte Dokument-Anzahl.
— GPT mit Custom-GPT-Konfiguration. Ähnlich zu Claude Projects.
— Eigenes RAG-System mit Vektor-Datenbank. Für Pipelines mit hohem Volumen: dedizierte Vektor-DB (Pinecone, Qdrant, Weaviate) mit Parteiprogramm-Indizierung. Aufwand höher, aber skalierbarer.
Die Quellen-Anbindungs-Pipeline
Operativer Workflow 2026:
— Step eins: Original-Programme der relevanten Parteien als PDF beschaffen (von Partei-Webseiten). — Step zwei: PDFs in das LLM-System hochladen oder indizieren. — Step drei: LLM-Prompt mit klarer Anweisung: “Antworte nur basierend auf den hochgeladenen Dokumenten. Zitiere Seitenzahl/Abschnitt.” — Step vier: LLM-Output manuell gegen Original-Dokument verifizieren.
Die typischen Use-Cases 2026
Drei Anwendungs-Felder.
— Use-Case eins: Vergleichende Positions-Übersicht. “Wie stehen die fünf Bundestags-Fraktionen zur Mietpreisbremse?” — LLM erstellt vergleichende Übersicht, Mitarbeiter verifiziert.
— Use-Case zwei: Sach-Argument-Vorbereitung für Plenarrede. “Was sind die Gegenargumente, die andere Fraktionen zu Position X bringen werden?” — LLM hilft bei Argumentations-Antizipation.
— Use-Case drei: Programm-Konsistenz-Check. “Ist die eigene Partei-Position zu Y konsistent mit dem Grundsatzprogramm?” — LLM identifiziert Spannungen.
Operative Konsequenzen
Drei priorisierte Empfehlungen.
— Priorität A: RAG-System einrichten. Mindestens Claude Projects mit hochgeladenen Parteiprogrammen.
— Priorität B: Verifikations-Routine. Pro LLM-Output: manueller Cross-Check gegen Original.
— Priorität C: Dokument-Aktualisierungs-Routine. Wenn neue Partei-Programme veröffentlicht werden: RAG-System aktualisieren.
Wo das hingehört
Tiefe-1 LLM für Parteipositionen: T1-C10. LLM-Scoring in der Pipeline: T2-C09-02.
Codex AI-Automation Sektion 4.