Du kennst das Gefühl: Du erklärst jemandem was, und der versteht es einfach nicht.
Dann zeigst du ihm ein Beispiel – und plötzlich macht es klick.
KI funktioniert genauso.
Das ist die Grundidee hinter Few-Shot Prompting. Eine der zuverlässigsten Techniken, um KI genau das machen zu lassen, was du willst.
Das Problem mit Erklärungen
Wenn du einen Prompt schreibst, erklärst du meistens, was du haben willst:
„Schreib eine Produktbeschreibung, die locker aber professionell ist, Nutzen statt Features hervorhebt, kurze Sätze nutzt und mit einem sanften Call-to-Action endet."
Das sind viele Anweisungen. Und KI könnte „locker aber professionell" komplett anders interpretieren als du. Sie könnte „kurze Sätze" anders verstehen als du gedacht hast.
Worte sind halt ungenau. Besonders wenn man Ton, Stil und Format beschreiben will.
Die Lösung: Zeigen statt Sagen
Few-Shot Prompting dreht den Spieß um. Statt zu erklären, was du willst, zeigst du der KI Beispiele.
Hier ist die Struktur:
Beispiel 1:
Input: [Beispiel-Input]
Output: [Beispiel-Output, den du willst]
Beispiel 2:
Input: [Noch ein Beispiel-Input]
Output: [Noch ein Beispiel-Output]
Jetzt mach das hier:
Input: [Dein echter Input]
Output:
KI analysiert deine Beispiele, erkennt das Muster und wendet es auf deinen neuen Input an.
Keine langen Erklärungen nötig. Die Beispiele unterrichten.
Ein echtes Beispiel
Sagen wir, du willst, dass KI Produkt-Taglines in einem bestimmten Stil schreibt.
Ohne Few-Shot (erklären):
Schreib einen Tagline für eine Fitness-App. Mach ihn knapp,
nutze aktive Verben, suggeriere Transformation und halte ihn unter 8 Wörtern.
Mit Few-Shot (zeigen):
Hier sind Taglines, die mir gefallen:
Produkt: Laufschuhe
Tagline: „Schneller laufen. Leichter fühlen. Weiter kommen."
Produkt: Meditations-App
Tagline: „Beruhige deinen Geist. Finde deine Ruhe."
Produkt: Kaffee-Abo
Tagline: „Wach auf zu besseren Morgen."
Jetzt schreib einen für:
Produkt: Fitness-App
Tagline:
Die Few-Shot Version erklärt den Stil nicht – sie demonstriert ihn. KI erkennt das Muster (kurze Phrasen, aktive Verben, implizierter Nutzen) ohne dass du diese Regeln explizit formulieren musst.
Zero-Shot vs One-Shot vs Few-Shot
Diese Begriffe beschreiben, wie viele Beispiele du gibst:
| Typ | Beispiele | Am besten für |
|---|---|---|
| Zero-Shot | 0 | Einfache Aufgaben, die KI eh schon kennt |
| One-Shot | 1 | Aufgaben, die leichte Orientierung brauchen |
| Few-Shot | 2-5 | Aufgaben, die klare Muster brauchen |
Fang mit einem Beispiel an. Wenn das Ergebnis nicht passt, pack ein weiteres dazu. Normalerweise reichen 2-3 Beispiele. Mehr als 5 hilft selten und frisst nur Kontext-Kapazität.
Wann Few-Shot Prompting richtig abräumt
Klassifikations-Aufgaben
Bring der KI deine Kategorien bei:
Klassifiziere diese Kundennachrichten:
Nachricht: „Wann kommt meine Bestellung an?"
Kategorie: Versand-Anfrage
Nachricht: „Das Produkt ist nach einer Woche kaputt gegangen"
Kategorie: Qualitäts-Beschwerde
Nachricht: „Habt ihr das in Blau?"
Kategorie: Produkt-Frage
Nachricht: „Ich will mein Geld zurück"
Kategorie: Rückerstattungs-Anfrage
Jetzt klassifiziere:
Nachricht: „Kann ich meine Lieferadresse ändern?"
Kategorie:
Stil-Anpassung
Lass KI in einem bestimmten Stil schreiben:
Wandle formalen Text in lockeren um:
Formal: „Wir bedauern, Ihnen mitteilen zu müssen, dass Ihre Bewerbung nicht erfolgreich war."
Locker: „Sorry, aber wir gehen mit deiner Bewerbung diesmal nicht weiter."
Formal: „Bitte finden Sie anbei die angeforderte Dokumentation."
Locker: „Hier ist das Dokument, das du wolltest!"
Formal: „Ihre Anfrage wurde erhalten und wird innerhalb von 48 Stunden bearbeitet."
Locker:
Format-Transformation
Bring KI eine spezifische Output-Struktur bei:
Wandle Meeting-Notizen in Action Items um:
Notizen: „Diskutiert Q4-Budget. Sarah muss letzte Zahlen von Finance besorgen.
Launch verschoben auf November. Mike wird Timeline aktualisieren."
Action Items:
- [ ] Sarah: Q4-Zahlen von Finance besorgen
- [ ] Mike: Projekt-Timeline für November-Launch aktualisieren
Notizen: „Website-Redesign Review. Homepage genehmigt. Neue Texte für
About-Seite nötig. Design-Team startet nächsten Sprint."
Action Items:
Daten-Extraktion
Zieh spezifische Informationen raus:
Extrahiere Kontaktinfos aus diesen Nachrichten:
Nachricht: „Hi, ich bin John Smith von Acme Corp. Du erreichst mich unter
john@acme.com oder 555-123-4567."
Extrahiert: Name: John Smith | Firma: Acme Corp | E-Mail: john@acme.com | Telefon: 555-123-4567
Nachricht: „Hier ist Sarah Chen, Marketing Director. Meine Direktnummer ist
555-987-6543. E-Mail sarah.chen@bigco.io"
Extrahiert: Name: Sarah Chen | Firma: BigCo | E-Mail: sarah.chen@bigco.io | Telefon: 555-987-6543
Nachricht: „Hey, Mike hier von StartupXYZ. Erreichst mich am besten unter
mike@startupxyz.com"
Extrahiert:
Best Practices
1. Nutze repräsentative Beispiele
Deine Beispiele sollten die Bandbreite deiner erwarteten Inputs abdecken. Wenn du Sentiment klassifizierst und die meisten deiner Daten neutral sind, pack ein neutrales Beispiel rein – nicht nur positiv und negativ.
2. Halte Beispiele konsistent
Jedes Beispiel sollte dem gleichen Format folgen. Wenn dein erstes Beispiel Bullet Points nutzt, sollten alle das tun. Inkonsistenz verwirrt die Mustererkennung.
3. Reihenfolge zählt
Forschung zeigt, dass die Beispiel-Reihenfolge die Ergebnisse signifikant beeinflusst. Stell deine besten, klarsten Beispiele nach vorne. Wenn du einen kniffligen Grenzfall hast, pack ein Beispiel dafür ans Ende, direkt vor deinem eigentlichen Input.
4. Qualität vor Quantität
Drei ausgezeichnete Beispiele schlagen zehn mittelmäßige. Jedes Beispiel sollte eindeutig sein und klar zeigen, was du willst.
5. Kombinier mit Anweisungen
Few-Shot heißt nicht keine Anweisungen. Du kannst – und solltest oft – beides kombinieren:
Du bist ein Kundensupport-Klassifizierer. Kategorisiere Nachrichten in:
Abrechnung, Technisch, Allgemein oder Dringend.
Beispiele:
[deine Beispiele]
Jetzt klassifiziere diese Nachricht:
[dein Input]
Die Anweisungen geben Kontext. Die Beispiele zeigen, wie man das genau anwendet.
Wann du Few-Shot NICHT nutzen solltest
Few-Shot ist nicht immer die Antwort:
- Einfache faktische Fragen: „Was ist die Hauptstadt von Frankreich?" braucht keine Beispiele.
- Kreative Aufgaben, wo du Vielfalt willst: Beispiele können Kreativität einschränken. Wenn du diverse Ideen willst, zeig kein Muster.
- Sehr lange Outputs: Wenn deine Beispiele je 500 Wörter sind, frisst du schnell den Kontext auf.
- Aufgaben, die KI schon gut macht: Wenn Zero-Shot funktioniert, mach es nicht komplizierter.
Das Template
Hier ist ein wiederverwendbares Template:
[Optional: Kurze Anweisung zur Aufgabe]
Beispiel 1:
Input: [Input]
Output: [Output]
Beispiel 2:
Input: [Input]
Output: [Output]
Beispiel 3:
Input: [Input]
Output: [Output]
Jetzt verarbeite das:
Input: [dein echter Input]
Output:
Pass die Labels (Input/Output) an deine Aufgabe an. Für Klassifikation könntest du „Text" und „Kategorie" nutzen. Für Style Transfer „Original" und „Umgeschrieben".
Noch weiter gehen
Few-Shot Prompting funktioniert noch besser in Kombination mit anderen Techniken:
- Few-Shot + Chain of Thought: Zeig Beispiele, in denen du die Antwort Schritt für Schritt durchdenkst
- Few-Shot + Role Prompting: Gib der KI eine Persona UND Beispiele, wie diese Person antwortet
- Few-Shot + Format-Vorgaben: Beispiele plus explizite Format-Anforderungen
Je präziser du sein kannst – durch welche Kombination auch immer – desto besser deine Ergebnisse.
Das Fazit
Few-Shot Prompting funktioniert, weil Zeigen präziser ist als Sagen.
Statt zu versuchen, exakt zu erklären, was du willst, demonstrier es mit Beispielen. KI ist mega gut darin, Muster zu erkennen und auf neue Inputs anzuwenden.
Nächstes Mal, wenn du kämpfst, das gewünschte Ergebnis zu kriegen: Hör auf, mehr Anweisungen draufzupacken. Pack stattdessen ein Beispiel dazu.
Manchmal ist ein gutes Beispiel tausend Worte Erklärung wert.