Few-Shot vs. Zero-Shot Prompting, erklärt

Stellen Sie sich vor, Sie stellen einen brillanten neuen Assistenten an seinem allerersten Morgen ein. Sie könnten einfach sagen: "Sortieren Sie diese Kunden-E-Mails in dringende und nicht dringende." Oder Sie könnten ihm zuerst drei E-Mails geben, die Sie bereits sortiert haben, und sagen: "Sehen Sie, wie ich das gemacht habe? Machen Sie den Rest genauso." Beide Ansätze können funktionieren. Aber der zweite liefert fast immer Ergebnisse, die sich mehr wie Ihr Urteil anfühlen und weniger wie eine Vermutung. Dieser kleine Unterschied, zwischen nur fragen und zuerst ein paar Beispiele zeigen, ist das Herzstück einer der nützlichsten Fähigkeiten, die Sie beim Arbeiten mit moderner KI erlernen können.

In diesem Leitfaden werden wir zwei Begriffe genauer beleuchten, denen Sie ständig begegnen werden, sobald Sie KI-Tools ernsthaft nutzen: Zero-Shot-Prompting und Few-Shot-Prompting. Sie benötigen keinen technischen Hintergrund. Am Ende werden Sie wissen, was jeder Begriff bedeutet, wann Sie welchen einsetzen sollten, warum das Zeigen von Beispielen mittelmäßige Ergebnisse in etwas wirklich Nützliches verwandeln kann und welche häufigen Fallstricke still und heimlich Menschen sabotieren, die es versuchen. Wir werden alles konkret und praktisch halten, denn der ganze Sinn besteht darin, Ihnen zu helfen, bessere Antworten von der KI zu erhalten, ohne eine einzige Zeile Code schreiben zu müssen.

Was "Shot" eigentlich bedeutet

Zuerst klären wir den Fachjargon, denn das Wort "Shot" klingt weitaus mysteriöser, als es ist. In diesem Kontext bedeutet ein "Shot" einfach ein Beispiel, das Sie in Ihrer Anfrage bereitstellen. Die Zahl davor gibt an, wie viele Beispiele Sie anbieten, bevor Sie die KI bitten, die eigentliche Aufgabe zu erledigen.

Zero-Shot bedeutet also, dass Sie null Beispiele geben. Sie beschreiben, was Sie wollen, und lassen das Modell es aus seinem allgemeinen Wissen ableiten. One-Shot bedeutet, dass Sie ein einziges ausgearbeitetes Beispiel bereitstellen. Few-Shot bedeutet, dass Sie eine Handvoll, normalerweise zwei bis fünf, bereitstellen, bevor Sie das Modell bitten, das Muster fortzusetzen. Das ist wirklich alles, was es zur Terminologie zu sagen gibt. Sobald Sie "Shot" als Abkürzung für "Beispiel" verstehen, wird das ganze Thema viel weniger einschüchternd.

Wenn Sie zum ersten Mal sorgfältig darüber nachdenken, wie Sie Anfragen an eine KI formulieren, ist es hilfreich, zuerst unsere Grundlagen des Prompt Engineering zu lesen, da Few-Shot und Zero-Shot eigentlich nur zwei Stile innerhalb dieses breiteren Handwerks sind.

Zero-Shot Prompting: Einfach fragen

Zero-Shot ist die Art, wie die meisten Menschen KI auf natürliche Weise nutzen, ohne zu merken, dass es einen Namen dafür gibt. Sie tippen eine Frage oder Anweisung ein und hoffen, dass das Modell bereits genug versteht, um gut zu antworten. „Schreiben Sie eine freundliche Antwort, die diese Besprechung ablehnt.“ „Fassen Sie diesen Bericht in drei Aufzählungspunkten zusammen.“ „Übersetzen Sie diesen Absatz in eine einfachere Sprache.“ Keine Beispiele, nur eine klare Anfrage.

Der Grund, warum Zero-Shot überhaupt funktioniert, ist, dass große Sprachmodelle während des Trainings eine enorme Menge an Text aufgenommen haben. Sie haben effektiv Millionen von freundlichen Antworten, Zusammenfassungen und Übersetzungen gesehen, sodass sie oft eine vernünftige Version auf Anfrage produzieren können. Wenn Sie verstehen möchten, warum diese Modelle auf Anweisungen reagieren können, für die sie nie explizit programmiert wurden, erklärt unser Beitrag Was sind große Sprachmodelle dies in einfachen Worten.

Wann Zero-Shot glänzt

Zero-Shot ist der richtige Ausgangspunkt für gängige, gut verständliche Aufgaben, bei denen es kein ungewöhnliches Format oder keinen Haussstil gibt, der eingehalten werden muss. Zusammenfassen, Umschreiben, Brainstorming, Beantwortung allgemeiner Fragen, Entwerfen einer ersten Version von etwas – all dies funktioniert in der Regel hervorragend mit einer einzigen klaren Anweisung. Es ist schnell, hält Ihren Prompt kurz und für die tägliche Arbeit oft alles, was Sie brauchen. Die goldene Regel: Probieren Sie Zero-Shot zuerst aus. Fügen Sie die Komplexität von Beispielen erst hinzu, wenn die einfache Anfrage Sie im Stich lässt.

Few-Shot Prompting: Zeigen, dann fragen

Few-Shot-Prompting ist das, wonach Sie greifen, wenn Zero-Shot Antworten liefert, die zwar technisch korrekt, aber für Sie falsch sind. Die Ausgabe ist zu lang, zu formell, im falschen Format oder kategorisiert Dinge anders, als Ihr Team es tut. Anstatt Ihre Präferenzen mühsam zu beschreiben, demonstrieren Sie sie einfach.

Hier ist das Muster in der Alltagssprache. Angenommen, Sie möchten Produktbewertungen nach Stimmung kategorisieren. Ein Few-Shot-Prompt könnte so aussehen: „Bewertung: ‚Spät angekommen und die Verpackung war zerdrückt.‘ Stimmung: Negativ. Bewertung: ‚Funktioniert genau wie beschrieben, sehr zufrieden.‘ Stimmung: Positiv. Bewertung: ‚Es ist in Ordnung, nichts Besonderes.‘ Stimmung: Neutral. Klassifizieren Sie nun: ‚Die Farbe war anders als auf dem Foto, aber die Qualität ist großartig.‘“ Sie haben drei markierte Beispiele gezeigt, und das Modell spiegelt nun Ihren Kennzeichnungsstil für das neue Beispiel wider.

Dieses Spiegeln ist die Magie. Die Beispiele sagen dem Modell nicht nur, was zu tun ist; sie zeigen das genaue Format, den Ton und den Detailgrad, den Sie erwarten. Dies hängt eng mit den anspruchsvolleren Methoden in unserem Leitfaden zu fortgeschrittenen Prompting-Techniken zusammen, bei denen Beispiele zu einem Baustein für weitaus leistungsfähigere Workflows werden.

Warum Beispiele so gut funktionieren

Ein Beispiel enthält eine enorme Menge an Informationen in kompakter Form. Wenn Sie eine Beispielantwort verfassen, teilen Sie still und leise Dutzende von Entscheidungen gleichzeitig mit: wie lang die Antwort sein soll, ob Aufzählungspunkte verwendet werden sollen, wie formell die Sprache ist, welche Details wichtig sind und welche ignoriert werden sollen. All dies in Worten zu beschreiben, würde Absätze dauern und Sie würden immer noch Dinge vergessen. Ein gutes Beispiel sagt alles sofort. Deshalb ist Zeigen in der Regel besser als Erzählen, wenn die Aufgabe eine bestimmte Form hat, die Ihnen wichtig ist.

Wie man zwischen ihnen wählt

Die Entscheidung ist einfacher, als es klingt. Stellen Sie sich eine Frage: Hat diese Aufgabe eine spezifische Form, die mir wichtig ist? Wenn die Antwort nein ist, beginnen Sie mit Zero-Shot. Wenn die Antwort ja ist, und besonders wenn Sie dieselbe Art von Aufgabe wiederholt ausführen werden, investieren Sie ein paar Minuten in das Schreiben von zwei oder drei guten Beispielen und wechseln Sie zu Few-Shot.

Ein praktischer Arbeitsablauf besteht darin, mit Zero-Shot zu beginnen, das Ergebnis zu betrachten und nur dann zu eskalieren, wenn es enttäuscht. Wenn das Modell die Aufgabe völlig missverstanden hat, behebt oft ein gut gewähltes Beispiel das Problem. Wenn es die Aufgabe verstanden hat, aber das Format oder den Ton falsch war, werden zwei oder drei Beispiele es in der Regel festlegen. Es gibt selten einen großen Nutzen, mehr als etwa fünf Beispiele für die tägliche Arbeit hinzuzufügen; die Vorteile flachen ab und Sie verbrauchen nur mehr des begrenzten Arbeitsspeichers des Modells ohne Belohnung.

Eine einfache Checkliste

Greifen Sie zu Few-Shot, wenn Sie eine konsistente Formatierung über viele Elemente hinweg benötigen, wenn die Aufgabe ungewöhnlich oder domänenspezifisch ist, wenn Zero-Shot immer wieder vom Ton abweicht oder wenn Sie das Modell zu Randfällen anleiten möchten, die es sonst übersehen könnte. Bleiben Sie bei Zero-Shot, wenn die Aufgabe gängig ist, wenn Sie Wert auf Geschwindigkeit legen, wenn Sie eher explorieren als ein fertiges Artefakt produzieren oder wenn Sie einfach noch nicht wissen, wie „gut“ aussieht und möchten, dass das Modell Sie überrascht.

Few-Shot richtig anwenden: Die Details, die wichtig sind

Few-Shot ist mächtig, aber nicht narrensicher, und ein paar leise Fallstricke bringen die Leute zu Fall. Das erste ist die Wahl unrepräsentativer Beispiele. Das Modell behandelt Ihre Beispiele als Definition der Aufgabe. Wenn also alle drei Ihrer Proben positive Bewertungen sind, neigt es möglicherweise dazu, alles als positiv zu kennzeichnen. Wählen Sie Beispiele, die die tatsächliche Bandbreite der erwarteten Fälle abdecken, einschließlich der unbequemen.

Der zweite Fallstrick ist eine inkonsistente Formatierung in Ihren eigenen Beispielen. Wenn ein Beispiel mit einem Punkt endet und ein anderes nicht, oder eines einen Doppelpunkt und ein anderes einen Bindestrich verwendet, kann das Modell diese Unordnung getreulich reproduzieren. Behandeln Sie Ihre Beispiele als Stilhandbuch und halten Sie sie sauber und einheitlich. Das dritte ist die Reihenfolgempfindlichkeit: In einigen Situationen kann die Reihenfolge Ihrer Beispiele die Antwort subtil beeinflussen. Wenn Sie also in Kategorien klassifizieren, versuchen Sie, nicht alle einer Kategorie am Anfang zusammenzufassen.

Denken Sie schließlich daran, dass Beispiele Platz beanspruchen. Jedes Modell hat eine Grenze, wie viel Text es gleichzeitig verarbeiten kann, und lange Beispiele schmälern dieses Budget. Für die meisten Geschäftsaufgaben ist das kein Problem, aber wenn Sie ein großes Dokument zusammen mit Ihren Beispielen eingeben, beachten Sie den Kompromiss. Die Wahl zwischen einem schlankeren oder reicheren Ansatz ist Teil der größeren Frage der Wahl des richtigen KI-Modells für die jeweilige Aufgabe, da sich Modelle stark darin unterscheiden, wie viel sie aufnehmen können.

Wo das in der realen Arbeit Anwendung findet

Sobald Sie die Idee des „Zeigens, dann Fragens“ verinnerlicht haben, werden Sie überall Anwendungsmöglichkeiten entdecken. Kundensupport-Teams nutzen Few-Shot, um KI-Antworten den Klang ihrer Markenstimme zu verleihen. Marketingexperten nutzen es, um Dutzende von Produktbeschreibungen in einem konsistenten Format zu generieren. Operations-Teams nutzen es, um strukturierte Daten wie Datumsangaben und Beträge aus unordentlichen E-Mails zu extrahieren. Personalvermittler nutzen es, um Bewerbungen nach einer festen Vorlage zusammenzufassen. In jedem Fall ist das Muster dasselbe: Zwei oder drei Goldstandard-Beispiele zeigen, dann die KI diesen Standard über eine Vielzahl neuer Eingaben skalieren lassen.

Dies ist auch der Grund, warum Few-Shot so natürlich zur Automatisierung passt. Wenn Sie KI mit Ihren Tools verbinden, damit sie Aufgaben eigenständig ausführen kann, wird eine zuverlässige, vorhersehbare Ausgabe unerlässlich, und Beispiele sind eine der günstigsten Möglichkeiten, dies zu erreichen. Wenn Sie diese Richtung interessiert, zeigt unser Artikel über den Aufbau Ihres ersten KI-Agenten, wie diese Prompting-Gewohnheiten in etwas Autonomeres münden. Und wenn Sie bewerten, welche Tools dies gut handhaben, ist unsere Checkliste zu KI-Tools für Unternehmen ein guter Begleiter.

Ein praktisches Beispiel zum Anpassen

Nehmen wir an, Sie betreiben einen kleinen Online-Shop und möchten kurze, positive Antworten auf häufig gestellte Fragen. Zero-Shot könnte Ihnen etwas steifes und förmliches liefern. Also wechseln Sie zu Few-Shot: „Frage: ‚Versenden Sie am Wochenende?‘ Antwort: ‚Tolle Frage! Wir verpacken Bestellungen von Montag bis Freitag, sodass Wochenendbestellungen gleich am Montagmorgen verschickt werden.‘ Frage: ‚Kann ich meine Adresse nach der Bestellung ändern?‘ Antwort: ‚Absolut, antworten Sie einfach hier innerhalb einer Stunde und wir kümmern uns darum.‘ Beantworten Sie nun im gleichen warmen, kurzen Stil: ‚Gibt es Geschenkverpackungen?‘“ Das Modell kennt nun Ihre Länge, Ihre Freundlichkeit und Ihre Angewohnheit, mit einem hilfreichen Hinweis zu enden. Das ist die gesamte Technik, und sie lässt sich auf fast alles anwenden, was Sie wiederholt tun.

Die tiefere Lehre ist, dass gute KI-Ergebnisse selten allein durch cleveres Formulieren entstehen. Sie entstehen dadurch, dass man der Maschine zeigt, wie Erfolg aussieht. Sobald Sie so denken, hört Prompting auf, sich wie ein Ratespiel anzufühlen, und beginnt, sich wie das Training eines fähigen neuen Kollegen anzufühlen, ein ausgearbeitetes Beispiel nach dem anderen. Wenn Sie Hilfe bei der Anwendung auf Ihre eigenen Workflows wünschen, können Sie uns gerne kontaktieren.

Häufig gestellte Fragen

Referenzen

1. Google Cloud. „Prompt Engineering und Few-Shot Prompting Anleitung.“ cloud.google.com.
2. IBM. „Was ist Few-Shot Prompting?“ ibm.com.
3. Stanford HAI. „AI Index und Forschung zu Sprachmodellen.“ hai.stanford.edu.