Few-Shot Prompting (Lernen anhand weniger Beispiele)
Few-Shot Prompting ist eine Methode, bei der einer KI vor der eigentlichen Aufgabe wenige konkrete Beispiele für Eingabe und Wunschergebnis gezeigt werden.
Few-Shot Prompting bezeichnet eine Methode im Prompt Engineering, bei der einem Sprachmodell vor der eigentlichen Aufgabe zwei bis fünf konkrete Musterbeispiele übergeben werden. Statt dem System nur theoretisch zu beschreiben, wie das Ergebnis aussehen soll, sieht die Künstliche Intelligenz direkt Paare aus Eingabe und gewünschter Ausgabe. Das Modell erkennt die zugrundeliegende Struktur und wendet dieselbe Logik auf den neuen Text an.
Man kann sich das Verfahren wie die Einarbeitung einer Aushilfe in einer Bäckerei in Wien oder einem Handwerksbetrieb im Schwarzwald vorstellen: Statt dem neuen Mitarbeiter seitenlange Vorschriften über Lieferscheine vorzulegen, zeigt man ihm einfach zwei korrekt ausgefüllte Belege. Das menschliche Gehirn erfasst das Schema sofort, und moderne Sprachmodelle reagieren exakt genauso auf diesen visuellen Kontext.
Wie Few-Shot Prompting in der Praxis funktioniert
Sprachmodelle sind Mustererkennungsmaschinen. Wenn ein Benutzer eine reine Frage ohne Beispiele stellt, spricht man von Zero-Shot Prompting. Dabei muss das Modell erraten, welche Tonalität, welches Format oder welcher Detaillierungsgrad gewünscht ist. Beim Few-Shot-Ansatz nimmt man der KI diese Ratereparatur ab.
Der Aufbau eines solchen Prompts folgt einem einfachen, wiederkehrenden Muster:
- Kontext oder Kurzanweisung: Ein kurzer Satz zur grundlegenden Aufgabe, etwa zur Klassifizierung von Kundenanfragen.
- Erstes Beispiel: Ein realistischer Ausgangstext inklusive der idealen, formatierten Antwort.
- Zweites Beispiel: Ein weiterer Fall, idealerweise eine Variante oder ein Sonderfall, ebenfalls mit Wunschergebnis.
- Der eigentliche Arbeitsauftrag: Die neue Eingabe, gefolgt vom leeren Ausgabefeld, das die KI vervollständigen soll.
Ein lokales Praxisbeispiel: Kundenservice im DACH-Raum
Ein mittelständischer Sanitärbetrieb in Bern oder Kassel erhält täglich Dutzende E-Mails von Hausverwaltungen und Privatkunden. Eine KI soll diese Nachrichten automatisch nach Dringlichkeit einordnen und die wichtigsten Stammdaten herausfiltern.
Ein Prompt nach dem Few-Shot-Prinzip sieht dafür wie folgt aus:
Eingabe: Rohrbruch im Keller in der Schillerstraße, Wasser steht schon 5 Zentimeter hoch, bitte sofort kommen!
Ausgabe: Dringlichkeit: Notfall | Kategorie: Wasserschaden | Adresse: Schillerstraße
Eingabe: Guten Tag, wir planen für den Herbst eine Badsanierung im Dachgeschoss und hätten gerne ein unverbindliches Angebot.
Ausgabe: Dringlichkeit: Normal | Kategorie: Modernisierung | Adresse: Keine Angabe
Eingabe: Die Heizung im Mehrfamilienhaus in Zürich-Oerlikon gluckert seit gestern und wird nicht richtig warm.
Ausgabe:
Durch die beiden vorgegebenen Fälle weiß das Sprachmodell ohne lange Regellisten, dass es die Dringlichkeit bewerten, ein Schlagwort vergeben und die Adresse isolieren muss. Die Antwort erfolgt im exakt gleichen Raster, ohne überflüssige Höflichkeitsfloskeln.
Typische Einsatzbereiche für Few-Shot Prompting
Die Technik eignet sich besonders gut für alle Aufgaben, bei denen Genauigkeit und standardisierte Formate entscheidend sind. Dazu zählen unter anderem:
- Klassifikation: Schnelle Zuordnung von Feedback in Kategorien wie Lob, Kritik oder Beschwerde.
- Datenextraktion: Auslesen von Rechnungsnummern, Postleitzahlen oder Datumsangaben aus Fließtexten.
- Stilistische Anpassung: Umschreiben von Texten in einen ganz bestimmten Firmentonfall, beispielsweise für den Newsletter einer regionalen Tourismusagentur in Salzburg.
- Übersetzungen mit Fachjargon: Übertragung von internen Begriffen, die in keinem Standardwörterbuch stehen.
Häufige Fehler und wie man sie vermeidet
Ein verbreiteter Fehler liegt in inkonsistenten Beispielen. Wenn das erste Beispiel Daten als Stichpunkte ausgibt und das zweite Beispiel denselben Sachverhalt als Fließtext formuliert, gerät das Modell ins Schleudern. Die Beispiele müssen zwingend demselben Schema folgen.
Zudem sollte man auf Vielfalt achten: Zeigt man einer KI drei Beispiele, die zufällig alle das Label Dringend tragen, neigt das System dazu, auch jede neue Eingabe reflexartig als dringend einzustufen. Eine ausgewogene Mischung aus typischen Fällen sorgt für verlässliche Ergebnisse im Arbeitsalltag.
Häufig gestellte Fragen
Was ist der Unterschied zwischen Zero-Shot und Few-Shot Prompting?
Bei Zero-Shot erhält das Sprachmodell lediglich eine Aufgabenbeschreibung ohne Vorlagen. Bei Few-Shot werden dem Modell zwei oder mehr konkrete Beispiele mitgegeben, an denen es sich orientieren kann.
Wie viele Beispiele benötigt man für ein gutes Few-Shot Prompting?
In den meisten alltäglichen Anwendungsfällen genügen zwei bis vier präzise, sauber formatierte Beispiele völlig aus.
Ist Few-Shot Prompting dasselbe wie Fine-Tuning?
Nein. Few-Shot Prompting verändert keine Modellparameter, sondern liefert Beispiele nur temporär im Eingabetext mit. Fine-Tuning hingegen trainiert das Sprachmodell dauerhaft auf neuen Datensätzen.
