Du beschreibst einer KI eine wiederkehrende Aufgabe, doch die Antworten sehen jedes Mal anders aus: einmal ein ganzer Absatz, einmal eine Liste, manchmal eine zusätzliche Empfehlung. Noch mehr Anweisungen helfen nicht unbedingt. Oft fehlt ein anschauliches Muster dafür, was Du mit „passend“ meinst. Genau dort setzt Few-Shot-Prompting an: Du ergänzt die Aufgabe um einige sorgfältig ausgewählte Eingabe-Ausgabe-Beispiele.
Diese Technik eignet sich für eng begrenzte, überprüfbare Tätigkeiten im Berufsalltag. Sie ist jedoch weder eine automatische Qualitätsgarantie noch ein Ersatz für klare Regeln. Dieser Beitrag zeigt an einer vollständig fiktiven Anfrage-Sortierung, wie Du Beispiele auswählst, ein eindeutiges Ausgabeformat vorgibst und anschließend prüfst, ob neue Fälle tatsächlich besser bearbeitet werden.
Was Few-Shot-Prompting bedeutet – und was nicht
Ein Prompt ohne Demonstrationsbeispiel wird als Zero-Shot-Prompt bezeichnet. Ein einzelnes Beispiel heißt One-Shot; mehrere Beispiele bilden einen Few-Shot-Prompt. Das offizielle Glossar von Google Cloud erläutert diese Unterscheidung. Die Beispiele zeigen dem Modell, welche Aufgabe und welches Antwortmuster gemeint sind.
Entscheidend ist die Kombination: Die Anweisung benennt die Regel, das Beispiel macht ihre Anwendung sichtbar. Ein Muster kann etwa verdeutlichen, wie kurz eine Antwort sein soll oder welche Kategorie bei einer unklaren Anfrage verwendet wird. Die Eingabe verändert dabei nicht unmittelbar die erlernten Modellparameter. Few-Shot-Prompting ist deshalb nicht mit einem von Dir durchgeführten Modelltraining gleichzusetzen.
Auch eine Abfolge mehrerer Prompts ist etwas anderes. Bei der hier behandelten Technik stehen Aufgabenbeschreibung und Demonstrationen gemeinsam in einer Eingabe. Die Microsoft-Lernmaterialien zu fortgeschrittenen Prompts beschreiben Few-Shot-Prompting als Ergänzung eines Prompts durch aufgabenspezifische Beispiele.
Ein Arbeitsbeispiel: Anfragen für eine Druckerei vorsortieren
Stell Dir eine kleine Druckerei vor. Eingehende Nachrichten sollen zunächst einer von drei Kategorien zugeordnet werden: Produktinformation, Liefertermin oder Unklar. Die KI soll keine Kundenantwort schreiben, keine Verfügbarkeit prüfen und keinen Termin versprechen. Sie erstellt lediglich einen Vorschlag für die interne Vorsortierung.
Das ist eine geeignete Übungsaufgabe, weil die möglichen Ausgaben begrenzt und die Zuordnungen leicht kontrollierbar sind. Für den Einstieg verwenden wir ausschließlich erfundene Nachrichten. Die folgende Vorlage ist ein eigenes didaktisches Beispiel, kein gemessener Leistungsnachweis eines bestimmten KI-Systems.
Aufgabe: Ordne die neue Anfrage einer Kategorie zu. Produktinformation gilt für Fragen zu Eigenschaften eines Druckprodukts. Liefertermin gilt für Fragen zum Zeitpunkt der Lieferung oder Abholung. Verwende Unklar, wenn keine dieser Kategorien eindeutig passt oder beide Themen vorkommen. Gib ausschließlich den Kategorienamen aus. Beantworte die Anfrage nicht und ergänze keine Informationen.
Beispiel 1
Eingabe: „Gibt es Eure Visitenkarten auch auf mattem Papier?“
Ausgabe: ProduktinformationBeispiel 2
Eingabe: „An welchem Tag kann ich die fertigen Flyer abholen?“
Ausgabe: LieferterminBeispiel 3
Eingabe: „Ich habe noch eine Frage zu meinem Auftrag.“
Ausgabe: UnklarNeue Anfrage: „Welche Papierstärken bietet Ihr für Poster an?“
Ausgabe:
Die Vorlage trennt Auftrag, Beispiele und neue Eingabe sichtbar voneinander. Dadurch lässt sich anschließend prüfen, ob das System nur den erlaubten Kategorienamen ausgibt. Wichtig bleibt: Es handelt sich um eine Vorstrukturierung. Eine Person kontrolliert die Zuordnung und übernimmt die weitere Bearbeitung.
Welche Beispiele das gewünschte Muster wirklich zeigen
Die schwierige Grenze ist wichtiger als drei ähnliche Muster
Drei nahezu identische Fragen nach Papierarten zeigen vor allem einen einfachen Normalfall. Der unklare Fall in der Vorlage ist nützlicher: Er macht sichtbar, wann keine sichere Zuordnung gewünscht ist. Ergänze bei Bedarf eine Nachricht, die zugleich nach Papier und Lieferdatum fragt. Nach unserer ausdrücklich festgelegten Regel gehört sie zu Unklar. Diese Regel ist eine bewusste Entscheidung für das Übungsbeispiel, kein allgemeiner Standard für Druckereien.
Ein gutes Set deckt die Unterschiede ab, die in Deiner Aufgabe relevant sind. Ändere Formulierungen und Satzlängen, ohne die fachliche Regel zu verändern. Prüfe jede Musterausgabe selbst. Ein falsch etikettiertes Beispiel kann die gewünschte Unterscheidung verwischen.
Format und Anweisung müssen zusammenpassen
Wenn die Anweisung nur einen Kategorienamen verlangt, darf eine Beispielausgabe nicht plötzlich eine Begründung enthalten. Verwende überall dieselben Bezeichnungen und dieselbe Trennung zwischen Eingabe und Ausgabe. Die Google-Cloud-Anleitung zu Few-Shot-Beispielen empfiehlt klare Anweisungen, konkrete und unterschiedliche Beispiele sowie eine konsistente Formatierung.
Es gibt keine für jede Aufgabe richtige Beispielzahl. Google empfiehlt, die Anzahl auszuprobieren; zu viele Muster können die Antworten übermäßig an die Demonstrationen binden. Für unsere Übung sind drei Beispiele ein übersichtlicher Startpunkt. Sie sind keine verbindliche Empfehlung für andere Aufgaben oder Modelle.
Der eigentliche Nachweis kommt mit neuen Testfällen
Verwende für die Kontrolle Nachrichten, die nicht bereits als Beispiele im Prompt stehen. Andernfalls prüfst Du hauptsächlich die Wiederholung der Demonstration. Lege die gewünschte Zuordnung vor dem Test selbst fest. Für die fiktive Druckerei könnten neue Fälle eine anders formulierte Produktfrage, eine Abholfrage mit Tippfehler, eine sehr kurze Nachricht und eine Anfrage mit beiden Themen umfassen.
Vergleiche zwei Versionen: dieselbe Aufgabenbeschreibung einmal ohne Beispiele und einmal mit Deinem Beispielset. Halte das verwendete System und verfügbare Einstellungen möglichst gleich. Bewerte beide Versionen nach denselben Kriterien:
- Stimmt die Kategorie mit Deiner vorab festgelegten Zuordnung überein?
- Besteht die Ausgabe ausschließlich aus einem erlaubten Kategorienamen?
- Wird bei Mehrdeutigkeit tatsächlich Unklar verwendet?
- Bleibt die Ausgabe frei von erfundenen Lieferdaten oder zusätzlichen Zusagen?
Notiere Fehler getrennt nach falscher Zuordnung und falschem Format. So erkennst Du, ob ein Beispiel fehlt oder die Anweisung widersprüchlich ist. Ändere zunächst nur einen Aspekt und teste erneut. Eine kleine Testmenge liefert Hinweise für die Übung, aber keinen belastbaren Nachweis für sämtliche künftigen Kundenanfragen. Bei einem Wechsel des Modells oder des Arbeitsprozesses solltest Du erneut prüfen.
Wo Beispiele allein nicht ausreichen
Eine Demonstration ersetzt keine aktuelle Informationsquelle. Aus einer perfekt formatierten Beispielantwort kann die KI nicht ableiten, welche Papierstärken heute verfügbar sind oder wann ein echter Auftrag fertig wird. Für solche Antworten braucht es geprüfte Informationen und einen gesonderten Freigabeprozess. Unsere Vorlage vermeidet diesen Anspruch bewusst.
Verwende für Übungen synthetische Daten. Echte Kundennachrichten, personenbezogene Angaben oder vertrauliche Auftragsdetails gehören nur in Werkzeuge und Prozesse, die Dein Unternehmen dafür ausdrücklich freigegeben hat. Übertrage diese einfache Sortierübung außerdem nicht ungeprüft auf folgenreiche Entscheidungen, etwa die Auswahl von Bewerbern. Aufgabenwahl und menschliche Verantwortung bleiben wesentlich.
FAQ zu Few-Shot-Prompting
Muss ich programmieren können?
Für eine textbasierte Übung wie diese nicht. Du brauchst eine klar abgegrenzte Aufgabe, fachlich richtige Beispiele und überprüfbare Kriterien. Eine technische Integration in betriebliche Systeme ist ein zusätzlicher Schritt.
Merkt sich die KI meine Beispiele dauerhaft?
Few-Shot-Prompting bedeutet zunächst, Beispiele mit der Eingabe bereitzustellen. Daraus folgt keine Zusage über dauerhafte Erinnerung oder Speicherung. Solche Funktionen und die Datenverarbeitung hängen vom verwendeten Dienst und dessen Konfiguration ab.
Ist Few-Shot immer besser als Zero-Shot?
Nein. Ob Beispiele für Deine Aufgabe einen Vorteil bringen, musst Du anhand neuer Fälle prüfen. Wenn eine klare Anweisung bereits gute Ergebnisse liefert, kann eine zusätzliche Demonstration unnötig sein.
Fazit: Erst das Muster klären, dann die Wirkung prüfen
Few-Shot-Prompting ist vor allem eine Methode, Erwartungen anschaulich zu machen. Der praktische Wert entsteht durch richtige, unterschiedliche Beispiele und eine faire Kontrolle mit neuen Fällen. Beginne mit einer risikoarmen Aufgabe und erweitere den Einsatz erst nach fachlicher Prüfung.
Du möchtest KI-Werkzeuge und die Bewertung ihrer Ergebnisse systematisch kennenlernen? Informiere Dich über Anwendungsbezogene KI für den beruflichen Arbeitsalltag. Einen Überblick über weitere Lernwege bietet die Seite KI-Weiterbildungen von GrandEdu Media. Prüfe die aktuellen Kursinformationen und die Passung zu Deinem beruflichen Ziel; dieser Beitrag verspricht kein bestimmtes Lernergebnis.