Zero-Shot vs. Few-Shot Prompting: Beispiele zeigen oder nicht?
Ob du Beispiele in deinen Prompt aufnimmst, trennt eine allgemeine von einer hervorragenden Ausgabe. Lerne, wann du welche Technik nutzt und welche Fehler du vermeidest.
Eine einfache Entscheidung trennt eine generische LLM-Ausgabe von einer hervorragenden: Nimmst du Beispiele in deinen Prompt auf oder nicht? Daraus ergeben sich zwei grundlegende Prompting-Techniken: Zero-Shot und Few-Shot.
Zero-Shot: direkte Anweisung ohne Beispiele
Das heißt, dem Modell eine direkte Anweisung ohne Beispiele zu geben. Denk an eine brillante Praktikantin: Du bittest sie, "Käse" ins Französische zu übersetzen, sie braucht keinen zusätzlichen Kontext, und die Antwort ist eindeutig: fromage.
- Funktioniert am besten, wenn die Aufgabe konkret und klar umrissen ist.
- Und wenn das Modell wenig Spielraum hat, die Anfrage unterschiedlich zu interpretieren.
- Typische Einsatzfälle: ein Wort übersetzen, einen kurzen Text zusammenfassen, eine Faktenfrage beantworten.
Few-Shot: Anweisung + Beispiele
Das heißt, konkrete Beispiele für die erwartete Ausgabe in den Prompt aufzunehmen. Es ist ideal für Aufgaben mit subjektiven Kriterien oder Mustern, die sich schwer in Worte fassen lassen: Beispiele lassen das Modell das Muster erkennen und reduzieren die Mehrdeutigkeit fast auf null.
Beispiel: Emotionen als positiv oder negativ klassifizieren. Emotionen sind nicht von Natur aus positiv oder negativ, die Aufgabe ist also mehrdeutig. Gibst du aber Beispiele…
- Negativ: Traurigkeit, Wut, Angst.
- Positiv: Freude, Glück, Begeisterung.
…erkennt das Modell das Muster und klassifiziert zutreffend.
Praxisfall: einen Tweet schreiben
Aufgabe: einen Tweet über die Auswirkungen von KI auf die Beschäftigung schreiben.
| Ansatz | Ergebnis |
|---|---|
| Zero-Shot | Allgemeiner Tweet mit Klischees ("KI ist nicht hier, um uns die Jobs wegzunehmen") und Hashtags, die nach 2015 wirkten |
| Few-Shot | Tweet mit klarem Aufhänger ("Plot twist"), konkreten Daten und einer abschließenden Frage, die zum Gespräch einlädt |
Wie wurde Few-Shot angewendet? Es wurden echte Tweets aus dem Profil eingefügt, sowohl mit hohem als auch mit niedrigem Engagement.
- Die Tweets mit hohem Engagement waren länger, enthielten harte Daten, und manche nutzten Emojis.
- Die Tweets mit niedrigem Engagement waren kurz und ohne relevante Informationen.
Der Qualitätsunterschied war riesig.
Wie wähle ich?
Stell dir drei Fragen:
- Gibt es Mehrdeutigkeit in der Aufgabe?
- Ist die Aufgabe komplex?
- Brauche ich Präzision oder soll ein bestimmtes Format reproduziert werden?
Wenn alle drei Antworten Ja lauten, ist Few-Shot wahrscheinlich die beste Wahl. Und die beste Praxis: Probiere beide Techniken aus und vergleiche die Ergebnisse.
Häufige Fehler beim Few-Shot-Prompting
Anzahl der Beispiele
- Zu wenige: Das Modell kann keine Muster erkennen.
- Zu viele: Sie erzeugen starre Grenzen und führen bei nicht abgedeckten Fällen zu Halluzinationen.
- Idealer Bereich laut Forschungsarbeiten: 3 bis 7 Beispiele.
Vielfalt der Beispiele
- Nur positive oder nur negative Beispiele führen zu Verzerrung.
- Nimm immer beide Kategorien auf (z. B. hohes UND niedriges Engagement), damit das Modell das ganze Bild der Muster sieht.
Reihenfolge der Beispiele
- Die Reihenfolge kann die Wirksamkeit des Prompts um 50 % bis 90 % verändern.
- Recency-Effekt: Was zuletzt steht, bekommt mehr Aufmerksamkeit des Modells.
- Empfehlung: Nutze eine zufällige Reihenfolge und wechsle positive und negative Beispiele ab, um Verzerrungen zu vermeiden.
Wichtigste Erkenntnisse
- Zero-Shot = direkte Anweisung, ideal für einfache, eindeutige Aufgaben.
- Few-Shot = Anweisung + Beispiele, ideal für komplexe, mehrdeutige oder formatsensible Aufgaben.
- Nutze 3–7 abwechslungsreiche Beispiele, die beide Seiten abdecken (gut und schlecht).
- Mische die Reihenfolge und wechsle die Kategorien ab, denn das letzte Beispiel wiegt am meisten.
- Im Zweifel vergleiche Zero-Shot und Few-Shot an deiner eigenen Aufgabe und teste den Prompt mit mehreren Fällen.