Wenn eine Beschreibung zu viel Interpretationsspielraum lässt, zeigen Sie dem Modell Beispiele der gewünschten Ausgabe. Eine kleine Auswahl repräsentativer Eingabe-Ausgabe-Paare kann Ton, Format oder Klassifikationsgrenzen konkreter machen als Adjektive allein.
Diese Technik heißt Few-Shot-Prompting. Der Begriff stammt aus der Forschung zum maschinellen Lernen. Die ursprüngliche GPT-3-Veröffentlichung untersuchte, wie Modelle arbeiten, wenn eine Aufgabe und Beispiele im Kontext bereitgestellt werden, ohne aufgabenspezifische Parameteränderungen (Brown et al., 2020). Die Veröffentlichung zeigte auch Aufgaben, bei denen Few-Shot-Leistung schwach blieb. Beispiele sind daher eine zu prüfende Technik, keine universelle Verbesserung.
Dieser Artikel erklärt anhand ausgearbeiteter Beispiele, was Few-Shot-Prompting ist, wann es sich eignet und wie Sie es testen.
Warum Beispiele besser funktionieren als Beschreibungen
Ein Gedankenexperiment: Angenommen, ich soll den Sprachstil meines Unternehmens für Marketingtexte beschreiben. Ich könnte sagen: „freundlich, aber professionell; herzlich, aber nicht salopp; selbstbewusst, aber nie arrogant; verständlich, aber nicht vereinfachend“. Nach diesen vier Formulierungen würden Sie vermutlich zustimmen und dennoch einen Text verfassen, der sich deutlich von meiner Vorstellung unterscheidet.
Zeige ich Ihnen dagegen drei kurze Absätze, die den gewünschten Ton bereits treffen, haben Sie ein konkreteres Ziel. Sie können Wortwahl, Satzlänge und Aufbau vergleichen, statt nur die Adjektive auszulegen.
Auch Modelle können Beispiele auf diese Weise nutzen. Adjektive wie „freundlich“, „professionell“ und „selbstbewusst“ lassen viele gültige Interpretationen zu. Konkrete Beispiele zeigen Entscheidungen, die die Anweisung möglicherweise nicht nennt. OpenAIs Leitfaden zum Prompt Engineering beschreibt Few-Shot-Learning als Steuerung eines Modells durch einige Eingabe-Ausgabe-Beispiele und empfiehlt eine vielfältige Auswahl möglicher Eingaben mit den gewünschten Ausgaben. Ob dies Ihr Ergebnis verbessert, hängt von Modell, Aufgabe, Beispielen und Evaluationskriterien ab.
Wann Few-Shot-Prompting besonders nützlich ist
Einige Situationen, in denen Sie Beispiele testen sollten:
Einen bestimmten Ton treffen. „Schreiben Sie in der Sprache unseres Unternehmens.“ Wenn eine kurze Beschreibung Interpretationsspielraum lässt, zeigen Sie zusätzlich repräsentative freigegebene Beispiele.
Einheitliche Formatierung erzeugen. Bei Produktbeschreibungen, Fehlermeldungen, API-Antworten, Wochenberichten und Statusmeldungen soll die Ausgabe jedes Mal gleich aussehen. Zeigen Sie das Format und beschreiben Sie es zusätzlich.
Spezielle oder ungewöhnliche Ausgaben erstellen. „Schreiben Sie einen Thread für X im Stil von [a specific person you follow].“ „Erstellen Sie Überschriften für den Blog eines internen Werkzeugs.“ „Formulieren Sie Code-Kommentare so, wie unser Team sie schreibt.“ Solche Inhalte folgen besonderen Konventionen, die sich nur schwer in Worte fassen lassen.
Einen Stil bei Übersetzung, Zusammenfassung oder Überarbeitung nachbilden. „Formulieren Sie diesen Text im selben Stil wie die folgenden drei Beispiele.“
Ausgaben verbessern, die Sie immer auf dieselbe Weise korrigieren. Wenn Sie Modellantworten wiederholt kürzen, dieselben Wörter austauschen oder ihren Aufbau straffen, stellen Sie Beispiele der bereits korrigierten Fassung bereit.
Der grundlegende Aufbau
Ein praktischer Few-Shot-Prompt besteht aus drei Teilen: einer kurzen Anweisung, einer repräsentativen Beispielauswahl und der neuen Aufgabe.
Erstellen Sie eine einzeilige Produktbeschreibung für ein B2B-SaaS-Werkzeug. Entsprechen Sie dem Stil dieser Beispiele.
Beispiel 1: Produkt: ProjectHub Beschreibung: Ein gemeinsamer Arbeitsbereich für Projektteams, die es leid sind, für eine Aufgabe zwischen fünf Werkzeugen zu wechseln.
Beispiel 2: Produkt: TimeFlow Beschreibung: Eine Zeiterfassungs-App für Menschen, die Zeiterfassungs-Apps hassen.
Beispiel 3: Produkt: ClearStack Beschreibung: Ein Berichtswerkzeug, das aus Tabellen Entscheidungen macht.
Schreiben Sie nun eine Beschreibung für: Produkt: PromptDesk Beschreibung:
Das angeforderte Muster ist kurz, meinungsstark, leicht frech und auf ein konkretes Problem oder eine Zielgruppe ausgerichtet. Prüfen Sie das Ergebnis anhand dieser Kriterien. Beispiele können das Muster anleiten, garantieren aber keine gute Beschreibung.
Drei ausgearbeitete Beispiele
Betrachten wir drei Situationen, in denen Beispiele das Ziel konkreter machen können.
1. Fehlerberichte im Stil Ihres Teams
Angenommen, Ihr Team verfasst Jira-Tickets nach einem festen Muster: kurz, auf die Auswirkungen für Nutzer konzentriert und ohne Fachjargon. Sie möchten, dass KI Ticketentwürfe nach diesem Muster erstellt.
Entwerfen Sie eine Jira-Ticketbeschreibung im folgenden Format.
Beispiel 1: Bei der Anmeldung über Google sehen Nutzer kurz die falsche Sprache, bevor die Oberfläche aktualisiert wird. Der Fehler tritt in Chrome auf dem Desktop zuverlässig auf. Er blockiert die Nutzung nicht, wirkt aber unsauber.
Schritte:
- Abmelden
- Erneut über Google anmelden
- Auf das anfängliche Flackern der Seite achten
Erwartet: Die Sprache bleibt unverändert Tatsächlich: Englisch als vermeintliche Standardsprache wird kurz angezeigt
Beispiel 2: Die Schaltfläche zum CSV-Export erzeugt bei Wochenberichten mit mehr als 1000 Zeilen eine leere Datei. Kleinere Berichte werden korrekt exportiert.
Schritte:
- Wochenbericht mit 1000 oder mehr Zeilen öffnen
- Export → CSV wählen
- Heruntergeladene Datei öffnen
Erwartet: vollständige Daten Tatsächlich: Datei hat 0 Byte
Entwerfen Sie nun ein Ticket für: Problem: Nutzer von Safari berichten, dass sich das mobile Menü nach dem Antippen eines Links nicht schließt. Nach dem Neuladen funktioniert es wieder. Vermutlich liegt es am Focus Trap.
Prüfen Sie den Entwurf auf den geforderten Aufbau, Ton und seine Faktentreue. Die Beispiele machen das Ziel ausdrücklich sichtbar, doch das Modell kann weiterhin ein Feld auslassen oder eine nicht angegebene Einzelheit ableiten.
2. Überarbeitung in der Markensprache
Angenommen, Sie möchten einen E-Mail-Entwurf an die Sprache Ihrer Marke anpassen. „Formulieren Sie freundlicher“ lässt Interpretationsspielraum; Beispiele können das beabsichtigte Register genauer zeigen.
Überarbeiten Sie die folgende E-Mail im Stil dieser Beispiele. Der Stil ist direkt, verzichtet auf Unternehmensfloskeln, wirkt leicht selbstreflektiert und verwendet niemals „Synergie“ oder „Leverage“.
Beispiel 1: „Wir haben die Veröffentlichung um eine Woche verschoben. Die Änderung an der automatischen Skalierung war umfangreicher als erwartet. Neuer Veröffentlichungstermin: Freitag, der 22.“
Beispiel 2: „Eine kurze Bitte: Könnten Sie diesen Entwurf kritisch prüfen, insbesondere den zweiten Abschnitt? Ich glaube, dass er zu weit geht, bin mir aber nicht sicher.“
Beispiel 3: „Vorab zur Information: In der morgigen Besprechung werde ich der Frist widersprechen. Die Zahlen gehen nicht auf, und ich spreche das lieber jetzt an, als den Termin später zu verfehlen.“
Überarbeiten Sie diesen Text im selben Stil:
[paste your draft]
Vergleichen Sie die Überarbeitung vor der Verwendung mit den Beispielen und den Fakten Ihrer Vorlage. Wenn Ihr ChatGPT-Tarif und Arbeitsbereich das Erstellen von GPTs erlauben, können Sie die Beispiele in den Anweisungen eines benutzerdefinierten GPT hinterlegen. OpenAI empfiehlt, konfigurierte GPTs in der Vorschau zu testen, weil Anweisungen keine identische Ausgabe bei jedem Durchlauf garantieren.
3. Strukturierte Extraktion
Angenommen, Sie möchten Daten aus freigegebenen PDF-Rechnungen mit einem zulässigen Modell in ein einheitliches Format extrahieren. Bestätigen Sie zunächst, dass Werkzeug und Datenfluss für die Dokumente genehmigt sind. Laden Sie dann eine Rechnung hoch, zeigen Sie ein Beispiel der gewünschten Ausgabe und lassen Sie die übrigen Rechnungen verarbeiten.
Extrahieren Sie Daten aus PDF-Rechnungen genau in diesem JSON-Format.
Beispiel:
Eingabe: [invoice PDF where vendor is “Lufthansa”, date is 2026-04-12, total is 423.50 EUR, line items are flight + bag fee]
Ausgabe:
{ "vendor": "Lufthansa", "date": "2026-04-12", "currency": "EUR", "total": 423.50, "line_items": [ {"description": "Flight TLL-LHR", "amount": 387.00}, {"description": "Checked bag", "amount": 36.50} ], "category": "Travel" }Extrahieren Sie nun die Daten aus dieser Rechnung: [attach new PDF]
Das Beispiel legt das Zielschema fest, doch Sie benötigen weiterhin eine Schemavalidierung und einen Abgleich mit der Rechnung. Behandeln Sie ein plausibles JSON-Objekt nicht als Beleg dafür, dass Beträge, Datumsangaben oder Positionen korrekt extrahiert wurden.
Häufige Fehler beim Few-Shot-Prompting
Achten Sie besonders auf drei Fehler:
Widersprüchliche Beispiele. Wenn Beispiele im Stil abweichen oder ähnliche Eingaben unterschiedlich kennzeichnen, kann das Modell die Mehrdeutigkeit reproduzieren. Halten Sie die beabsichtigte Regel konsistent und decken Sie zugleich wichtige Eingabevarianten ab.
Beispiele, die wichtige Varianten nicht abdecken. Es gibt keine universell beste Anzahl. Beginnen Sie mit der kleinsten Auswahl, die das Muster und wichtige Randfälle zeigt, und ergänzen oder entfernen Sie Beispiele anhand repräsentativer Tests. Jedes Beispiel verbraucht Kontext und kann ein weiteres Muster einführen, das das Modell abgleichen muss.
Beispiele mit Fehlern, die nicht übernommen werden sollen. Ein Modell kann Tippfehler, unbeholfene Formulierungen oder versehentlich gewählte Strukturen aus den Beispielen übernehmen. Bereinigen Sie die Auswahl vor der Verwendung und prüfen Sie neue Ausgaben, statt davon auszugehen, dass nur das beabsichtigte Muster übertragen wurde.
Ein besonders unauffälliger Fehler besteht darin, Beispiele für Eingaben, aber nicht für Ausgaben zu zeigen. „Hier sind drei Artikel, für die Sie Überschriften erstellen sollen: [three articles].“ Das ist Zero-Shot- und kein Few-Shot-Prompting. Das Modell hat keine gute Überschrift als Vorbild gesehen. Vergleichen Sie:
Hier sind drei Artikel mit Überschriften in dem von mir gewünschten Stil:
Beispiel 1: [article] → Überschrift: „…“ Beispiel 2: [article] → Überschrift: „…“ Beispiel 3: [article] → Überschrift: „…“
Schreiben Sie nun eine Überschrift für: [new article]
Das Paar aus Eingabe und Ausgabe ist die Einheit des Few-Shot-Promptings. Ohne die Ausgabeseite fehlt dem Modell das zu lernende Muster.
Eine eigene Beispielbibliothek aufbauen
Sobald Sie Few-Shot-Prompting verwenden, sammeln sich Gruppen erfolgreicher Beispiele an. Bewahren Sie sie auf:
- Custom GPTs / Claude Projects: Speichern Sie getestete Beispiele in begrenzten Anweisungen, die Sie prüfen und aktualisieren können.
- Ein Textbaustein-Manager wie TextExpander, Raycast oder Espanso: Kürzel lassen sich direkt zu Ihren Beispielen erweitern.
- Eine nach Anwendungsfällen geordnete Notizdatei – beispielsweise „Beispiele für Markensprache“, „Beispiele für Ticketformate“ und „Beispiele für Überschriften“ – für schnelles Kopieren.
Mit der Zeit kann daraus eine aufgabenspezifische Bibliothek werden, die auf Ausgaben beruht, die Ihr Team tatsächlich akzeptiert hat. Sie ist nützlicher als ein allgemeines Prompt-Paket, das nicht an Ihrer Arbeit getestet wurde.
Beispiele sind wirksamer als Adjektive
Wenn Sie die gewünschte Ausgabe präzise beschreiben können, tun Sie es. Können Sie den Stil zwar erkennen, aber nicht vollständig formulieren, ergänzen Sie repräsentative Eingabe-Ausgabe-Beispiele. Testen Sie den Prompt anschließend an gewöhnlichen Fällen und Randfällen, bevor Sie ihn in einen wiederverwendbaren Arbeitsablauf übernehmen.
Beispiele können verdeutlichen, was Adjektive offenlassen. Probieren Sie die Technik bei einem Prompt aus, bei dem Stil oder Format wichtig sind, und behalten Sie sie nur bei, wenn sich die getesteten Ausgaben verbessern.
