Few-Shot Prompting
KI-Glossar
Prompting-Ansatz, bei dem man einem KI-Modell wenige Beispiele für die gewünschte Ausgabe mitgibt, um genauere Ergebnisse zu erhalten.
Kurzdefinition
Few-Shot Prompting bezeichnet die Praxis, im Prompt ein bis fünf Beispiele einzufügen, die das Modell als Vorlage für die gewünschte Ausgabe nutzt. Durch die Beispiele wird das erwartete Format, der Stil oder die Logik der Antwort klarer.
Einfach erklärt
Wenn Zero-Shot Prompting zu ungenauen Ergebnissen führt, hilft often ein oder zwei Beispiele. Man zeigt dem Modell: „Hier ist eine Eingabe und die dazugehörige gewünschte Ausgabe. Mach es für den neuen Fall genauso.“ Das Modell orientiert sich am Muster und liefert konsistentere Ergebnisse.
Few-Shot Prompting ist besonders nützlich, wenn es um spezifische Formate geht, zum Beispiel eine bestimmte Tabellenspalte befüllen, Daten nach einem vorgegebenen Muster extrahieren oder Texte in einem spezifischen Tonfall schreiben. Zwei bis drei Beispiele reichen in den meisten Fällen aus.
Beispiel aus dem Arbeitsalltag
Ein Sachbearbeiter möchte aus langen E-Mails von Kunden immer nach dem gleichen Schema Kerninfos extrahieren: Kundennummer, Anliegen, gewünschter Termin. Er fügt im Prompt zwei Beispielpaare ein, jeweils eine E-Mail und die gewünschte Ausgabe. Das Modell erkennt das Muster und extrahiert die Informationen aus neuen E-Mails zuverlässig im selben Format.
Warum ist der Begriff wichtig?
Few-Shot Prompting ist eine der wirkungsvollsten einfachen Techniken, um Ausgaben zu steuern, ohne ein Modell neu zu trainieren. Wer sie kennt, kann die Qualität seiner KI-Ergebnisse deutlich verbessern.
Das Konzept macht auch das Fine-Tuning verständlicher: Wenn schon wenige Beispiele im Prompt die Ausgabe verbessern, verbessern viele Beispiele beim Training das Modell grundlegend.
Chancen
- Präzisere und konsistentere Ausgaben bei Format- und Stilvorgaben
- Keine technischen Kenntnisse nötig, Beispiele in natürlicher Sprache
- Schnell iterierbar: Beispiele anpassen und sofort testen
- Besonders wirksam bei strukturierten Extraktionsaufgaben
Risiken und typische Fehler
- Schlechte Beispiele führen zu schlechten Ausgaben
- Zu viele Beispiele erhöhen die Token-Nutzung und damit Kosten
- Modell kann sich zu stark auf Beispielmuster fixieren
- Kein Ersatz für klare Aufgabenformulierung
Verwandte Begriffe
Passende Inhalte im KI College
Lernen Sie Schritt für Schritt, wie Sie KI im Arbeitsalltag sinnvoll nutzen.
Use CasesKI im Arbeitsalltag anwenden
Entdecken Sie praktische Beispiele für typische Aufgaben im Beruf.
ToolsKI-Tools im Überblick
Finden Sie heraus, welche Tools zu welchen Aufgaben passen.