Grundlegende Prompting-Techniken: Zero-Shot, One-Shot & Few-Shot

Nachdem Sie wissen, wie Sie die Ausgabe eines LLMs konfigurieren können, konzentrieren wir uns auf die grundlegendsten Methoden, dem Modell mitzuteilen, was es tun soll. Diese Techniken sind das Fundament des Prompt Engineerings und unterscheiden sich hauptsächlich durch die Anzahl der Beispiele ("Shots"), die Sie dem Modell zur Verfügung stellen.

1. Zero-Shot Prompting: Die direkte Anweisung

Beim Zero-Shot Prompting geben Sie dem Modell keinerlei Beispiele für die gewünschte Ausgabe. Sie formulieren Ihre Anweisung oder Frage direkt und verlassen sich darauf, dass das Modell die Aufgabe aufgrund seines Trainings versteht.

Prinzip: Nur die Aufgabe beschreiben.

Wann geeignet?

• Für einfache, allgemeine Aufgaben (z.B. Übersetzen, Zusammenfassen, einfache Fragen beantworten).
• Wenn das LLM sehr leistungsfähig ist oder speziell für die Aufgabe trainiert wurde.

Beispiel:

Prompt:
Übersetze den folgenden Satz ins Englische:
Wie funktioniert Prompt Engineering?

Antwort des Modells:
How does prompt engineering work?

2. One-Shot Prompting: Ein Beispiel zur Orientierung

Wenn Zero-Shot nicht ausreicht, können Sie dem Modell helfen, indem Sie ihm genau ein Beispiel für die gewünschte Eingabe und Ausgabe geben.

Prinzip: Aufgabe beschreiben + 1 Beispiel geben.

Beispiel (Datenextraktion):

Prompt:
Extrahiere den Namen der Person aus dem Text.

Beispiel:
Text: Gestern traf ich Anna Müller im Park.
Name: Anna Müller

Jetzt du:
Text: Der Bericht wurde von Dr. Klaus Schmidt verfasst.
Name:

Antwort des Modells:
Dr. Klaus Schmidt

3. Few-Shot Prompting: Lernen durch mehrere Beispiele

Hier gehen Sie noch einen Schritt weiter und geben dem Modell mehrere Beispiele (typischerweise 2 bis 5), bevor die eigentliche Aufgabe formuliert wird.

Prinzip: Aufgabe beschreiben + mehrere Beispiele geben.

Wann geeignet?

• Für komplexe Klassifizierungen oder Analysen.
• Wenn ein sehr spezifisches, strukturiertes Ausgabeformat erforderlich ist.
• Wenn hohe Genauigkeit und das Verständnis von Nuancen wichtig sind.

Beispiel (Sentiment-Analyse mit Begründung):

Prompt:
Analysiere das Sentiment des Kommentars (Positiv/Negativ) und gib eine kurze Begründung.

Beispiel 1:
Kommentar: Die Lieferung kam superschnell an, alles top!
Analyse: Positiv - Schnelle Lieferung und Zufriedenheit erwähnt.

Beispiel 2:
Kommentar: Das Produkt war leider schon bei Ankunft beschädigt.
Analyse: Negativ - Beschädigtes Produkt erhalten.

Jetzt du:
Kommentar: Ich bin mir nicht sicher, ob mir die Farbe gefällt.
Analyse:

Antwort des Modells:
Neutral - Unsicherheit über persönliche Präferenz ausgedrückt.

Wann welche Technik wählen?

Eine gute Strategie ist, iterativ vorzugehen:

1. Starte mit Zero-Shot: Es ist der einfachste und ressourcenschonendste Ansatz. Funktioniert es? Perfekt!
2. Wenn nötig, zu One-Shot wechseln: Wenn Zero-Shot fehlschlägt oder das Format unklar ist, gib ein Beispiel.
3. Für Komplexität Few-Shot nutzen: Wenn die Aufgabe komplex ist, Nuancen erfordert oder One-Shot nicht ausreicht, verwende mehrere Beispiele.

Beachte den Trade-off: Mehr Beispiele (Shots) bedeuten längere Prompts. Das kostet mehr Rechenzeit (Tokens) und kann die Antwortzeit verlängern, führt aber bei anspruchsvollen Aufgaben oft zu deutlich besseren Ergebnissen.

Fazit

Zero-Shot, One-Shot und Few-Shot Prompting sind die fundamentalen Bausteine für die Kommunikation mit LLMs. Das Beherrschen dieser Techniken und das Wissen, wann welche anzuwenden ist, ist der erste wichtige Schritt zu effektivem Prompt Engineering. Damit nicht jede Person ihre Beispiele für wiederkehrende Aufgaben neu schreibt, lassen sie sich in einer Firmenlizenz als feste Arbeitsanleitung hinterlegen. Genau solche Anleitungen gehören zur Firmen-KI: ChatGPT oder Claude mit Ihren Daten einrichten.

Nächster Schritt: Erfahren Sie, wie Sie dem Modell durch Kontext, Rollen und System-Prompts noch gezieltere Anweisungen geben können.