Few-Shot: Lernen durch Beispiele

Irgendwann reicht reine Beschreibung nicht mehr aus. Sie haben Ihren Stil mit fünf Adjektiven beschrieben, Ihr Format in acht Zeilen spezifiziert, und ChatGPT trifft dennoch nicht den richtigen Ton. Die Lösung liegt nicht darin, besser zu beschreiben – sondern zu zeigen. Few-Shot-Prompting bedeutet, Beispiele für die gewünschte Ausgabe bereitzustellen, damit das Modell das Muster extrahieren und anwenden kann. Dies ist die zuverlässigste Technik, um jedes Mal konsistente Ergebnisse zu erzielen.

Das Prinzip

„Few-Shot” bezeichnet einen Prompt, der von einigen Beispielen begleitet wird, im Gegensatz zu „Zero-Shot”, bei dem keine Beispiele vorhanden sind. Sie liefern ein, zwei oder drei Beispiele für das Gewünschte und fordern das Modell dann auf, diesem Muster zu folgen. Der Unterschied zeigt sich am deutlichsten bei subjektiven Bewertungen, bei denen die richtige Antwort von Ihrer individuellen Skala abhängt und nicht von einer universellen Wahrheit. Bei Zero-Shot – also ohne Beispiele – zögert das Modell bei der folgenden Anfrage zwischen „neutral” und „negativ”: Nichts sagt ihm, ob eine Lieferverzögerung in Ihrem Buch als Vorfall oder als geringfügiges Detail zählt.

Klassifizieren Sie diesen Kundenkommentar als positiv, neutral oder negativ:
„Die Lieferung dauerte 3 Tage länger als erwartet, aber das Produkt ist in Ordnung."

Dieselben Worte, vorangestellt von vier kalibrierten Beispielen, führen zu einer Klassifizierung, die Ihren Kriterien entspricht. Das vierte Beispiel ist dabei das nützlichste: Es zeigt präzise, dass eine langsame Lieferung eine zufriedene Bewertung nicht aufhebt.

Klassifizieren Sie jeden Kundenkommentar als positiv, neutral oder negativ.

Beispiele:
- „Hervorragendes Produkt, schnelle Lieferung, sehr zu empfehlen!" -> Positiv
- „Das Produkt funktioniert, aber nichts Besonderes." -> Neutral
- „Enttäuscht, die Qualität entspricht nicht den Fotos." -> Negativ
- „Gutes Preis-Leistungs-Verhältnis, Lieferung etwas langsam." -> Neutral

Jetzt klassifizieren:
- „Die Lieferung dauerte 3 Tage länger als erwartet, aber das Produkt ist in Ordnung."

Wann die Technik den Unterschied macht

Few-Shot-Prompting ist unverzichtbar, wann immer eine Anweisung leichter zu zeigen als zu formulieren ist. Dies gilt, wenn Sie möchten, dass ChatGPT in Ihrer Stimme schreibt, wenn Ihr Format keinem bestehenden Standard entspricht oder wenn die Klassifizierung auf Kriterien beruht, die Sie kaum in einer einzigen Regel definieren könnten. Die Methode eignet sich auch hervorragend zur Konvertierung von Daten von einem Format in ein anderes sowie zur Batch-Produktion, bei der zwanzig Inhalte einander ähneln sollen, ohne sich zu wiederholen.

Einen Schreibstil replizieren

Ihre besten bisherigen Arbeiten stellen die bestmögliche Spezifikation dar. Die beiden folgenden Beschreibungen vermitteln weit mehr als nur den Ton: den Rhythmus kurzer Sätze, den Einstieg mit einem Nutzenversprechen, das Platzieren einer Zahl in der Mitte und den Abschluss mit einem konkreten Anwendungsfall. Kein Adjektiv hätte all dies kommunizieren können.

So schreibe ich meine Produktbeschreibungen:

Beispiel 1:
Produkt: Kabellose Kopfhörer
Beschreibung: Verabschieden Sie sich von Kabelsalat. Diese Bluetooth-Kopfhörer
verbinden sich in 2 Sekunden, halten 30 Stunden mit einer Ladung und blenden Geräusche aus,
als wären Sie allein auf der Welt. Perfekt für das Büro, den Zug oder das Sofa.

Beispiel 2:
Produkt: Kompakte mechanische Tastatur
Beschreibung: 65 Tasten, null Kompromisse. Taktile Switches liefern
präzises Feedback, ohne die Nachbarn zu wecken. Die RGB-Hintergrundbeleuchtung
passt sich mit einer einzigen Geste an. Kompakt und doch vollständig, passt sie
in jede Tasche.

Schreiben Sie nach demselben Muster die Beschreibung für:
Produkt: Vertikale ergonomische Maus

Genau diesen Schritt sollten Sie bei Inhalten ausprobieren, die Sie wöchentlich erstellen. Fügen Sie zwei Ihrer besten bisherigen Lieferungen ein, fügen Sie Ihre rohen Notizen hinzu und überlassen Sie dem Modell die Formatierung, die Sie bisher selbst vorgenommen haben.

Hier sind 2 Beispiele für wöchentliche Zusammenfassungen, die ich an meinen Manager sende:

[Fügen Sie hier Ihre Zusammenfassung für Woche 1 ein]

[Fügen Sie hier Ihre Zusammenfassung für Woche 2 ein]

Schreiben Sie in genau diesem Format und Stil die Zusammenfassung für diese Woche
basierend auf diesen rohen Notizen:
[Fügen Sie hier Ihre Notizen für die Woche ein]

Daten transformieren

Um unorganisierte Informationen zu normalisieren, zeigen Sie das Eingabe-/Ausgabepaar. Das Modell leitet zwei Dinge gleichzeitig ab: welche Felder extrahiert werden sollen und wie umgangssprachliche Formulierungen in strukturierte Labels übersetzt werden – aus „hat nichts dagegen, gelegentlich etwas Backend zu machen” wird eine Zeile „Vielseitigkeit”, was keine allgemeine Anweisung hätte leisten können.

Transformieren Sie diese informellen Stellenbeschreibungen in strukturierte Profile.

Eingabe: „Suche React-Frontend-Entwickler, 3–5 Jahre Erfahrung, kennt
TypeScript und hat nichts dagegen, gelegentlich etwas Backend zu machen.
Remote okay, zwischen 45 und 55K."
Ausgabe:
- Rolle: Frontend-Entwickler
- Stack: React, TypeScript
- Erfahrung: 3–5 Jahre
- Vielseitigkeit: Gelegentliches Backend
- Remote: Ja
- Spanne: 45–55K EUR

Eingabe: „Benötige einen Senior PM zur Leitung unseres SaaS-Produkts,
idealerweise jemand mit Erfahrung in einem Scale-up, wir sind in Paris,
aber hybrid 3 Tage/Woche, Budget 65–75K."
Ausgabe:
- Rolle: Senior Product Manager
- Domain: SaaS
- Erfahrung: Senior (Scale-up-Umfeld)
- Standort: Paris, hybrid 3 Tage/Woche
- Spanne: 65–75K EUR

Jetzt transformieren:
„Wir benötigen einen Datenanalysten, der SQL und Python kennt, jemanden
auf Junior-Mid-Niveau, der ML-Fähigkeiten aufbauen möchte. Vollständig remote,
35–42K, Start ASAP."

Inhalte in Batches generieren

Bei wiederkehrenden redaktionellen Formaten schlägt eine annotierte Vorlage jede Beschreibung. Das folgende Skelett legt die Reihenfolge der Blöcke und die Länge für jeden fest; die Rohdaten aus dem Kundenfall füllen es lediglich aus. Sie erhalten eine Reihe homogener Beiträge, die bereit zur Veröffentlichung sind, ohne dass jedes Mal eine redaktionelle Debatte nötig ist.

Hier ist das Format für unsere LinkedIn-Beiträge, die einen Kundenfall präsentieren:

Beispiel:
[Passendes Emoji] [Einprägsame Kennzahl]

[Name des Kunden] hatte ein Problem: [einzeiliges Problem].

In [Dauer] haben wir [kurze Lösung] implementiert.

Ergebnis:
- [Kennzahl 1]
- [Kennzahl 2]
- [Kennzahl 3]

[Eine Satz lange Lehre oder Erkenntnis]

---

Zu schreibender Fall: Unser Kunde DataViz (Anbieter von BI-Dashboards)
hatte eine Churn-Rate von 15 % pro Monat. In 4 Monaten haben wir
ihr Onboarding neu gestaltet. Die Churn-Rate sank auf 6 %, der NPS stieg von 23 auf 52
und die Time-to-Value ging von 14 Tagen auf 3 Tage zurück.

Wie viele Beispiele sollten Sie bereitstellen?

Ein einziges Beispiel – One-Shot – reicht für ein einfaches Format aus. Zwei oder drei decken die meisten gängigen Aufgaben ab; vier bis fünf werden nützlich, wenn das Muster subtil ist. Darüber hinaus sollten Sie prüfen, ob jedes Beispiel etwas Neues bringt: Redundante Beispiele verlängern den Prompt, ohne ihn zu verbessern. Zwei Qualitäten sind wichtiger als die Quantität: Konsistenz und Vielfalt. Beispiele in heterogenen Formaten verhindern, dass das Modell weiß, welches es nachahmen soll; Beispiele, die zu ähnlich sind, lassen es einen spezifischen Fall statt des Prinzips lernen, woraufhin es Varianten desselben Textes produziert.

Starten ohne Beispiele

Das Help Center und der Leitfaden von OpenAI zu Reasoning-Modellen geben denselben Rat: Versuchen Sie es zunächst ohne Beispiele und fügen Sie diese erst hinzu, wenn das Ergebnis nicht zufriedenstellend ist. Aktuelle Modelle kommen oft ohne Beispiele aus, wenn die Anweisung klar ist, und ein schlecht gewähltes Beispiel kann die Antwort in eine Richtung lenken, die Sie nicht beabsichtigt haben. Derselbe Leitfaden warnt vor einer spezifischen Fallstrick: Ihre Beispiele müssen exakt mit Ihren Anweisungen übereinstimmen. Wenn die Anweisung drei Aufzählungspunkte verlangt und das Beispiel fünf zeigt, ist das Ergebnis wahrscheinlich schlecht.

Kontrastierende Beispiele

Fügen Sie bei Klassifizierungs- oder Bewertungsaufgaben Grenzfälle ein, die die Skala definieren und jede Bewertung in Klammern begründen. Das Modell wendet dann Ihre Bewertungsmatrix an, nicht seine eigene – hier entsteht der Unterschied zwischen 3 und 5 durch das Vorhandensein eines numerischen Belegs, was die Begründung explizit macht.

Bewerten Sie die Qualität dieser Verkaufs-Hooks (Skala von 1 bis 5).

1/5: „Hallo, wir verkaufen Software." (zu vage, kein Hook)
3/5: „Ihre Teams verlieren 5 Stunden pro Woche mit Verwaltungsaufgaben." (guter Ansatz, aber kein Beleg)
5/5: „Carrefour hat die Verwaltungskosten in 3 Monaten um 34 % gesenkt. So geht's." (Zahl, sozialer Beleg, Neugier)

Jetzt bewerten:
„Was wäre, wenn Sie 80 % Ihrer Berichterstattung automatisieren könnten?"

Sie sind dran

Wechseln Sie von Zero-Shot zu Few-Shot. Nehmen Sie eine Klassifizierungs- oder Schreibaufgabe, die Sie häufig wiederholen. Führen Sie sie zunächst ohne Beispiel durch und notieren Sie, was falsch läuft. Fügen Sie dann zwei Beispiele aus Ihrer besten Arbeit hinzu und prüfen Sie, ob sie Ihre Anweisung exakt befolgen; fügen Sie bei Zögern in der Klassifizierung einen Grenzfall hinzu. Vergleichen Sie die drei Ergebnisse und behalten Sie die kürzeste Version, die Sie zufriedenstellt.

Offizielle Quellen: Best practices for prompt engineering with the OpenAI API (OpenAI Help Center) · Prompt engineering · Reasoning best practices (OpenAI API-Dokumentation)

Kernaussagen

• Few-Shot bedeutet, einige Beispiele zu zeigen, damit ChatGPT das erwartete Muster reproduziert
• Versuchen Sie es zunächst ohne Beispiele und fügen Sie diese erst hinzu, wenn das Ergebnis nicht zufriedenstellend ist
• Zwei bis drei Beispiele reichen für die meisten Aufgaben aus; sie müssen Ihre Anweisung exakt befolgen
• Nutzen Sie Few-Shot für Stil, Format, Klassifizierung und Batch-Produktion
• Kontrastierende, begründete Beispiele kalibrieren die Skala für Bewertungsaufgaben