Zum Hauptinhalt springen
Deutsch— Sprache auswählen
Menü

Few-Shot Prompting

Lektion 5 von 16 Aktualisiert am 28. Juli 2026 Anfänger
Auf dieser Seite
  1. Lernen durch Beispiele
  2. Zero-Shot, One-Shot, Few-Shot: Drei Ebenen der Anleitung
  3. Few-Shot mit der Mistral-API implementieren
  4. Wann Few-Shot verwenden
  5. Wie viele Beispiele bereitstellen
  6. Gute Beispiele erstellen
  7. Kernaussagen

Lernen durch Beispiele

Few-Shot Prompting (Few-Shot-Anleitung) besteht darin, dem Modell vor der eigentlichen Anfrage ein oder mehrere Beispiele für die durchzuführende Aufgabe bereitzustellen. Anstatt abstrakt zu erklären, was Sie erwarten, zeigen Sie es konkret – ähnlich wie ein Trainer, der statt einer 20-minütigen Beschreibung eines guten Meeting-Berichts zwei gut geschriebene Muster vorlegt und den Teilnehmern Zeit zum Absorbieren lässt. Diese Technik gehört zu den effektivsten Methoden, um mit Mistral-Modellen präzise und konsistente Ergebnisse zu erzielen.

Das Prinzip ist einfach: Das Modell stützt sich auf die bereitgestellten Beispiele, um das erwartete Format, den Ton, das Detailniveau und die Logik zu verstehen, und reproduziert dieses Muster dann für Ihre Anfrage. Ein gut gewähltes Beispiel ersetzt oft einen ganzen Absatz an Erklärung – und tut es besser.

Zero-Shot, One-Shot, Few-Shot: Drei Ebenen der Anleitung

Die Fachsprache unterscheidet drei Varianten basierend auf der Anzahl der Beispiele. Beim Zero-Shot geben Sie eine Anweisung ohne Beispiele; das Modell stützt sich ausschließlich auf sein Wissen:

Classify the sentiment of this text as positive, neutral, or negative:
"Customer service was responsive but delivery was late."

Zero-Shot funktioniert für einfache, häufige Aufgaben, die das Modell während des Trainings tausendfach gesehen hat. Für Aufgaben, die spezifisch für Ihr Unternehmen sind, reicht es oft nicht aus: Das Modell klassifiziert zwar, aber nicht unbedingt nach Ihren Kriterien.

Beim One-Shot reicht manchmal ein einziges Beispiel, um das Modell zu führen. Das Beispiel zeigt sowohl das Ausgabeformat als auch, wie die Antwort begründet werden soll:

Classify the sentiment and justify in one sentence.

Example:
Text: "Excellent product, highly recommended!"
Sentiment: positive
Justification: Expression of enthusiasm and explicit recommendation.

To classify:
Text: "Customer service was responsive but delivery was late."
Sentiment:
Justification:

Beim Few-Shot reduzieren mehrere Beispiele Mehrdeutigkeiten und stärken die Konsistenz. Dies ist besonders nützlich, wenn Randfälle häufig auftreten – wie diese gemischte Bewertung, die einen positiven und einen negativen Punkt verbindet:

Classify the sentiment and justify in one sentence.

Example 1:
Text: "Excellent product, highly recommended!"
Sentiment: positive
Justification: Expression of enthusiasm and explicit recommendation.

Example 2:
Text: "The price is fair for what it is."
Sentiment: neutral
Justification: Factual evaluation without strong emotion.

Example 3:
Text: "Three weeks of waiting for a defective product."
Sentiment: negative
Justification: Delay issue combined with a quality defect.

To classify:
Text: "Customer service was responsive but delivery was late."
Sentiment:
Justification:

Mit drei Beispielen, die die drei Kategorien abdecken, hat das Modell gesehen, wie jeder Fall aussieht, und kalibriert seine Antwort entsprechend.

Few-Shot mit der Mistral-API implementieren

In einem Textprompt stapeln sich Beispiele wie oben. Mit der API gibt es jedoch eine sauberere Methode: Nutzen Sie die Rollen user und assistant, um künstliche Austausche zu erstellen, die als Beispiele dienen. Sie erstellen eine Gesprächshistorie von Grund auf, in der das Modell bereits „perfekt” geantwortet hat:

messages = [
    {
        "role": "system",
        "content": "You classify customer reviews. Respond only with the indicated format."
    },
    # Example 1
    {
        "role": "user",
        "content": "Classify: \"Excellent product, highly recommended!\""
    },
    {
        "role": "assistant",
        "content": "Sentiment: positive\nJustification: Expression of enthusiasm and explicit recommendation."
    },
    # Example 2
    {
        "role": "user",
        "content": "Classify: \"Three weeks of waiting for a defective product.\""
    },
    {
        "role": "assistant",
        "content": "Sentiment: negative\nJustification: Delay issue combined with a quality defect."
    },
    # Actual request
    {
        "role": "user",
        "content": "Classify: \"Customer service was responsive but delivery was late.\""
    }
]

Indem Sie Beispiele als Benutzer-/Assistenten-Nachrichten übergeben, behandelt das Modell sie als eine erfolgreiche Gesprächshistorie, die es in derselben Weise fortsetzen muss. Dies ist das Muster, das Sie priorisieren sollten, sobald Sie in die Produktion skalieren: Beispiele bleiben getrennt von den Daten, einfach zu warten und zu erweitern.

Wann Few-Shot verwenden

Few-Shot glänzt in vier Arten von Situationen. Erstens bei der benutzerdefinierten Klassifizierung: Wenn Ihre Kategorien nicht standardisiert sind – beispielsweise interne Tickettypen, die spezifisch für Ihr Unternehmen sind – schlägt eine Beschreibung nicht einmal ein paar bereits klassifizierte Tickets. Zweitens bei der Datenerfassung, wenn das Ausgabeformat spezifisch für Ihre Organisation ist. Drittens beim Schreiben mit einem bestimmten Ton: Wenn Sie möchten, dass das Modell Ihren redaktionellen Stil annimmt, zeigen Sie ihm zwei oder drei Ihrer eigenen Texte, anstatt versuchen zu wollen, Ihren Stil mit Adjektiven zu beschreiben. Schließlich bei allgemeinen mehrdeutigen Aufgaben: Sobald die Textbeschreibung nicht ausreicht, um Zweifel zu klären, löst ein Beispiel diese auf.

Wie viele Beispiele bereitstellen

Die optimale Anzahl hängt von der Komplexität der Aufgabe ab. Für eine einfache Aufgabe mit einem klaren Format – binäre Klassifizierung, Extraktion eines einzelnen Feldes – reichen ein oder zwei Beispiele. Für eine Aufgabe mit mehreren Kategorien oder einem komplexen Format rechnen Sie mit drei bis fünf Beispielen, idealerweise je eines pro Kategorie. Über fünf hinaus befinden Sie sich im Bereich sehr spezifischer Aufgaben oder solcher, die reich an Randfällen sind, die explizit abgedeckt werden müssen.

Denken Sie jedoch auch an die Kosten: Jedes Beispiel verbraucht Eingabetokens, und bei Mistral-Modellen werden Eingabetokens berechnet. Ein Klassifizierungsprompt, der zehntausend Mal am Tag aufgerufen wird, kostet mit acht redundanten Beispielen deutlich mehr als derselbe Prompt mit drei gut gewählten Beispielen, oft ohne Qualitätszuwachs. Finden Sie das richtige Gleichgewicht zwischen Präzision und Effizienz.

Gute Beispiele erstellen

Ein paar bewährte Praktiken zum Abschluss. Variieren Sie Ihre Beispiele, um verschiedene mögliche Fälle abzudecken, einschließlich Randfällen: Drei ausschließlich positive Beispiele lehren nichts über die Handhabung negativer Bewertungen. Halten Sie ein rigoros identisches Format von einem Beispiel zum nächsten bei – die geringste Variation in der Struktur wird als signifikant interpretiert und reproduziert. Nutzen Sie realistische Beispiele, die Ihrem echten Datenmaterial nahekommen: Ein Modell, das auf Ihren echten Kundenbewertungen trainiert wurde, klassifiziert Ihre echten Kundenbewertungen besser, als wenn es nur Lehrbuchphrasen gesehen hätte. Und platzieren Sie immer die eigentliche Anfrage zuletzt: Das Modell schenkt dem Anfang und dem Ende des Prompts mehr Aufmerksamkeit.

Kernaussagen

  • Few-Shot Prompting zeigt dem Modell durch Beispiele, was Sie erwarten
  • Nutzen Sie die Rollen user und assistant, um Beispiele in der Mistral-API zu erstellen
  • 1 bis 5 Beispiele reichen in den meisten Fällen aus
  • Variieren Sie die Beispiele, um verschiedene Szenarien abzudecken, und halten Sie das Format überall identisch
  • Few-Shot ist ideal für Klassifizierung, Extraktion und Schreiben mit einem spezifischen Format