Zero-Shot- und Few-Shot-Prompting
Entdecken Sie, wie Sie Antworten ohne Beispiele (Zero-Shot) oder durch die Vorgabe einiger anschaulicher Beispiele (Few-Shot) hervorlocken.
Zero-Shot- und Few-Shot-Prompting ist eine kostenlose AI Prompt Engineering-Lektion auf CoddyKit. Dies ist Lektion 2 von 3. Du kannst die komplette Lektion unten kostenlos lesen – dann übst du sie direkt im Browser mit einem integrierten Code-Editor und einem KI-Tutor rund um die Uhr. Sie ist Teil des AI Prompt Engineering-Lernpfads, und dein Fortschritt wird über Web und CoddyKit-App synchronisiert. Der AI Prompt Engineering-Kurs umfasst insgesamt 3 Lektionen.
Einführung in Zero-Shot und Few-Shot
Willkommen zu dieser Lektion über Zero-Shot- und Few-Shot-Prompting! Dabei handelt es sich um grundlegende Techniken, mit denen Sie Large Language Models (LLMs) zur Ausführung von Aufgaben anleiten können.
Wenn Sie diese Techniken verstehen, erhalten Sie bessere und präzisere Ergebnisse von KI.
Zero-Shot verstehen
Zero-Shot-Prompting bedeutet, einem LLM eine Aufgabe zu geben, ohne Beispiele dafür bereitzustellen, wie sie ausgeführt werden soll.
- Sie verlassen sich ausschließlich auf das vortrainierte Wissen des LLMs.
- Der Prompt enthält nur Anweisungen und die Eingabedaten.
- Diese Technik eignet sich für einfache, häufig vorkommende Aufgaben, die das LLM wahrscheinlich während des Trainings kennengelernt hat.
Zero-Shot in Aktion: Klassifizieren
Hier ist ein Zero-Shot-Beispiel. Wir bitten das LLM, die Stimmung eines Textes zu klassifizieren, ohne ihm vorherige Klassifizierungen von Textstimmungen zu zeigen.
Führen Sie dieses Beispiel aus:
def call_llm_api(prompt):
# In a real scenario, this would call an LLM API.
# For this example, we simulate a response.
if "sentiment" in prompt.lower():
return "Sentiment: Positive"
return "LLM Response: Could not process."
# Our zero-shot prompt
zero_shot_prompt = "Classify the sentiment of 'The movie was fantastic!'"
print(f"Prompt: {zero_shot_prompt}")
print(f"LLM Output: {call_llm_api(zero_shot_prompt)}")Zero-Shot: Informationen extrahieren
Zero-Shot-Prompting eignet sich auch hervorragend, um bestimmte Informationen aus Texten zu extrahieren.
Wir teilen dem LLM lediglich mit, wonach es suchen soll, und es nutzt sein allgemeines Wissen, um die gesuchten Informationen zu finden.
def call_llm_api(prompt):
if "name and age" in prompt.lower():
return "Name: Alice, Age: 30"
return "LLM Response: Information not found."
# Another zero-shot prompt example
zero_shot_prompt = "Extract the name and age from 'My name is Alice and I am 30 years old.'"
print(f"Prompt: {zero_shot_prompt}")
print(f"LLM Output: {call_llm_api(zero_shot_prompt)}")Grenzen von Zero-Shot
Zero-Shot-Prompting ist zwar leistungsfähig, hat aber einige Einschränkungen:
- Mehrdeutigkeit: Aufgaben mit großem Interpretationsspielraum können zu uneinheitlichen Ergebnissen führen.
- Neuartigkeit: Wenn eine Aufgabe oder ein Konzept sehr neu oder besonders spezialisiert ist, kann das LLM ohne Beispiele Schwierigkeiten haben.
- Komplexität: Bei mehrstufigen Schlussfolgerungen oder einer sehr spezifischen Formatierung reichen bloße Anweisungen möglicherweise nicht aus.
Einführung in Few-Shot-Prompting
Few-Shot-Prompting begegnet den Einschränkungen von Zero-Shot, indem einige Input-Output-Beispiele direkt in den Prompt aufgenommen werden.
- Diese Beispiele zeigen dem LLM die gewünschte Aufgabe, den gewünschten Stil oder das gewünschte Format.
- Es ist, als würden Sie einer lernenden Person einige gelöste Aufgaben zeigen, bevor Sie sie bitten, eine neue Aufgabe zu lösen.
- Diese Technik verbessert die Leistung bei komplexen oder mehrdeutigen Aufgaben erheblich.
Few-Shot in Aktion: Umformulieren
Hier stellen wir ein Beispiel dafür bereit, wie ein Satz ins Aktiv umformuliert wird. Dadurch versteht das LLM, welche konkrete Umwandlung wir wünschen.
Beobachten Sie, wie das Beispiel die Aufgabe verdeutlicht:
def call_llm_api(prompt):
if "active voice" in prompt.lower() and "ball was thrown" in prompt.lower():
return "Output: The boy threw the ball."
return "LLM Response: Could not rephrase."
# Our few-shot prompt with one example
few_shot_prompt = """Rephrase into active voice:
Input: The mouse was chased by the cat.
Output: The cat chased the mouse.
Rephrase into active voice:
Input: The ball was thrown by the boy."""
print(f"Prompt: {few_shot_prompt}")
print(f"LLM Output: {call_llm_api(few_shot_prompt)}")Few-Shot: Codegenerierung
Few-Shot-Prompting ist äußerst nützlich, um Code zu generieren oder bestimmte Ausgabeformate einzuhalten.
Indem Sie ein Beispiel für den gewünschten Code zeigen, etwa eine Funktionssignatur und ihren Funktionskörper, kann das LLM diese Struktur besser nachbilden.
def call_llm_api(prompt):
if "function to add" in prompt.lower():
return "def add(a, b):\n return a + b"
return "LLM Response: Code not generated."
# Few-shot prompt for code generation
few_shot_prompt = """Generate a Python function:
Example 1:
Input: Function to multiply two numbers.
Output:
def multiply(a, b):
return a * b
Example 2:
Input: Function to add two numbers."""
print(f"Prompt: {few_shot_prompt}")
print(f"LLM Output:\n{call_llm_api(few_shot_prompt)}")Die richtige Technik auswählen
Wie entscheiden Sie zwischen Zero-Shot und Few-Shot?
- Zero-Shot: Am besten geeignet für einfache, gut verstandene Aufgaben, bei denen das allgemeine Wissen des LLMs ausreicht. Diese Methode ist kompakt und spart Tokens.
- Few-Shot: Ideal für komplexe, nuancierte oder benutzerdefinierte Aufgaben, die bestimmte Formate oder Stile erfordern. Die Methode bietet wichtige Orientierung und verbessert die Genauigkeit, benötigt aber mehr Tokens.
Zero-Shot/Few-Shot-Check
Welche Prompting-Technik eignet sich im Allgemeinen besser für einfache, klar definierte Aufgaben, für die keine spezifischen Beispiele erforderlich sind?
Zusammenfassung: Die Stärke des Promptings
Sie haben zwei grundlegende Prompting-Techniken kennengelernt:
- Zero-Shot-Prompting verwendet nur Anweisungen und nutzt das umfangreiche Wissen des LLMs für einfache Aufgaben.
- Few-Shot-Prompting ergänzt den Prompt um Beispiele und bietet dadurch wichtige Orientierung für komplexere, nuanciertere oder benutzerdefinierte Ausgaben.
Wenn Sie diese Techniken beherrschen, können Sie effektiver mit LLMs interagieren und die gewünschten Ergebnisse erzielen!
Häufig gestellte Fragen
Ist die Lektion „Zero-Shot- und Few-Shot-Prompting“ kostenlos?
Ja — der vollständige Text von „Zero-Shot- und Few-Shot-Prompting“ ist hier im Web kostenlos zu lesen. Um sie interaktiv zu üben (integrierter Code-Editor und 24/7 KI-Tutor) und den Rest des AI Prompt Engineering-Kurses freizuschalten, upgrade auf CoddyKit PRO. Der AI Prompt Engineering-Kurs umfasst insgesamt 3 Lektionen.
Was lerne ich in „Zero-Shot- und Few-Shot-Prompting“?
Entdecken Sie, wie Sie Antworten ohne Beispiele (Zero-Shot) oder durch die Vorgabe einiger anschaulicher Beispiele (Few-Shot) hervorlocken. Du übst AI Prompt Engineering mit praktischem Code, den du direkt im Browser ausführst, und ein 24/7 KI-Tutor beantwortet deine Fragen während du die Lektion bearbeitest.
Brauche ich Erfahrung, um AI Prompt Engineering zu starten?
Keine Vorkenntnisse erforderlich. AI Prompt Engineering auf CoddyKit ist für Anfänger bis fortgeschrittene Lernende strukturiert, sodass du hier starten oder von Anfang an beginnen und in deinem eigenen Tempo voranschreiten kannst. Dies ist Lektion 2 von 3.
Wie lange dauert die Lektion „Zero-Shot- und Few-Shot-Prompting“?
Die meisten CoddyKit-Lektionen dauern etwa 5–10 Minuten. Jede ist kompakt und interaktiv, sodass du stetig Fortschritte machst und genau dort weitermachst, wo du aufgehört hast – im Web und in der App.
Kann ich in dieser AI Prompt Engineering-Lektion Code schreiben und ausführen?
Ja. Jede AI Prompt Engineering-Lektion enthält einen integrierten Code-Editor, sodass du echten Code direkt in deinem Browser schreibst und ausführst und sofort KI-Feedback erhältst — ohne lokale Einrichtung erforderlich.
Alle Lektionen in diesem Kurs
- Fähigkeiten von LLMs verstehen
- Zero-Shot- und Few-Shot-Prompting
- Rollenspiel- und Persona-Prompts