Zero-Shot- und Few-Shot-Prompting

Bei LLMs besteht Ihre wichtigste Steuerungsmöglichkeit in den Wörtern, die Sie senden. Die Kunst, diese Wörter gezielt zu gestalten, nennt man Prompting. ✍️

Beim Zero-Shot-Prompting beschreiben Sie die Aufgabe einfach mit eigenen Worten, ohne Beispiele, und verlassen sich darauf, dass das Modell sie selbst versteht.

Zero-Shot eignet sich hervorragend für gängige Aufgaben, die das Modell häufig gesehen hat, etwa das Zusammenfassen eines Absatzes oder das Beantworten einer einfachen Frage.

Bei ungewöhnlichen Aufgaben helfen Beispiele. Wenn Sie dem Modell Beispiel-Eingaben und -Ausgaben geben, nennt man das Few-Shot-Prompting.

Sie führen einige ausgearbeitete Beispiele auf und lassen die letzte Eingabe leer, damit das Modell dasselbe Muster fortsetzt.

Few-Shot vermittelt nicht nur die Aufgabe, sondern legt auch das Ausgabe-Format fest. So antwortet das Modell genau in der Form, die Sie vorgegeben haben.

Wählen Sie Beispiele, die korrekt, vielfältig und eindeutig sind. Ungenaue oder voreingenommene Beispiele bringen dem Modell unbemerkt das falsche Muster bei.

Jedes Beispiel beansprucht einen Teil des Kontextfensters und verursacht zusätzliche Kosten. Verwenden Sie daher so wenige Beispiele wie möglich, mit denen die Aufgabe zuverlässig gelingt.

Vage Prompts führen zu vagen Antworten. Legen Sie die Rolle, die Aufgabe, das Format und alle wichtigen Einschränkungen genau fest.

Bitten Sie das Modell bei schwierigen Schlussfolgerungen, die Aufgabe Schritt für Schritt zu lösen. Dieser Hinweis auf Chain-of-Thought verbessert häufig die endgültige Antwort.

Prompting ist empirisch. Probieren Sie eine Version aus, prüfen Sie die Ausgaben und verfeinern Sie anschließend die Formulierung, bis die Ergebnisse konsistent sind.

Beginnen Sie bei gängigen Aufgaben mit Zero-Shot. Fügen Sie einige klare Beispiele hinzu, wenn Sie ein bestimmtes Muster oder Format benötigen, und iterieren Sie anschließend. ✅