Was ist Few Shot Prompting? Anwendung, Beispiele und die richtige Anzahl

Was ist Few Shot Prompting?

Few Shot Prompting ist eine Technik, bei der Sie einem KI Modell eine Aufgabe beschreiben und dabei einige gelöste Beispiele direkt in den Prompt einfügen. Das Modell erkennt das Muster aus Eingabe und Ausgabe und beantwortet dann eine neue Eingabe auf dieselbe Weise. Sie trainieren das Modell nicht neu; das Lernen passiert nur innerhalb dieses Prompts.

Ich arbeite seit 2012 an Projekten im Online Marketing, und in den letzten Jahren haben mein Team und ich KI fest in unseren Arbeitsalltag eingebaut. Die klarste Lektion lautet: Zwei oder drei gute Beispiele liefern meist deutlich einheitlichere Ergebnisse als lange Anweisungen. In diesem Artikel erkläre ich Few Shot Prompting deshalb nicht nur theoretisch, sondern zeige auch, wie wir es für Marketing und SEO nutzen.

Allerdings gehe ich hier nicht tief auf allgemeines Prompt Writing oder Chain of Thought ein. Mein Fokus bleibt bei einer Sache: einem Modell eine Aufgabe durch Beispiele beizubringen.

Woher stammt die Idee des Few Shot Prompting?

Breite Bekanntheit erlangte das Konzept durch das GPT 3 Paper von Brown und Kollegen aus dem Jahr 2020. Darin stellten Forschende von OpenAI das Modell GPT 3 vor und zeigten, dass es sich allein durch wenige Beispiele im Prompt an neue Aufgaben anpassen konnte, ganz ohne Änderung seiner Gewichte.

Zunächst vergleicht das Paper drei Varianten. Im Zero Shot Szenario sieht das Modell nur die Aufgabenbeschreibung. Danach fügen die Forschenden im One Shot Szenario ein einziges Beispiel hinzu. Schließlich ergänzen sie im Few Shot Szenario so viele Beispiele, wie in das Kontextfenster passen. Die Autoren nennen diese Fähigkeit In Context Learning.

Der praktische Wert dieser Erkenntnis ist also groß. Denn statt für jede neue Aufgabe ein eigenes Modell zu trainieren, lenken Sie dasselbe Modell mit den richtigen Beispielen auf unterschiedliche Aufgaben. Genau das tun Sie heute, wenn Sie mit ChatGPT, Gemini oder Claude arbeiten.

Eine weitere zentrale Erkenntnis: Die Fähigkeit wuchs mit der Modellgröße. Kleine Modelle profitierten kaum von Beispielen, große dagegen deutlich. Deshalb rückte die Methode im Zeitalter großer Sprachmodelle in den Vordergrund.

Worin unterscheiden sich Zero Shot, One Shot und Few Shot?

Auf den ersten Blick scheint der Unterschied nur in der Zahl der Beispiele zu liegen. In der Praxis hat allerdings jede Variante ihre eigenen Stärken. Konkret fasst die folgende Tabelle die Unterschiede zusammen.

Kurz gesagt: Zero Shot heißt, dem Modell zu sagen, was es tun soll. Few Shot heißt, ihm zu zeigen, wie es geht. Je spezifischer die Aufgabe für Ihr Unternehmen ist, desto mehr bringen Beispiele.

Wie funktioniert Few Shot Prompting?

In der Praxis liest das Modell die Beispiele im Prompt als Muster. Konkret leitet es daraus ab, welche Art von Eingabe kommt, wie lang und in welchem Format die Ausgabe sein soll und welche Labels gelten. Danach wendet es dasselbe Muster auf die letzte Eingabe an.

Zudem gibt es dazu eine interessante Studie. Eine Untersuchung von Min und Kollegen aus dem Jahr 2022 zeigte, dass zufällig vertauschte Labels in den Beispielen die Leistung bei mehreren Klassifizierungsaufgaben weit weniger senkten als erwartet. Laut den Forschenden treiben vor allem der Labelraum, die Verteilung der Eingabetexte und das Format den Effekt.

Ich würde daraus allerdings nicht schließen, dass korrekte Beispiele egal sind. Meine Lehre lautet anders: Das Modell übernimmt aus Beispielen vor allem Format und Themenfeld. Deshalb brauchen Ihre Beispiele ein einheitliches Format und ein Thema nahe an Ihrer echten Arbeit. Die inhaltliche Richtigkeit prüfen Sie trotzdem selbst.

Wann sollten Sie Few Shot Prompting einsetzen?

Zunächst braucht nicht jede Aufgabe Beispiele. Um eine einfache Frage zu beantworten oder einen allgemeinen Text zusammenzufassen, genügt Zero Shot meist. Few Shot Prompting macht vor allem in diesen Fällen einen Unterschied:

• Eigenes Ausgabeformat: eine Tabelle, JSON oder eine feste Überschriftenstruktur.
• Markenton: locker, seriös oder verspielt?
• Klassifizierung: zum Beispiel Bewertungen in positiv, negativ und neutral einteilen.
• Kurze Texte mit Grenzen: Anzeigentitel, Meta Descriptions, kurze Produkttexte.
• Stil, der sich schwer beschreiben lässt: zeigen statt "schreib wie wir" sagen.

Andererseits verlängern Beispiele den Prompt nur unnötig und erhöhen die Kosten, wenn das Modell die Aufgabe bereits gut löst. Testen Sie also zuerst Zero Shot und fügen Sie Beispiele hinzu, falls das Ergebnis nicht reicht.

Wie viele Beispiele sollten Sie geben?

Eine feste Zahl gibt es nicht, doch die offiziellen Leitfäden nennen eine Spanne. Die Claude Prompting Best Practices von Anthropic empfehlen 3 bis 5 Beispiele für die besten Ergebnisse. Die Seite zu Prompting Strategien für Gemini von Google rät, immer Beispiele einzubauen, warnt aber auch, dass zu viele Beispiele das Modell zu stark an diese binden können.

Meine eigene Faustregel ist einfach. Zunächst starte ich mit drei Beispielen. Schwankt die Ausgabe weiter, schaue ich auf die Art des Fehlers und ergänze ein Beispiel, das genau diesen Fehler adressiert. Sobald ich über fünf komme, merke ich meist, dass das Problem in der Qualität liegt, nicht in der Menge.

• Einfache Formataufgabe: 2 bis 3 Beispiele.
• Klassifizierung: mindestens ein Beispiel pro Klasse.
• Markenton: 3 bis 5 Beispiele zu verschiedenen Themen.

Fragen Sie sich vor jedem weiteren Beispiel, was das Modell falsch macht. Bricht das Format, vereinfachen Sie das Format der Beispiele. Driftet der Ton, wählen Sie charakteristischere Beispiele. Stimmt der Inhalt nicht, liegt das Problem meist in den Informationen, die Sie dem Modell geben. Somit vermeiden Sie einen unnötig aufgeblähten Prompt.

Wie wählen Sie gute Beispiele für Few Shot Prompting aus?

In der Praxis ist die Auswahl der Beispiele der wichtigste Schritt dieser Technik. Der Leitfaden von Anthropic nennt drei Eigenschaften. Erstens sollten Beispiele relevant sein, also Ihren echten Anwendungsfall widerspiegeln. Zweitens sollten sie vielfältig sein; sie decken Randfälle ab und unterscheiden sich so stark, dass das Modell keine ungewollten Muster übernimmt. Drittens brauchen sie eine klare Struktur, die sie von den Anweisungen trennt.

1. Echte Daten nutzen: Verwenden Sie erfolgreiche Arbeiten aus Ihrem Archiv statt erfundener Muster.
2. Vielfalt sichern: Stammen alle Beispiele aus einer Produktkategorie, tut sich das Modell bei anderen schwer.
3. Randfall ergänzen: eine sehr kurze Eingabe, fehlende Angaben oder eine ungewöhnliche Anfrage.
4. Qualität hochhalten: Das Modell kopiert auch die Fehler Ihrer Beispiele.
5. Länge passend wählen: Lange Beispiele führen zu langen Ausgaben.

Bei Überschriften können Sie Kandidaten vorab mit dem Headline Analyzer bewerten. So sieht das Modell nur starke Vorlagen.

Wie formatieren Sie Beispiele im Prompt?

Ein einheitliches Format ist der stille Held beim Few Shot Prompting. Der Leitfaden von Google betont, dass Beispiele dieselbe Struktur und Formatierung haben sollten, da sonst Antworten in ungewollten Formaten entstehen können. Anthropic schlägt zudem vor, jedes Beispiel in <example> Tags und mehrere Beispiele in <examples> Tags zu setzen.

In der Praxis nutze ich diese Vorlage:

• Beschreiben Sie zuerst die Aufgabe in ein bis zwei Sätzen.
• Danach listen Sie die Beispiele mit denselben Labels auf, etwa "Eingabe:" und "Ausgabe:".
• Verwenden Sie in jedem Beispiel dieselben Felder in derselben Reihenfolge.
• Setzen Sie am Ende die neue Eingabe mit demselben Label und lassen Sie die Zeile "Ausgabe:" leer.

Diese Struktur zeigt dem Modell klar, wo die Beispiele enden und seine eigene Antwort beginnt. Außerdem erkennt eine Kollegin, die den Prompt später liest, sofort, was Anweisung und was Beispiel ist.

Beeinflusst die Reihenfolge der Beispiele das Ergebnis?

Ja, das kann sie. Die Studie "Calibrate Before Use" von Zhao und Kollegen zeigte, dass die Leistung stark schwanken kann, je nachdem welche Beispiele Sie wählen und in welcher Reihenfolge Sie sie anordnen. Die Forschenden beschrieben drei Verzerrungen.

• Mehrheitsverzerrung: Das Modell bevorzugt das Label, das in den Beispielen am häufigsten vorkommt.
• Rezenzverzerrung: Das Modell wiederholt gern das Label des letzten Beispiels.
• Verzerrung durch häufige Wörter: Das Modell wählt eher Labels, die in seinen Trainingsdaten oft vorkommen.

Die Forschenden arbeiteten mit älteren Modellen, und aktuelle Modelle verhalten sich ausgewogener. Trotzdem bleibt die Lehre gültig. Geben Sie bei Klassifizierungen pro Klasse gleich viele Beispiele und mischen Sie die Reihenfolge, statt sie nach Klassen zu gruppieren. So senken Sie die Neigung, das letzte Beispiel zu kopieren.

Wie bauen Sie ein Beispiel für Few Shot Prompting im Marketing auf?

Ein konkreter Fall macht es daher anschaulich. Nehmen wir an, wir brauchen kurze Produktbeschreibungen für einen E-Commerce Kunden. Mit einem Zero Shot Prompt schreibt das Modell allgemeine, blumige Texte, die alle gleich klingen. Mit einem Few Shot Prompt geben wir dagegen drei echte Beschreibungen der Marke als Beispiele.

1. Aufgabe: "Schreibe eine Produktbeschreibung mit höchstens 40 Wörtern im folgenden Format. Vermeide übertriebene Adjektive."
2. Beispiel 1: Produktname und Merkmale, danach die veröffentlichte Beschreibung der Marke.
3. Beispiel 2: ein Produkt aus einer anderen Kategorie, im selben Format.
4. Beispiel 3: ein schwieriges Produkt mit wenigen Merkmalen, im selben Format.
5. Neue Eingabe: Name und Merkmale des Zielprodukts, die Ausgabezeile bleibt leer.

Auch hier zählt die Reihenfolge. Das schwierige Produkt setzen wir nicht ans Ende, denn das Modell ahmt das letzte Beispiel sonst zu stark nach. Zudem enthält jede Eingabe dieselben Felder: Produktname, Material, Einsatzbereich und Hauptmerkmal.

So übernimmt das Modell Satzlänge, Adjektive und Reihenfolge der Informationen aus den Beispielen. Folglich überarbeitet das Team Texte nur noch, statt sie neu zu schreiben. Dennoch prüfen wir Produktfakten vor jeder Veröffentlichung; das Modell lernt aus Beispielen das Format, nicht die Wahrheit.

Wie nutzen Sie Few Shot Prompting für SEO Aufgaben?

SEO umfasst viele wiederkehrende Aufgaben mit klarem Format. Deshalb arbeitet Few Shot Prompting hier besonders effizient. Vor allem diese Bereiche nutzt mein Team:

• Entwürfe für Meta Descriptions: Beispiele, die das Zeichenlimit einhalten und das Fokus Keyword natürlich einsetzen. Die Entwürfe prüfen wir in der Google SERP Vorschau.
• Suchintention klassifizieren: je ein Beispiel für informationale, kommerzielle, transaktionale und navigationale Suchen. Fragen rund um ein Thema sammeln wir vorab mit dem W Fragen Tool.
• FAQ Entwürfe: Wir zeigen Frage und Antwort mit 40 bis 70 Wörtern.
• Schema Markup: Wir zeigen das JSON LD Format, lassen einen Entwurf erstellen und prüfen ihn mit dem Schema Generator.

Wie KI Suche SEO verändert, beschreibe ich im Artikel Ist SEO tot? SEO und GEO gemeinsam steuern.

Funktioniert die Few Shot Methode für Anzeigentexte?

Ja, vor allem bei Anzeigenformaten mit Zeichenlimits. In responsiven Suchanzeigen von Google Ads müssen Titel und Beschreibungen in engen Grenzen bleiben. Mit einem Zero Shot Prompt überschreitet das Modell diese Grenzen oft oder wiederholt immer dasselbe Muster.

Im Few Shot Prompt geben wir dagegen Titel als Beispiele, die in der Vergangenheit gut liefen. Neben jedem Beispiel notieren wir die Art der Botschaft: Nutzen, Preis, Vertrauen oder Dringlichkeit. So lernt das Modell Länge und Vielfalt der Botschaften aus den Beispielen.

Eine Warnung allerdings: Varianten des Modells gelten erst dann als gut, wenn ein Test es belegt. Bei der Google Ads Verwaltung prüfen mein Team und ich diese Entwürfe menschlich, gleichen sie mit den Anzeigenrichtlinien ab und testen sie danach mit echten Daten.

Wie halten Sie mit Few Shot Beispielen die Markenstimme in Social Media?

Zunächst lässt sich eine Markenstimme schwer beschreiben. Formulierungen wie "freundlich, aber professionell" versteht jedes Modell und jeder Mensch anders. Few Shot Prompting bietet daher die praktischste Lösung, denn Sie zeigen echte Beiträge, statt sie zu beschreiben.

Konkret wählen wir die fünf Beiträge der Marke mit der höchsten Interaktion. Dabei achten wir auf verschiedene Themen, etwa Kampagne, Tipp, Team und Kundengeschichte. Danach geben wir das neue Thema im selben Format vor. Das Modell übernimmt Satzlänge, Emojis und Anrede aus den Beispielen.

Für erste Ideen bei kurzen Texten eignet sich der Generator für Insta Bio Sprüche auf dieser Website. Brauchen Sie einen regelmäßigen Content Fluss, richten wir diesen Prozess in unserer Social Media Betreuung von Anfang bis Ende ein.

Welche Fehler passieren beim Few Shot Prompting am häufigsten?

Wenn ich die Prompts von Teams prüfe, sehe ich immer wieder dieselben Fehler. Die meisten lassen sich allerdings mit kleinen Änderungen beheben.

• Fast identische Beispiele: Das Modell wiederholt ein einziges Muster, und jede Ausgabe beginnt gleich.
• Uneinheitliches Format: Aufzählung im einen, Fließtext im anderen Beispiel verunsichert das Modell.
• Fehlerhafte Beispiele: Tippfehler oder falsche Fakten wandern in die Ausgabe.
• Unausgewogene Klassen: Vier positive und ein negatives Beispiel ziehen das Modell ins Positive.
• Vermischte Anweisungen und Beispiele: Ohne Labels hält das Modell ein Beispiel womöglich für eine Anweisung.
• Private Daten: Echte Kundennamen und Kontaktdaten in Beispielen schaffen Risiken nach der DSGVO.

Am einfachsten finden Sie diese Fehler, indem Sie den Prompt einer Kollegin zeigen. Erkennt sie nicht sofort, was Anweisung und was Beispiel ist, hat das Modell vermutlich dasselbe Problem. Wiederholt sich zudem ein Muster in den Ausgaben, liegt die Ursache meist in den Beispielen.

Der letzte Punkt verdient besondere Aufmerksamkeit. Wählen Sie Beispiele aus echter Arbeit, aber anonymisieren Sie personenbezogene Daten immer.

Was unterscheidet Few Shot Prompting vom Fine Tuning?

Zwar bringen beide Methoden einem Modell etwas durch Beispiele bei, doch sie arbeiten völlig unterschiedlich. Beim Few Shot Prompting reisen die Beispiele in jedem Prompt mit, und das Modell ändert sich nicht dauerhaft. Beim Fine Tuning trainieren Sie das Modell selbst mit Hunderten oder Tausenden Beispielen weiter.

• Tempo: Few Shot wirkt sofort; Fine Tuning braucht Datenaufbereitung und Trainingszeit.
• Kosten: Few Shot verbraucht pro Anfrage mehr Tokens; Fine Tuning verlangt eine Anfangsinvestition.
• Flexibilität: Few Shot Beispiele tauschen Sie in Minuten aus.
• Skalierung: Für eine sehr spezielle Aufgabe, die täglich tausendfach läuft, kann Fine Tuning sinnvoll sein.

Auch der Pflegeaufwand unterscheidet sich. Ändert sich Ihre Markensprache, müssen Sie ein feinjustiertes Modell neu trainieren; beim Few Shot Prompt tauschen Sie nur die Beispiele. Zudem funktioniert Fine Tuning nur mit Modellen, für die der Anbieter es anbietet.

Für die meisten Marketingteams reicht Few Shot Prompting und bleibt viel praktischer. Ziehen Sie Fine Tuning erst in Betracht, wenn Sie wirklich an die Grenzen stoßen.

Lässt sich Few Shot mit Chain of Thought kombinieren?

Ja, das geht. Zeigen Ihre Beispiele nicht nur das Ergebnis, sondern auch eine kurze Begründung, folgt das Modell einem ähnlichen Denkweg. Das hilft vor allem bei Klassifizierungen, die ein Urteil verlangen.

Zum Beispiel können Sie beim Einordnen der Suchintention jedem Beispiel eine Zeile "Begründung" hinzufügen: "Das Keyword enthält einen Preis, die Person steht kurz vor dem Kauf, also kommerziell." Bei einem neuen Keyword schreibt das Modell dann zuerst die Begründung und danach das Label.

Chain of Thought ist allerdings ein eigenes, breites Thema und verdient einen separaten Artikel. Hier betone ich nur einen Punkt: Begründungen verlängern den Prompt. Nutzen Sie diese Kombination deshalb nur für Aufgaben, die wirklich Denkarbeit erfordern und bei denen einfache Beispiele nicht reichen.

Wie testen und messen Sie Ihre Few Shot Prompts?

Einen guten Prompt erkennen Sie also an Messwerten, nicht am Bauchgefühl. Daher empfehle ich, Few Shot Prompts mit einem kleinen Testset zu prüfen. Der Ablauf bleibt einfach.

1. Wählen Sie 10 bis 20 echte Eingaben, die Sie nicht als Beispiele verwendet haben.
2. Notieren Sie Ihre Kriterien für eine gute Ausgabe: Länge, Format, Ton, Richtigkeit.
3. Lassen Sie zuerst einen Zero Shot Prompt laufen, danach den Few Shot Prompt.
4. Bewerten Sie die Ausgaben nach den Kriterien; idealerweise bewerten zwei Personen getrennt.
5. Notieren Sie die Fehlerarten und ergänzen Sie Beispiele, die genau diese Fehler adressieren.
6. Wiederholen Sie den Test, sobald sich die Modellversion ändert.

Allerdings lassen viele Teams den letzten Schritt aus. Dabei können Modellupdates das Verhalten eines Prompts ändern, der gestern noch perfekt lief. Wenn Sie Ihr Testset aufbewahren, bemerken Sie diese Änderung innerhalb von Minuten.

Liefert Few Shot Prompting bei jedem Modell dasselbe Ergebnis?

Nein, denn Modelle unterscheiden sich in Trainingsdaten, Größe und Trainingsmethode. Folglich kann derselbe Few Shot Prompt bei ChatGPT, Gemini und Claude unterschiedliche Ergebnisse liefern. Aktuelle Modelle folgen Anweisungen zudem besser als ältere und brauchen bei manchen Aufgaben weniger Beispiele.

Mein praktischer Rat: Lesen Sie den offiziellen Leitfaden des Modells, das Sie nutzen wollen. Die Leitfäden von Anthropic, Google und OpenAI behandeln alle den Einsatz von Beispielen, unterscheiden sich aber leicht bei Tag Format und Anzahl. Wenn Sie verstehen möchten, wie diese Modelle arbeiten, lesen Sie meinen Artikel über große Sprachmodelle (LLM).

Außerdem gilt: Wenn Sie einen Prompt auf ein anderes Modell übertragen, lassen Sie Ihr Testset erneut laufen. Eine Beispielreihe, die bei einem Modell perfekt funktioniert, wirkt beim anderen womöglich zu lang oder zu dünn.

Gibt es eine fertige Vorlage für Few Shot Prompting?

Sie müssen sie für jede Aufgabe anpassen, doch das folgende Gerüst bietet für die meisten Marketingaufgaben einen guten Start. Füllen Sie die Klammern mit Ihren Inhalten.

1. Rolle und Aufgabe: "Du bist eine Redakteurin, die [Aufgabe] für [Marke] schreibt."
2. Regeln: Längengrenze, verbotene Formulierungen, Pflichtelemente.
3. Beispielblock: 3 bis 5 Beispiele mit den Labels "Eingabe:" und "Ausgabe:", innerhalb eines <examples> Tags.
4. Neue Eingabe: mit demselben Label "Eingabe:".
5. Platz für die Ausgabe: eine leere Zeile "Ausgabe:".

Ich empfehle, diese Vorlage in einem gemeinsamen Teamdokument abzulegen. So nutzen alle dieselbe Struktur, gute Beispielsätze gehen nicht verloren und neue Kolleginnen und Kollegen finden sich schnell zurecht.

Wann stößt Few Shot Prompting an seine Grenzen?

Few Shot Prompting ist eine starke Technik; allerdings löst sie nicht jedes Problem. In drei Situationen erreichen Sie schnell ihre Grenzen.

• Fehlendes Wissen: Kennt das Modell ein Thema nicht, geben ihm Beispiele dieses Wissen nicht. Für aktuelle Preise, Vorschriften oder Lagerbestände müssen Sie die Quelle direkt mitgeben.
• Mehrstufiges Denken: Bei Rechenaufgaben oder Logikketten reichen Beispiele, die nur das Ergebnis zeigen, oft nicht aus.
• Sehr lange Ausgaben: Bei langen Berichten oder Artikeln blähen Beispiele den Prompt zu stark auf.

In diesen Fällen hilft meist nicht ein weiteres Beispiel. Stattdessen können Sie das passende Dokument einfügen, die Aufgabe in kleine Schritte zerlegen oder für jeden Schritt einen eigenen Prompt schreiben.

Meine eigene Regel: Sehe ich nach zwei Runden mit neuen Beispielen immer noch denselben Fehler, liegt das Problem im Aufgabendesign, nicht in den Beispielen. Dann definiere ich die Aufgabe neu. Das spart deutlich mehr Zeit als stundenlanges Austauschen von Beispielen.

Sollten Sie auch negative Beispiele geben?

Manche Teams ergänzen ihre Prompts um schlechte Beispiele mit dem Hinweis "so bitte nicht". Mit Vorsicht eingesetzt, kann das helfen; allerdings birgt es auch Risiken. Das Modell neigt dazu, jeden Text im Prompt als Muster zu behandeln. Folglich können Wörter und Aufbau eines schlechten Beispiels unbemerkt in die Ausgabe gelangen.

Nach meiner Erfahrung ist dieser Weg sicherer: Verbote als Regeln formulieren und in Beispielen nur das richtige Verhalten zeigen. Wenn Sie etwa die Regel "keine übertriebenen Adjektive" aufstellen und alle Beispiele frei davon halten, erhalten Sie einheitlichere Ergebnisse.

1. Starten Sie nur mit positiven Beispielen.
2. Bleibt ein bestimmter Fehler, formulieren Sie ihn klar als Regel.
3. Bleibt er dann noch immer, fügen Sie das negative Beispiel mit einem klaren Label wie "Falsches Beispiel:" hinzu.
4. Zeigen Sie direkt danach die korrigierte Fassung.

Diese Reihenfolge lenkt den Fokus darauf, wie richtig aussieht, statt darauf, wie falsch aussieht.

Wie bauen Sie eine Beispielbibliothek für Ihr Team auf?

Vor allem gute Beispiele sind das wertvollste KI Kapital eines Teams. Trotzdem verschwinden sie in den meisten Teams in privaten Chatverläufen. Deshalb empfehle ich eine gemeinsame Beispielbibliothek.

• Nach Aufgaben ordnen: Produktbeschreibungen, Anzeigentitel, FAQ, Meta Descriptions und so weiter.
• Quelle notieren: Aus welcher Kampagne stammt das Beispiel, und wie hat es abgeschnitten?
• Datum ergänzen: Sortieren Sie alte Beispiele aus, wenn sich Ihre Markensprache ändert.
• Personenbezogene Daten entfernen: Nur anonyme Beispiele gehören in die Bibliothek.
• Verantwortung festlegen: Eine Person hält die Bibliothek aktuell.

Schließlich wird diese Bibliothek mit der Zeit zum schriftlichen Gedächtnis Ihrer Marke. Neue Teammitglieder sehen zuerst, wie gute Beispiele aussehen, bevor sie Prompts schreiben. Außerdem klingen Inhalte verschiedener Personen dann im selben Ton.

Wie halten Sie Kosten und Länge von Few Shot Prompts im Gleichgewicht?

Zunächst verlängert jedes Beispiel die Anfrage und erhöht damit den Tokenverbrauch. Bei einmaligen Aufgaben fällt das kaum ins Gewicht. Wenn Sie denselben Prompt aber täglich hundertfach über eine API ausführen, sehen Sie die Zahl der Beispiele direkt auf der Rechnung.

Für die Balance nutze ich einige praktische Methoden. Zunächst kürze ich die Beispiele und streiche jeden Satz, den die Aufgabe nicht braucht. Danach messe ich mit dem Testset, wie viele Beispiele wirklich einen Unterschied machen. Oft bringt das fünfte Beispiel gegenüber dem dritten keinen messbaren Gewinn.

• Befreien Sie Beispiele von unnötigen Erklärungen.
• Halten Sie den festen Teil des Prompts bei allen Aufrufen identisch; manche Anbieter bieten Caching für wiederholte Prompt Teile an, Details finden Sie in der Dokumentation Ihres Anbieters.
• Leiten Sie einfache Aufgaben an kleinere, günstigere Modelle weiter.

Kurz gesagt: Ziel ist nicht die größte Zahl an Beispielen, sondern die kleinste Zahl, die die gewünschte Qualität erreicht.

Wo sollten Sie mit Few Shot Prompting anfangen?

Am besten lernen Sie mit einem Test aus Ihrer eigenen Arbeit. Wählen Sie eine kurze Schreibaufgabe, die Sie jede Woche Zeit kostet. Testen Sie zuerst Zero Shot, fügen Sie danach drei gute Beispiele aus Ihrem Archiv hinzu und vergleichen Sie. Dieses kleine Experiment lehrt mehr als Dutzende Artikel.

Danach lesen Sie die offizielle Dokumentation. Die Leitfäden von Anthropic und Google, die ich hier verlinkt habe, sind kurz und praxisnah. Anschließend bauen Sie Ihr Testset auf, damit Sie Ihre Prompts mit der Zeit verbessern.

Wenn Sie überlegen, wie KI in Ihre gesamte Marketingstrategie passt, behandeln mein Team und ich in unserer SEO Beratung sowohl die Content Produktion als auch die Sichtbarkeit in der KI Suche. Zusammengefasst gehört Few Shot Prompting zu den Techniken, die mit geringstem Aufwand den schnellsten Qualitätsgewinn bringen. Die richtigen Beispiele auszuwählen, hängt allerdings ganz von Ihrer Expertise ab.