Zero-Shot, Few-Shot, Chain-of-Thought: Leitfaden zur Auswahl der richtigen Prompt-Techniken

Die drei wichtigsten Prompting-Techniken verstehen

Bei der Interaktion mit Sprachmodellen ist die Art und Weise, wie eine Frage formuliert wird, genauso entscheidend wie die Frage selbst. Die drei wichtigsten Prompting-Ansätze – Zero-Shot, Few-Shot und Chain-of-Thought – stellen unterschiedliche Wege dar, KI-Modelle zu besseren Ergebnissen zu führen. Jede Technik hat ihre spezifischen Stärken, und die Wahl der richtigen hängt von der Komplexität der Aufgabe, den verfügbaren Beispielen und der erforderlichen Präzision ab.

Stellen Sie sich diese Techniken als verschiedene Trainingsstrategien vor. Zero-Shot ist, als würde man jemanden bitten, Tennis zu spielen, der es noch nie gesehen hat. Few-Shot ist, als würde man ihm zuerst ein paar Spiele zeigen. Chain-of-Thought ist, als würde man ihn bitten, seine Gedanken beim Spielen laut zu erklären. Zu verstehen, wann man welche Technik anwendet, verwandelt Prompts von zufällig zu strategisch und zuverlässig.

Zero-Shot Prompting: Schnell, direkt und überraschend leistungsstark

Zero-Shot Prompting bedeutet, das Modell aufzufordern, eine Aufgabe ohne Beispiele zu lösen. Sie geben einfach die Anweisungen und lassen das Modell die Arbeit machen. Es ist der schnellste Weg von der Frage zur Antwort.

Wann Zero-Shot verwenden:

• Für einfache, direkte Aufgaben (wie Klassifizierung, Zusammenfassung, grundlegende Fragen und Antworten)
• Wenn Sie schnelle Ergebnisse benötigen und keine Zeit haben, Beispiele vorzubereiten
• Wenn die Aufgabe sehr gängig ist und das Modell sie wahrscheinlich allein aus seinen Trainingsdaten versteht
• Wenn Sie die Machbarkeit einer Aufgabe testen möchten, bevor Sie in einen komplexeren Ansatz investieren

Beispiel: Inhaltsklassifizierung

Prompt: Klassifizieren Sie die folgende E-Mail als "Spam", "Werbung" oder "legitim":

"Hallo Sarah, nur zur Bestätigung unseres morgigen Meetings um 14 Uhr zur Überprüfung des Q4-Budgets. Ich freue mich darauf, die neuen Prognosen zu besprechen. -Michael"

Klassifizierung:

Da die E-Mail-Klassifizierung eine gängige Aufgabe ist, bewältigen moderne Sprachmodelle diese ohne Beispiele. Sie können eine zuverlässige und sofortige Antwort erwarten.

Praxisbeispiel: Ein Kundenserviceteam verwendet Zero-Shot Prompting, um eingehende Nachrichten an die entsprechende Abteilung (Support, Abrechnung, Produktfeedback) weiterzuleiten. Das Modell versteht diese Kategorien auf natürliche Weise und benötigt keine Beispiele.

Few-Shot Prompting: Beispiele hinzufügen für mehr Konsistenz

Few-Shot Prompting bedeutet, dass Sie einige gut gestaltete Beispiele bereitstellen, bevor Sie die eigentliche Frage stellen. Diese Beispiele zeigen dem Modell genau, was Sie suchen (Format, Ton, Argumentationsmuster, Detailgrad).

Wann Few-Shot verwenden:

• Für Aufgaben mit spezifischen benutzerdefinierten Anforderungen (ungewöhnliche Formate, Markenstimme, spezialisierte Domänen)
• Wenn Sie ein konsistentes Ausgabemuster bei mehreren Anfragen benötigen
• Wenn die Aufgabe etwas mehrdeutig ist und von einer Klärung durch Beispiele profitieren kann
• Wenn Zero-Shot-Versuche inkonsistente oder falsche Ergebnisse lieferten
• Wenn Sie 2-5 gute Beispiele leicht verfügbar haben

Beispiel: Kundenfeedback in umsetzbare Produktverbesserungsvorschläge umwandeln

Prompt: Wandeln Sie Kundenfeedback in umsetzbare Produktverbesserungsvorschläge um. Befolgen Sie dieses Format.

Beispiel 1:
Kundenfeedback: "Der Bezahlvorgang ist verwirrend. Ich musste 6 Seiten durchklicken und wusste immer noch nicht, welche Zahlungsmethoden akzeptiert wurden."
Verbesserungsvorschlag: Fügen Sie ein Informationsfeld für Zahlungsmethoden über dem Zahlungsfeld hinzu und optimieren Sie den Bezahlvorgang auf maximal 3 Schritte.

Beispiel 2:
Kundenfeedback: "Ihre App stürzt jedes Mal ab, wenn ich versuche, ein Foto aus meiner Galerie hochzuladen."
Verbesserungsvorschlag: Debuggen Sie das Foto-Upload-Modul für Android-Geräte und testen Sie es mit verschiedenen Dateigrößen und -formaten.

Wandeln Sie nun dieses Feedback um:
Kundenfeedback: "Die mobile App ist zu überladen. Ich kann den Button für den Bestellverlauf nicht finden."
Verbesserungsvorschlag:

Ohne diese Beispiele könnte das Modell generische Ratschläge wie “die App verbessern” geben. Durch die Bereitstellung der Beispiele lernt das Modell Ihr spezifisches Format, den Grad der Umsetzbarkeit und die technische Tiefe.

Praxisbeispiel: Ein SaaS-Unternehmen erhält Feature-Anfragen in Dutzenden von Formaten. Durch die Verwendung von Few-Shot Prompting mit 3-4 gut strukturierten Beispielen standardisiert das Unternehmen alle Anfragen in einem konsistenten Format, das das Produktteam bewerten kann.

Chain-of-Thought Prompting: Das Modell seine Argumentation erklären lassen

Chain-of-Thought (CoT) Prompting fordert das Modell auf, seinen Denkprozess zu zeigen. Das bedeutet, jeden Schritt seiner Argumentation zu erklären, bevor es zu einer Schlussfolgerung kommt. Diese Technik verbessert die Genauigkeit bei komplexen Aufgaben wie Mathematik, Logik und mehrstufigen Analysen erheblich.

Wann Chain-of-Thought verwenden:

• Für komplexe Denkaufgaben (Mathematik, Logikrätsel, Analysen, die mehrere Faktoren berücksichtigen)
• Wenn Sie den Denkprozess des Modells sehen müssen, nicht nur die Antwort
• Wenn Präzision wichtiger ist als Geschwindigkeit
• Wenn die Aufgabe die Berücksichtigung mehrerer Faktoren oder Schritte erfordert
• In Kombination mit Few-Shot: um Beispiele für Schritt-für-Schritt-Argumentationen zu zeigen

Beispiel: Ohne Chain-of-Thought

Prompt: Ein Restaurant hatte diese Woche 240 Kunden. 30 % bestellten Salate, 50 % Hauptgerichte und 20 % Desserts. Wie viele Kunden bestellten jeden Artikel?

Antwort: [Das Modell könnte falsche Summen angeben, die 240 überschreiten, oder das Überlappungsproblem nicht erkennen]

Beispiel: Mit Chain-of-Thought

Prompt: Ein Restaurant hatte diese Woche 240 Kunden. 30 % bestellten Salate, 50 % Hauptgerichte und 20 % Desserts. Wie viele Kunden bestellten jeden Artikel? Denken Sie Schritt für Schritt.

Analysieren wir das:
1. Zuerst muss ich jeden Prozentsatz von 240 Kunden berechnen
2. 30 % bestellten Salate: 0.30 × 240 =
3. 50 % bestellten Hauptgerichte: 0.50 × 240 =
4. 20 % bestellten Desserts: 0.20 × 240 =
5. Lassen Sie mich überprüfen: Diese Prozentsätze addieren sich zu 100 %, sodass jeder Kunde genau einen Artikel bestellt hat

Antwort:

Indem Sie explizit eine Schritt-für-Schritt-Argumentation anfordern, erhöhen Sie die Chancen auf eine präzisere mathematische und logische Analyse erheblich.

Praxisbeispiel: Ein Compliance-Beauftragter verwendet Chain-of-Thought Prompting, um zu analysieren, ob Kundenverträge den regulatorischen Anforderungen entsprechen. Das Modell muss erklären, welche Klauseln es geprüft und warum es jede Anforderung als konform oder nicht konform eingestuft hat. Diese Transparenz ist rechtlich entscheidend.

Techniken kombinieren: Few-Shot + Chain-of-Thought

Der leistungsstärkste Ansatz für anspruchsvolle Aufgaben ist die Kombination von Few-Shot und Chain-of-Thought. Geben Sie dem Modell Beispiele für eine Schritt-für-Schritt-Argumentation im gewünschten Format und bitten Sie es dann, denselben Denkansatz auf die eigentliche Frage anzuwenden.

Beispiel: Finanzrisikoanalyse

Prompt: Analysieren Sie das finanzielle Risiko dieser Geschäftsentscheidung. Zeigen Sie Ihre Argumentation Schritt für Schritt.

Beispiel:
Entscheidung: Ein Startup gibt 60 % der monatlichen Einnahmen für eine einzige Marketingkampagne aus.
Analyse:
Schritt 1: Identifizieren Sie die Risikofaktoren (Liquiditätsmarge, Betriebskosten, Umsatzschwankungen)
Schritt 2: Bewerten Sie die aktuelle Finanzlage (60 % der Ausgaben bedeuten, dass 40 % für den Betrieb übrig bleiben)
Schritt 3: Bewerten Sie das Worst-Case-Szenario (wenn die Kampagne fehlschlägt, können sie 3 Monate überleben?)
Schritt 4: Betrachten Sie Alternativen (kleinere Kampagnen, diversifizierte Kanäle)
Fazit: HOHE RISIKO. Begrenzte Liquidität und Abhängigkeit der Einnahmen vom Ergebnis einer einzigen Kampagne.

Analysieren Sie nun dies:
Entscheidung: Ein profitables SaaS-Unternehmen weist 20 % der vierteljährlichen Einnahmen für die Expansion in einen neuen Markt zu.
Analyse:

Diese Kombination funktioniert, weil die Beispiele das Format lehren und die Chain-of-Thought-Anforderung eine logische Argumentation gewährleistet.

Entscheidungsrahmen: Eine Kurzübersicht

Hier erfahren Sie, wie Sie schnell entscheiden können, welche Technik Sie verwenden sollten:

• Für einfache, allgemeine Wissensaufgaben: Zero-Shot. Beginnen Sie hier.
• Inkonsistente oder falsche Ergebnisse mit Zero-Shot: Wechseln Sie zu Few-Shot mit 2-3 Beispielen.
• Für mehrstufige oder analytische Aufgaben: Chain-of-Thought (mit oder ohne Beispiele).
• Für komplexe Aufgaben mit spezifischen Anforderungen: Eine Kombination aus Few-Shot + Chain-of-Thought.
• Wenn die Zeit kritisch ist: Zero-Shot. Akzeptieren Sie eine geringere Präzision im Austausch für Geschwindigkeit.

Häufige Fehler, die es zu vermeiden gilt

Geben Sie nicht zu viele Beispiele (die Leistung nimmt nach 5 ab). Verwenden Sie keine Beispiele von geringer Qualität, die Ihren Erwartungen widersprechen. Verwenden Sie Chain-of-Thought nicht für einfache Ja/Nein-Fragen; dies erhöht die Antwortzeit ohne Nutzen. Und gehen Sie nicht davon aus, dass eine einzige Technik universell für jeden Anwendungsfall funktioniert. Testen Sie jeden Ansatz mit realen Daten, bevor Sie ihn in einer Produktionsumgebung einsetzen.