Zero-Shot, Few-Shot, Chain-of-Thought: Der Guide zur Wahl der besten Prompt-Technik

Die 3 wichtigsten Prompt-Techniken verstehen

Beim Interagieren mit Sprachmodellen ist die Art und Weise, wie Sie fragen, genauso wichtig wie die Frage selbst. Die drei wichtigsten Prompt-Ansätze – Zero-Shot, Few-Shot und Chain-of-Thought – bieten unterschiedliche Wege, um KI-Modelle zu besseren Ergebnissen zu führen. Jede Technik hat spezifische Stärken, und die Wahl der richtigen hängt von der Komplexität der Aufgabe, den verfügbaren Beispielen und der erforderlichen Genauigkeit ab.

Stellen Sie sich diese Techniken als unterschiedliche 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 während des Spiels laut zu erklären. Das Verständnis, wann jede Technik anzuwenden ist, verwandelt Ihr Prompting von zufällig zu strategisch und zuverlässig.

Zero-Shot Prompting: Schnell, direkt und überraschend leistungsstark

Zero-Shot Prompting bedeutet, das Modell zu bitten, eine Aufgabe ohne Beispiele zu lösen. Sie geben einfach eine Anweisung, und das Modell erledigt die Arbeit. Es ist der schnellste Weg, von einer Frage zur Antwort zu gelangen.

Wann Zero-Shot verwenden:

• Für einfache, direkte Aufgaben (z. B. Klassifizierung, Zusammenfassung, grundlegende Q&A)
• Wenn schnelle Ergebnisse benötigt werden und keine Zeit für die Vorbereitung von Beispielen ist
• Wenn die Aufgabe sehr allgemein ist und das Modell sie wahrscheinlich nur anhand seiner Trainingsdaten versteht
• Um die Machbarkeit einer Aufgabe zu testen, bevor in komplexere Ansätze investiert wird

Beispiel: Inhaltsklassifizierung

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

"Hallo Sarah, nur eine kurze Bestätigung für unser Q4-Budget-Review-Meeting morgen um 14 Uhr. Ich freue mich darauf, die neuen Prognosen zu besprechen. - Michael"

Klassifizierung:

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

Praxisbeispiel: Ein Kundenserviceteam verwendet Zero-Shot Prompting, um eingehende Nachrichten an die richtige Abteilung (Support, Abrechnung, Produktfeedback) weiterzuleiten. Das Modell versteht diese Kategorien nativ, sodass keine Beispiele erforderlich sind.

Few-Shot Prompting: Beispiele hinzufügen für mehr Konsistenz

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

Wann Few-Shot verwenden:

• Für Aufgaben mit spezifischen benutzerdefinierten Anforderungen (ungewöhnliche Formate, Markenstimme, Fachgebiete)
• Wenn ein konsistentes Ausgabemuster über mehrere Anfragen hinweg erforderlich ist
• Wenn die Aufgabe etwas mehrdeutig ist und Beispiele zur Klärung beitragen können
• Wenn Zero-Shot-Versuche zu inkonsistenten oder falschen Ergebnissen geführt haben
• Wenn 2-5 gute Beispiele sofort verfügbar sind

Beispiel: Kundenfeedback in umsetzbare Produktverbesserungsvorschläge umwandeln

Prompt: Wandeln Sie Kundenfeedback in umsetzbare Produktverbesserungsvorschläge um. Folgen Sie diesem Format.

Beispiel 1:
Kundenfeedback: "Der Checkout-Prozess ist verwirrend. Ich habe 6 Seiten geklickt und wusste immer noch nicht, welche Zahlungsmethoden akzeptiert werden."
Verbesserungsvorschlag: Fügen Sie ein Informationsfeld zu Zahlungsmethoden über dem Zahlungsfeld hinzu und optimieren Sie den Checkout-Flow auf maximal 3 Schritte.

Beispiel 2:
Kundenfeedback: "Die App stürzt jedes Mal ab, wenn ich versuche, ein Foto aus meiner Galerie hochzuladen."
Verbesserungsvorschlag: Debuggen Sie das Foto-Upload-Modul auf Android-Geräten 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 Bestellverlauf-Button nicht finden."
Verbesserungsvorschlag:

Ohne diese Beispiele würde das Modell vielleicht allgemeine Ratschläge wie „Verbessern Sie die App“ geben. Durch die Bereitstellung von Beispielen lernt das Modell Ihr spezifisches Format, den Grad der Umsetzbarkeit und die technische Tiefe.

Praxisbeispiel: Ein SaaS-Unternehmen erhält Funktionsanfragen 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 vom Produktteam bewertet werden kann.

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

Chain-of-Thought (CoT) Prompting bittet das Modell, seinen Denkprozess zu zeigen. Das bedeutet, jeden Schritt der Argumentation zu erklären, bevor eine Schlussfolgerung gezogen wird. Diese Technik verbessert die Genauigkeit bei komplexen Aufgaben wie Mathematik, Logik und mehrstufigen Analysen erheblich.

Wann Chain-of-Thought verwenden:

• Für komplexe Argumentationsaufgaben (Mathematik, Logikrätsel, Analysen mit mehreren Faktoren)
• Wenn Sie den Denkprozess des Modells sehen möchten, nicht nur die Antwort
• Wenn Genauigkeit wichtiger ist als Geschwindigkeit
• Wenn die Aufgabe mehrere Faktoren oder Schritte berücksichtigen muss
• In Kombination mit Few-Shot: um Beispiele für schrittweise Argumentation zu geben

Beispiel: Ohne Chain-of-Thought

Prompt: Ein Restaurant hatte diese Woche 240 Kunden. 30% bestellten einen Salat, 50% ein Hauptgericht und 20% ein Dessert. Wie viele Kunden bestellten jeweils einen Artikel?

Antwort: [Das Modell könnte eine falsche Summe über 240 ausgeben oder Überschneidungen nicht erkennen]

Beispiel: Mit Chain-of-Thought

Prompt: Ein Restaurant hatte diese Woche 240 Kunden. 30% bestellten einen Salat, 50% ein Hauptgericht und 20% ein Dessert. Wie viele Kunden bestellten jeweils einen Artikel? Denken Sie Schritt für Schritt.

Lassen Sie uns das analysieren:
1. Zuerst müssen wir den Prozentsatz der 240 Kunden für jeden Artikel berechnen.
2. 30% bestellten einen Salat: 0.30 × 240 = 
3. 50% bestellten ein Hauptgericht: 0.50 × 240 = 
4. 20% bestellten ein Dessert: 0.20 × 240 = 
5. Überprüfung: Da die Summe dieser Prozentsätze 100% beträgt, hat jeder Kunde genau einen Artikel bestellt.

Antwort:

Durch die explizite Anforderung einer schrittweisen Argumentation erhöhen Sie die Wahrscheinlichkeit einer viel genaueren mathematischen und logischen Analyse erheblich.

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

Kombination der Techniken: Few-Shot + Chain-of-Thought

Der leistungsstärkste Ansatz für schwierige Aufgaben ist die Kombination von Few-Shot und Chain-of-Thought. Sie geben dem Modell Beispiele für schrittweise Argumentation im gewünschten Format und bitten es dann, dieselbe Denkweise auf die eigentliche Frage anzuwenden.

Beispiel: Finanzrisikoanalyse

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

Beispiel:
Entscheidung: Ein Startup gibt 60% seines monatlichen Umsatzes für eine einzige Marketingkampagne aus.
Analyse:
Schritt 1: Identifizieren Sie die Risikofaktoren (Liquiditätsmarge, Betriebskosten, Umsatzvolatilität).
Schritt 2: Bewerten Sie die aktuelle Finanzlage (60% Ausgaben bedeuten, dass 40% für den Betrieb übrig bleiben).
Schritt 3: Bewerten Sie das Worst-Case-Szenario (Kann das Unternehmen 3 Monate überleben, wenn die Kampagne fehlschlägt?).
Schritt 4: Ziehen Sie Alternativen in Betracht (kleinere Kampagnen, diversifizierte Kanäle).
Fazit: Hohes Risiko. Begrenzte Liquidität und Umsatzabhängigkeit vom Erfolg einer einzigen Kampagne.

Analysieren Sie nun dies:
Entscheidung: Ein profitables SaaS-Unternehmen weist 20% seines Quartalsumsatzes der Expansion in einen neuen Markt zu.
Analyse:

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

Entscheidungsrahmen: Eine Kurzzusammenfassung

So entscheiden Sie schnell, welche Technik Sie verwenden sollen:

• Für einfache, allgemeine Wissensaufgaben: Zero-Shot. Beginnen Sie hier.
• Wenn Zero-Shot inkonsistente oder falsche Ergebnisse liefert: 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 Zeit entscheidend ist: Zero-Shot. Akzeptieren Sie eine geringere Genauigkeit zugunsten der Geschwindigkeit.

Häufige Fehler, die Sie vermeiden sollten

Geben Sie nicht zu viele Beispiele (mehr als 5 können die Leistung beeinträchtigen). Verwenden Sie keine schlechten Beispiele, die den 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 alle Anwendungsfälle funktioniert. Testen Sie jeden Ansatz mit realen Daten, bevor Sie ihn in der Produktion einsetzen.