Beispiele statt Erklärungen geben

Einführung

🎯 Lernziele

• Das Prinzip des „Few-Shot-Promptings” verstehen
• Lernen, wie viele Beispiele optimal sind
• Effektive Beispiele für Custom Instructions erstellen können

Die vorherigen Abschnitte handelten davon, Deine Anweisungen zu strukturieren und die richtigen Fragen zu beantworten. Jetzt lernst Du eine der leistungsstärksten Techniken im Prompt Engineering: zeigen statt erklären. Ein einziges, gut gewähltes Beispiel kann mehrere Sätze Erklärung ersetzen – und dramatisch bessere Ergebnisse liefern.

Du hast es sicher erlebt: Du erklärst sorgfältig genau, was Du möchtest, aber der Ton ist falsch, das Format seltsam oder das Detailniveau überhaupt nicht das, was Du Dir vorgestellt hast. Es gibt eine einfachere Lösung – und die schauen wir uns jetzt an.

Warum Beispiele Erklärungen oft übertreffen

Das Geheimnis, das die großen KI-Unternehmen verwenden, ist einfach: Anstatt zu versuchen, alles mit Worten zu erklären, zeige dem Modell Beispiele dafür, wie Du möchtest, dass das Ergebnis aussieht.

“Examples are your secret weapon shortcut for getting Claude to generate exactly what you need.” — Anthropic, Best Practices for Prompt Engineering

Das nennt sich Few-Shot-Prompting (oder Multishot-Prompting) – und es ist eine der leistungsstärksten Techniken, die Du einsetzen kannst. Zero-Shot bedeutet, dass Du überhaupt keine Beispiele gibst, One-Shot bedeutet ein Beispiel und Few-Shot bedeutet zwei oder mehr.

Dass Beispiele besser als Erklärungen funktionieren, ist kein Zufall – es gibt vier konkrete Gründe, warum die Technik so kraftvoll ist.

Warum funktioniert es so gut?

1. Zeigen statt erzählen

Menschen (und KI-Modelle) lernen besser aus konkreten Beispielen als aus abstrakten Beschreibungen. Ein einziges gutes Beispiel kann Dinge klären, die mehrere Sätze zu erklären brauchen würden.

2. Klärt subtile Nuancen

Es gibt Erwartungen, die schwer in Worte zu fassen sind – wie genau der Ton sein soll, wie formell der Text sein soll oder wie detailliert eine Erklärung sein soll. Beispiele zeigen das direkt, ohne Interpretation.

3. Liefert Konsistenz

Wenn das Modell Beispiele für das „richtige” Format gesehen hat, folgt es diesem Muster viel konsistenter als wenn Du es nur beschreibst. Konsistenz ist entscheidend, wenn Du einen Assistenten baust, der in der Praxis eingesetzt werden soll.

4. Reduziert generische KI-Antworten

Laut Tests von Anthropic können die richtigen Beispiele bis zu 80 % der generischen, nichtssagenden KI-Antworten eliminieren – besonders wenn Du positive und negative Beispiele kombinierst (mehr dazu später in diesem Abschnitt).

Den Unterschied zwischen der Verwendung und Nichtverwendung von Beispielen versteht man am einfachsten mit einem konkreten Fall. Hier ist ein direkter Vergleich.

Von Zero-Shot zu Few-Shot: Ein praktischer Vergleich

❌ Zero-Shot (ohne Beispiele)

## AUFGABE
Kategorisiere Kunden-E-Mails in die richtige Kategorie.

## KATEGORIEN
- Technischer Support
- Rechnungsfragen
- Produktinformationen
- Beschwerden
- Sonstiges

Ergebnis: Funktioniert okay für klare Fälle, wird aber bei Grenzfällen unsicher. Was ist der Unterschied zwischen „Technischer Support” und „Beschwerden”, wenn der Kunde gleichzeitig klagt UND Hilfe braucht?

✅ Few-Shot (mit Beispielen)

## AUFGABE
Kategorisiere Kunden-E-Mails in die richtige Kategorie.

## KATEGORIEN
- Technischer Support
- Rechnungsfragen
- Produktinformationen
- Beschwerden
- Sonstiges

## BEISPIELE

E-Mail: "Meine App stürzt jedes Mal ab, wenn ich mich einloggen möchte. Hilfe!"
Kategorie: Technischer Support

E-Mail: "Warum wurde mir extra 9,99 € berechnet?"
Kategorie: Rechnungsfragen

E-Mail: "Unterstützt Produkt X Bluetooth 5.0?"
Kategorie: Produktinformationen

E-Mail: "Ich bin extrem unzufrieden mit Ihrem Kundenservice und möchte eine Entschädigung!"
Kategorie: Beschwerden

E-Mail: "Ich habe meine E-Mail-Adresse geändert, wo aktualisiere ich das?"
Kategorie: Sonstiges

Ergebnis: Das Modell sieht nun klare Beispiele dafür, wie jede Kategorie aussieht, und trifft viel bessere Entscheidungen – besonders bei Grenzfällen, bei denen eine Frage in mehr als eine Kategorie passen könnte.

Eine der häufigsten Fragen zum Few-Shot-Prompting ist: Wie viele Beispiele brauche ich eigentlich? Die Antwort ist nuancierter als Du vielleicht denkst.

Wie viele Beispiele brauchst Du?

Anthropics Empfehlung: Beginne mit einem Beispiel

“Start with one example (one-shot). Only add more examples (few-shot) if the output still doesn’t match your needs.”

Praktischer Ansatz

• Beginne mit 0 Beispielen (Zero-Shot) – teste, ob das Modell die Aufgabe trotzdem schafft
• Füge 1 Beispiel hinzu (One-Shot) – das reicht oft
• Erhöhe auf 2–3 Beispiele, wenn die Ergebnisse noch variieren
• Verwende 5–10 Beispiele nur für komplexe oder nischige Aufgaben

Das Prinzip des abnehmenden Ertrags

Forschung zeigt, dass mehr Beispiele nicht immer besser sind. Nach einer gewissen Anzahl erhältst Du marginale Verbesserungen, verwendest aber mehr Tokens.

Faustregel

• 1 Beispiel → Einfache Klassifizierungsaufgaben, klare Formate
• 2–3 Beispiele → Mittelkomplexe Aufgaben, nuancierter Ton
• 5+ Beispiele → Komplexe Domänen, sehr spezifische Anforderungen

Teste immer! Die optimale Anzahl variiert je nach Aufgabe und Modell.

Zu wissen, dass Du Beispiele brauchst, ist eine Sache – gute Beispiele zu erstellen ist etwas anderes. Hier ist, was ein effektives Beispiel von einem ineffektiven unterscheidet.

So erstellst Du effektive Beispiele

1. Repräsentativ für echte Nutzungsfälle

Deine Beispiele sollten die Variation widerspiegeln, die Du in der Praxis erwartest – keine konstruierten Lehrbuchfälle.

❌ Schlechtes Beispiel (zu einfach und konstruiert)

Frage: "Was ist Python?"
Antwort: "Python ist eine Programmiersprache."

✅ Gutes Beispiel (realistisch und mit der richtigen Detailtiefe)

Frage: "Ich lerne gerade Python und verstehe den Unterschied
zwischen Listen und Tuples nicht. Kannst Du das erklären?"

Antwort: "Gute Frage! Sowohl Listen als auch Tuples speichern mehrere Werte,
aber der große Unterschied ist, dass Listen veränderbar (mutable) sind,
während Tuples unveränderlich (immutable) sind.

Stell es Dir so vor: Eine Liste ist wie eine To-do-Liste – Du kannst Punkte
hinzufügen, entfernen oder ändern. Ein Tuple ist wie ein Geburtstag –
einmal festgelegt, kann das Datum nicht geändert werden.

  # Liste (veränderbar)
  obst = ['Apfel', 'Banane']
  obst.append('Orange')  # OK!

  # Tuple (unveränderlich)
  datum = (2024, 3, 15)
  datum[0] = 2025  # FEHLER! Gibt einen Error

Verwende Listen, wenn sich Daten ändern können, Tuples wenn Daten
konstant bleiben sollen."

Das zweite Beispiel ist besser, weil es zeigt, wie ein echter Nutzer die Frage stellt, den gewünschten Ton demonstriert (pädagogisch, mit Analogien) und genau das Detailniveau und die Struktur zeigt, die Du möchtest.

2. Deckt verschiedene Szenarien ab

Wenn Du mehrere Beispiele verwendest, stelle sicher, dass sie Variation in Ton und Situation zeigen – nicht nur einfache, klare Fälle.

## BEISPIELE

Szenario 1: Einfache technische Frage
Kunde: "Wie setze ich mein Passwort zurück?"
Assistent: "Klicke auf 'Passwort vergessen' auf der Anmeldeseite.
Du erhältst innerhalb von 5 Minuten eine E-Mail mit einem Reset-Link.
Überprüfe auch Deinen Spam-Ordner! Brauchst Du weitere Hilfe? 😊"

Szenario 2: Frustrierter Kunde
Kunde: "Das ist das dritte Mal, dass ich Sie wegen desselben Problems kontaktiere!"
Assistent: "Ich verstehe Deine Frustration wirklich, und es tut mir leid,
dass wir das bisher nicht gelöst haben. Ich werde Dein Problem jetzt
priorisieren. Kannst Du mir die Fehlernummer nennen, damit ich es direkt
an unsere technische Abteilung eskalieren kann?"

Szenario 3: Frage außerhalb des Wissensbereichs
Kunde: "Planen Sie, eine Mac-Version zu veröffentlichen?"
Assistent: "Leider habe ich keine Informationen über zukünftige Produktveröffentlichungen.
Ich empfehle Dir, unserem Blog auf unternehmen.de/news zu folgen.
Gibt es noch etwas, womit ich Dir heute helfen kann?"

Die Beispiele decken verschiedene emotionale Zustände ab und zeigen, wie der Ton angepasst werden soll, ohne Professionalität zu kompromittieren.

3. Klare Struktur, die einfach zu befolgen ist

Verwende konsistente Formatierung in Deinen Beispielen, damit das Modell das Muster klar sieht.

## BEISPIELE

Input: [tatsächliche Eingabe des Nutzers]
Output: [genau das Format, das Du haben möchtest]

Input: [nächstes Beispiel]
Output: [nächste Antwort]

4. Negative Beispiele

Eine kraftvolle Technik ist es, sowohl zu zeigen, was Du MÖCHTEST, als auch was Du NICHT möchtest. Laut Anthropics Tests kann das bis zu 80 % der generischen KI-Antworten eliminieren.

## BEISPIELE FÜR GUTE ANTWORTEN

Frage: "Was ist maschinelles Lernen?"

✅ GUTE ANTWORT:
"Maschinelles Lernen ist, wenn Computer Muster aus Daten lernen,
anstatt vorgegebenen Regeln zu folgen. Stell es Dir so vor:
Anstatt zu programmieren 'wenn E-Mail das Wort Viagra enthält → Spam'
trainierst Du das Modell auf Tausenden von Beispielen.
Es lernt selbst, welche Muster typisch für Spam sind.

Beispiel: Netflix-Empfehlungen verwenden maschinelles Lernen,
um zu lernen, was Dir gefällt, basierend auf dem, was Du zuvor
geschaut hast."

❌ SCHLECHTE ANTWORT (zu technisch):
"Maschinelles Lernen ist eine Untermenge der künstlichen Intelligenz,
die statistische Techniken verwendet, um Computersysteme in die Lage
zu versetzen, aus Daten zu 'lernen' ohne explizite Programmierung."
Warum schlecht: Technischer Jargon ohne Erklärung, keine Analogie
oder konkretes Beispiel.

❌ SCHLECHTE ANTWORT (zu vage):
"Maschinelles Lernen ist, wenn Computer smarter werden."
Warum schlecht: Zu oberflächlich, gibt dem Nutzer kein
echtes Verständnis.

Zusammenfassung

Few-Shot-Prompting ist eine der leistungsstärksten Techniken im Prompt Engineering – und einfacher zu beginnen als Du denkst.

• Beispiele schlagen Erklärungen – sie zeigen dem Modell genau, was Du möchtest, einschließlich Ton, Format und Detailniveau, das schwer in Worten zu beschreiben ist.
• Beginne mit 1 Beispiel – füge nur mehr hinzu, wenn die Ausgabe immer noch nicht Deinen Erwartungen entspricht.
• 2–3 Beispiele reichen meistens – mehr Beispiele liefern abnehmende Erträge und erhöhen die Kosten ohne proportionale Verbesserung.
• Mache Beispiele realistisch – spiegele echte Nutzung und Variation wider, keine konstruierten Lehrbuchfälle.
• Zeige negative Beispiele – zu demonstrieren, was Du nicht möchtest, eliminiert bis zu 80 % der generischen Antworten.
• Konsistente Formatierung – verwende dieselbe Struktur (Input/Output) in allen Beispielen, damit das Modell das Muster klar sieht.

Wissen testen

5 Fragen · 100 % richtig zum Bestehen · Antworten nach Abschluss prüfen

Quiz starten →