Few-Shot Prompting

Few-Shot Prompting bedeutet, einem Modell mehrere Beispiele für die gewünschte Bearbeitung direkt im Prompt zu zeigen. Google-Glossar Anschließend soll es einen neuen Fall nach dem demonstrierten Muster beantworten, ohne dass dafür seine Modellgewichte angepasst werden. Brown et al.: Language Models are Few-Shot Learners

Beispiele als Teil der Eingabe

Die Beispiele bestehen häufig aus einer Eingabe und der jeweils gewünschten Ausgabe. Brown et al.: Language Models are Few-Shot Learners Sie können sowohl die Aufgabe selbst als auch das Antwortformat verdeutlichen. Google-Glossar

Die Anzahl ist nicht durch eine allgemeingültige feste Zahl bestimmt; entscheidend ist die Verwendung mehrerer Demonstrationen im Eingabekontext. Brown et al.: Language Models are Few-Shot Learners Im Unterschied dazu enthält One-Shot Prompting genau ein Beispiel und Zero-Shot Prompting keines. Google-Glossar

Sinnvoll ist eine kleine Auswahl unterschiedlicher, repräsentativer Beispiele statt einer immer längeren Sammlung sämtlicher denkbarer Sonderfälle. Anthropic: Context Engineering Beispiele sollen das gewünschte Verhalten nachvollziehbar zeigen, nicht fehlende Aufgabenentscheidungen verdecken.

So kannst du dir das vorstellen

Für einen hypothetischen Assistenten zur Zuordnung interner Anfragen könntest du schreiben:

Verwende nur IT, Personal oder Unklar.
Wenn Angaben für eine eindeutige Zuordnung fehlen,
verwende Unklar.

Eingabe: Mein Bildschirm bleibt schwarz.
Ausgabe: IT

Eingabe: Wie beantrage ich Elternzeit?
Ausgabe: Personal

Eingabe: Ich brauche Unterstützung.
Ausgabe: Unklar

Neue Eingabe: Mein Benutzerkonto ist gesperrt.
Ausgabe:

Die drei Muster zeigen unterschiedliche Kategorien und ausdrücklich auch einen unklaren Fall. Im selbst formulierten Beispiel soll das Modell daher nicht aus jeder Nachricht zwanghaft eine eindeutige Zuständigkeit ableiten.

Mehr Beispiele brauchen mehr Kontext

Few-Shot Prompting verlängert den Prompt, weil die Demonstrationen zusammen mit der neuen Aufgabe übermittelt werden. Google-Glossar Der verfügbare Eingabekontext begrenzt, wie viele Informationen ein Modell bei einem Aufruf verarbeiten kann. OpenAI: Conversation State

Zusätzliche Beispiele verbessern Ergebnisse außerdem nicht bei jeder Aufgabe gleichermaßen. Brown et al.: Language Models are Few-Shot Learners Deshalb empfiehlt sich eine Prüfung mit Fällen außerhalb der gezeigten Muster, statt die passende Antwort auf ein vorgeführtes Beispiel bereits als Erfolg zu werten.

Verwandte Begriffe

Zero-Shot Prompting, One-Shot Prompting, In-Context Learning, CARE, Canonical Examples, Kontextfenster.