Solltest du Beispiele in deine KI-Prompts einbauen? Und wie viele sind optimal?

Ja – gut gewählte Beispiele in deinem Prompt (Few-Shot Prompting) sind eine der wirkungsvollsten Methoden, um die Qualität von KI-Antworten zu verbessern. Beim Few-Shot Prompting gibst du dem Modell einige Demonstrationsbeispiele mit, die es als Vorlage für die gewünschte Antwort nutzt . Der ideale Bereich liegt meist bei 2–5 Beispielen; Forschungsergebnisse und Praxisleitfäden zeigen, dass eine größere Anzahl schnell zu abnehmenden oder sogar negativen Ergebnissen führen kann .

Die wichtigsten Erkenntnisse

• Beispiele verbessern die Genauigkeit enorm. Claude 3 Haiku steigerte seine Korrektheit von 11 % (gar keine Beispiele) auf 75 % mit nur drei Beispielen – und erreichte damit die Leistung weitaus größerer Modelle .
• 2–5 Beispiele sind das forschungsgestützte Optimum. In Prompting-Leitfäden wird Few-Shot Prompting meist mit etwa 2–5 Beispielen beschrieben; eine Quelle nennt 2–5 als den typischen optimalen Bereich .
• Mehr ist nicht immer besser. Eine arXiv-Studie identifizierte ein „Over-Prompting“-Problem: Zu viele Beispiele können die Modellleistung mindern und widerlegen die Annahme, dass immer mehr Beispiele helfen .
• Qualität schlägt Quantität. Vielfältige, hochwertige und gut durchdachte Beispiele wirken oft besser als eine schiere Menge. Inkonsistente Beispiele hingegen lehren das Modell inkonsistente Muster .
• Bei denkenlastigen Aufgaben lieber zuerst ohne Beispiele testen. Nicht jede Aufgabe profitiert von Beispielen; ein direkter Vergleich von Zero-Shot und Few-Shot ist ratsam, da Over-Prompting die Leistung in manchen Fällen verschlechtern kann .

Praktische Empfehlungen

Szenario	Empfohlenes Vorgehen
Formatabhängige Aufgaben (JSON, Labels, Ton)	2–5 saubere, vielfältige Beispiele nutzen, da sie Format, Ton und Bezeichnungen verankern .
Standard-Textgenerierung / Klassifikation	Mit 2–3 hochwertigen Beispielen starten, da wenige Beispiele das Modell bereits gut lenken können .
Denkenlastige Aufgaben	Mit Zero-Shot beginnen; nur bei Bedarf 1–2 Beispiele für die Formatkontrolle hinzufügen und testen, ob sie helfen oder stören .
Komplexe Extraktionsaufgaben	Eine kleine Menge repräsentativer Beispiele wählen, die die Aufgabe möglichst genau abbilden .
Bei Unsicherheit	Bei 3 Beispielen starten, testen und anpassen – der Bereich 2–5 wird häufig empfohlen, zu viele Beispiele können zu Over-Prompting führen .

Fazit: Setze Beispiele ein, aber halte dich an 2–5 und achte auf Qualität und Vielfalt statt auf Quantität . Teste bei deinem spezifischen Modell, ob Few-Shot oder Zero-Shot besser funktioniert – besonders bei denkenlastigen Aufgaben, bei denen zusätzliche Beispiele nicht immer helfen .