Zero-Shot Prompting

Der einfachste Ansatz: einfach fragen, ohne Beispiele.

Klassifiziere die folgende Kundennachricht als
"Beschwerde", "Frage" oder "Lob":

"Ihr Produkt ist heute dreimal abgestuerzt und
ich habe alle meine Arbeit verloren. Das ist inakzeptabel."

→ Beschwerde

Wann es funktioniert: Einfache, klar definierte Aufgaben, bei denen die Trainingsdaten der KI das Muster bereits abdecken.

Wann es fehlschlaegt: Mehrdeutige Aufgaben, fachspezifische Formate oder wenn das erwartete Ausgabeformat ungewoehnlich ist.

Zero-Shot ist Ihre Baseline. Wenn es funktioniert, prima -- nicht ueber-optimieren. Wenn nicht, greifen Sie zu Few-Shot.

Few-Shot Prompting

Geben Sie Beispiele an, um der KI Ihr erwartetes Muster beizubringen:

Klassifiziere diese Support-Tickets nach Prioritaet:

Beispiel 1: "Kann mich nicht einloggen" → P1-Kritisch
Beispiel 2: "Wie aendere ich mein Passwort?" → P3-Niedrig
Beispiel 3: "Website ist komplett down" → P0-Notfall
Beispiel 4: "Koennt ihr einen Dark Mode hinzufuegen?" → P4-Feature

Jetzt klassifiziere: "Zahlungsverarbeitung schlaegt bei allen Kunden fehl"
→ P0-Notfall

Warum es funktioniert: Beispiele sagen mehr als tausend Worte Anweisung. Die KI erkennt Muster in Ihren Beispielen und versteht:

• Ausgabeformat
• Klassifizierungskriterien
• Grenzfaelle
• Ton und Stil

Profi-Tipp: Verwenden Sie 3-5 vielfaeltige Beispiele, die verschiedene Kategorien abdecken. Fuegen Sie mindestens einen Grenzfall hinzu.

Chain-of-Thought (CoT)

Zwingen Sie die KI, ihren Denkweg aufzuzeigen -- verbessert die Genauigkeit bei komplexen Aufgaben drastisch:

Ohne CoT:

"Wenn ein Hemd $25 kostet und 20% Rabatt hat, und die Steuer 8% betraegt, was ist der Endpreis?" KI: "$21,60" (manchmal falsch)

Mit CoT:

"Loese dies Schritt fuer Schritt: Wenn ein Hemd $25 kostet und 20% Rabatt hat, und die Steuer 8% betraegt, was ist der Endpreis?"

KI: "Schritt 1: 20% von $25 = $5 Rabatt Schritt 2: $25 - $5 = $20 nach Rabatt Schritt 3: 8% Steuer auf $20 = $1,60 Schritt 4: $20 + $1,60 = $21,60"

Die Zauberformeln: "Lass uns Schritt fuer Schritt denken" oder "Argumentiere Schritt fuer Schritt."

CoT funktioniert, weil es das Modell zwingt, Tokens fuer Zwischenschritte zu verwenden, anstatt voreilige Schluesse zu ziehen.

Role Prompting

Weisen Sie eine Persona zu, um Antwortqualitaet und -stil dramatisch zu veraendern:

Du bist ein erfahrener Security-Engineer mit 15 Jahren Erfahrung
in Enterprise-Anwendungssicherheit. Du bist spezialisiert auf die
OWASP Top 10 Schwachstellen und hast Hunderte von Code-Reviews
durchgefuehrt.

Pruefe diesen Authentifizierungscode und identifiziere
Sicherheitsprobleme. Sei gruendlich und nenne spezifische
Schwachstellenkategorien.

Effektive Rollen:

• "Du bist ein erfahrener [X]-Engineer bei einem Fortune-500-Unternehmen"
• "Du bist ein geduldiger Lehrer, der einem Anfaenger erklaert"
• "Du bist ein Advocatus Diaboli -- finde jeden Fehler in diesem Plan"
• "Du bist ein technischer Redakteur, der Klarheit ueber alles stellt"

Warum es funktioniert: Die Rolle aktiviert relevante Muster in den Trainingsdaten des Modells. Eine "Security-Engineer"-Rolle ruft sicherheitsbezogenes Wissen ab, das ein generischer Prompt nicht ansprechen wuerde.

Tree of Thought

Fuer wirklich komplexe Probleme mehrere Argumentationspfade erkunden:

Ich muss unser Datenbankschema fuer eine mandantenfaehige SaaS-App
umgestalten.

Betrachte drei verschiedene Ansaetze:
1. Gemeinsame Datenbank, gemeinsames Schema (mit tenant_id-Spalte)
2. Gemeinsame Datenbank, separate Schemata
3. Separate Datenbanken pro Mandant

Fuer jeden Ansatz analysiere:
- Abfrageleistung bei 10.000 Mandanten
- Datenisolierung und Sicherheit
- Betriebskomplexitaet
- Kosten im grossen Massstab

Dann empfiehl den besten Ansatz fuer unseren Fall:
500 Mandanten, Gesundheitsdaten (HIPAA), mittleres Abfragevolumen.

Tree of Thought funktioniert durch:

1. Generierung mehrerer Loesungspfade
2. Unabhaengige Bewertung jedes Pfades
3. Auswahl des besten Pfades basierend auf Kriterien

Dies spiegelt wider, wie Experten tatsaechlich Probleme loesen -- mehrere Optionen abwaegen, bevor sie sich festlegen.

Techniken kombinieren

Die wahre Staerke kommt aus der Kombination von Techniken:

Du bist ein erfahrener Data Engineer, spezialisiert auf
ETL-Pipelines. [ROLLE]

Ich habe eine CSV-Datei mit 50M Zeilen Kundentransaktionen.
Ich muss Duplikate entfernen, bei denen die E-Mail
uebereinstimmt, aber der Name leichte Abweichungen hat
(Tippfehler, Abkuerzungen). [KONTEXT]

Hier sind Beispiele fuer Duplikate: [FEW-SHOT]
- "Jon Smith" / "Jonathan Smith" / "Jon Smth" → gleiche Person
- "Sarah Connor" / "Sara Conner" → gleiche Person
- "Sarah Connor" / "Sarah Williams" → verschiedene Personen

Durchdenke die beste Deduplizierungsstrategie Schritt fuer
Schritt. [COT]
Betrachte mindestens zwei Ansaetze, bevor du einen
empfiehlst. [TREE]

Ausgabe: Ein Python-Skript mit pandas und Kommentaren,
die jeden Schritt erklaeren. [FORMAT]

Dieser einzelne Prompt verwendet fuenf Techniken zusammen -- und wird dramatisch bessere Ergebnisse liefern als "Wie dedupliziere ich eine CSV?"

Leitfaden zur Technikauswahl

Welche Technik fuer welche Aufgabe?

Aufgabentyp	Beste Technik	Beispiel
Einfache Klassifizierung	Zero-Shot	Spam-Erkennung
Eigenes Format noetig	Few-Shot	Ticket-Kategorisierung
Mathematik oder Logik	Chain-of-Thought	Berechnungen, Debugging
Kreatives Schreiben	Role Prompting	Marketing-Texte
Architekturentscheidungen	Tree of Thought	Systemdesign
Komplexe Analyse	Kombiniert	Code-Review, Datenanalyse

Faustregel: Beginnen Sie mit der einfachsten Technik, die funktioniert. Fuegen Sie Komplexitaet nur hinzu, wenn die Ausgabequalitaet nicht ausreicht.

---quiz question: Was ist der wesentliche Unterschied zwischen Zero-Shot und Few-Shot Prompting? options:

• { text: "Zero-Shot ist schneller, Few-Shot ist langsamer", correct: false }
• { text: "Zero-Shot liefert keine Beispiele, Few-Shot enthaelt Beispiele, um das Muster zu demonstrieren", correct: true }
• { text: "Zero-Shot verwendet GPT-3, Few-Shot verwendet GPT-4", correct: false }
• { text: "Zero-Shot ist kostenlos, Few-Shot kostet extra", correct: false } feedback: Zero-Shot bedeutet, direkt ohne Beispiele zu fragen. Few-Shot liefert 3-5 Beispiele, damit die KI das erwartete Format, die Kriterien und den Stil durch Mustererkennung versteht.

---quiz question: Warum verbessert Chain-of-Thought die Genauigkeit bei komplexen Aufgaben? options:

• { text: "Es verwendet im Hintergrund ein leistungsfaehigeres Modell", correct: false }
• { text: "Es zwingt das Modell, Tokens fuer Zwischenschritte zu verwenden, anstatt voreilige Schluesse zu ziehen", correct: true }
• { text: "Es greift zur Verifikation auf das Internet zu", correct: false } feedback: Chain-of-Thought funktioniert, indem das Modell "seinen Rechenweg zeigen" muss. Durch die Generierung von Tokens fuer Zwischenschritte rechnet das Modell schrittweise, anstatt die Endantwort direkt zu raten.

---quiz question: Wann sollten Sie Tree-of-Thought-Prompting verwenden? options:

• { text: "Fuer einfache Ja/Nein-Fragen", correct: false }
• { text: "Fuer komplexe Entscheidungen, bei denen mehrere Ansaetze erkundet und verglichen werden sollten", correct: true }
• { text: "Nur fuer kreative Schreibaufgaben", correct: false } feedback: Tree of Thought ist ideal fuer komplexe Probleme mit mehreren tragfaehigen Loesungen -- Architekturentscheidungen, Strategieplanung und Designentscheidungen, bei denen Sie verschiedene Pfade bewerten moechten, bevor Sie sich festlegen.