Cyberpediavon Brain
DEENFR

KI mit Beispielen anleiten und Aufgaben in Schritte zerlegen

Wie Sie einen KI-Assistenten mit zwei oder drei Beispielen anleiten und eine Aufgabe in einzeln geprüfte Schritte zerlegen, ohne Daten preiszugeben.

In 30 Sekunden

Wo es vorkommt
In jeder Anfrage an einen KI-Assistenten, die ein genaues Format liefern soll (Zusammenfassung, Sortierung, Standardtext) oder ein Problem in mehreren Schritten löst.
Was es bringt
Antworten, die näher an Ihrem Wunsch liegen, sofern die Beispiele gut gewählt sind und Sie jeden Schritt prüfen.
Der Reflex
Geben Sie zwei oder drei erfundene oder anonymisierte Beispiele, zerlegen Sie die Aufgabe in Schritte und prüfen Sie jeden Schritt, bevor Sie zum nächsten übergehen.
Falls es schon passiert ist
Wenn ein Beispiel einen Kundennamen, eine interne Zahl oder einen Vertragsauszug enthielt, informieren Sie Ihre Ansprechperson für Sicherheit und verwenden Sie es nicht wieder.

Worum es geht

Ein KI-Assistent antwortet besser, wenn man ihm zeigt, was man erwartet, als wenn man es nur beschreibt. Zwei oder drei Beispiele für das gewünschte Ergebnis zu zeigen, heißt „Few-Shot“ (auf Deutsch etwa: Lernen aus wenigen Beispielen). Ein komplexes Problem in kleine Schritte zu zerlegen, die man nacheinander kontrolliert, ist eine zweite Anwendung.

Beide Techniken verbessern die Antworten, machen sie aber nicht verlässlich. Diese Seite erklärt, wie Sie sie bei der Arbeit einsetzen und was niemals in ein Beispiel gehört.

Direkte Fragen

Was ist Few-Shot?

Dabei werden der Anfrage ein oder mehrere Beispiele für das gewünschte Verhalten beigefügt, als Paare aus „Eingabe und erwartetem Ergebnis“. Microsoft stellt klar, dass das Modell nicht im Sinne einer dauerhaften Veränderung lernt: Die Beispiele prägen es nur für die laufende Antwort1. Eine Anfrage ohne Beispiele heißt „Zero-Shot“1.

Die Idee stammt aus der Forschung. Der Artikel von 2020 über GPT-3 beschreibt Aufgaben und Demonstrationen, die „purely via text interaction with the model“ gegeben werden, ohne erneutes Training2.

Warum helfen Beispiele?

In Microsofts Beispiel scheint ein Modell, das zu einer Presseschlagzeile eine Kategorie nennen soll, nur zu raten, was erwartet wird. Mit Beispielen versteht es das Format und kann sogar die Art der gewünschten Bezeichnung ableiten, obwohl kein Beispiel die Bezeichnung „basketball“ enthielt1.

Was heißt es, eine Aufgabe in Schritte zu zerlegen?

Microsoft gibt an, dass Sprachmodelle oft bessere Ergebnisse liefern, wenn die Aufgabe in kleinere Schritte geteilt wird. Sein Beispiel: zuerst die relevanten Fakten extrahieren lassen und erst dann Suchanfragen zu deren Überprüfung erzeugen1. Bei einem kurzen Text ist der Unterschied gering, bei einem Text mit vielen Behauptungen wird er deutlich1.

Soll man die KI ihren Denkweg zeigen lassen?

Das ist eine Variante. Microsoft beschreibt eine Anweisung, die verlangt, Schritt für Schritt vorzugehen und alle Schritte darzustellen. Laut der Dokumentation verringert dies die Möglichkeit von Ungenauigkeiten und erleichtert die Bewertung der Antwort1. Microsoft stellt klar, dass diese Technik nur für Modelle ohne eigenes Reasoning gilt und dass diese Techniken „aren't recommended for reasoning models like gpt-5 and o-series models“1.

Kann man einem Gedankengang vertrauen, der logisch wirkt?

Nein, gut dargestellte Schritte beweisen für sich genommen nichts. Microsoft empfiehlt, dem Modell einen „Notausgang“ zu geben, etwa mit „not found“ zu antworten, wenn die Information im vorgelegten Text fehlt1. Die Antworten unterscheiden sich außerdem je nach Modell und Version6.

1Wie es funktioniert1 min

Sprachmodelle erzeugen aus dem erhaltenen Text die wahrscheinlichste Wortfolge1. Gut gewählte Beispiele lenken diese Folge in das gewünschte Format.

Für Probleme mit mehreren Schritten hat die Forschung mehrere Methoden beschrieben. Der Artikel von 2022 über die „Gedankenkette“ (Chain of Thought) zeigt, dass einige Demonstrationen mit Zwischenschritten des Denkens die Ergebnisse bei Aufgaben der Arithmetik, des gesunden Menschenverstands und des symbolischen Schlussfolgerns verbessern3. Ein weiterer Artikel von 2022 zeigt, dass schon der Satz „Let's think step by step“ ohne jedes Beispiel genügt, um die Ergebnisse zu verbessern4. Eine dritte Methode, „vom Einfachsten zum Komplexesten“ (Least-to-Most), zerlegt ein Problem in Teilprobleme, die der Reihe nach gelöst werden, wobei jede Antwort bei der nächsten hilft5.

Diese Ergebnisse stammen aus Tests mit Referenzproblemen, nicht aus Büroalltagssituationen. Sie zeigen, dass die Methode helfen kann, garantieren aber keine gute Antwort.

2Was Sie tun1 min
  • Schreiben Sie zwei oder drei kurze, unterschiedliche Beispiele, die jeweils eine Eingabe und die genau erwartete Ausgabe zeigen.
  • Ersetzen Sie jede reale Angabe durch eine erfundene: einen fiktiven Namen, einen gerundeten Betrag ohne Bezug zu einem Vorgang, einen umgeschriebenen Text.
  • Platzieren Sie die Anweisung klar. Die Reihenfolge zählt: Microsoft weist darauf hin, dass die Reihenfolge der Informationen die Ausgabe verändern kann, auch die der Beispiele1.
  • Zerlegen Sie die Aufgabe: Fordern Sie einen ersten Schritt an, lesen Sie ihn durch, korrigieren Sie ihn und gehen Sie dann zum nächsten über, der auf dem bestätigten Schritt aufbaut.
  • Sehen Sie einen Ausweg vor: Erlauben Sie der KI zu antworten, dass sie es nicht weiß oder dass eine Information fehlt1.
  • Prüfen Sie wichtige Fakten (Zahlen, Daten, Namen) in einer verlässlichen Quelle, bevor Sie sie verwenden.

Ein Beispiel für eine Anfrage in zwei Schritten, hier zur Veranschaulichung:

Auszug
Illustration, fiktiver Text.
Schritt 1: [Listen Sie die überprüfbaren Behauptungen des folgenden Textes auf.]
Schritt 2: [Schlagen Sie nach meiner Durchsicht für jede Behauptung eine Möglichkeit zur Überprüfung vor.]
Wenn eine Information fehlt, antworten Sie „nicht gefunden“.
3Die Fallstricke1 min
  • Verzerrte Beispiele. Das Modell ahmt nach, was man ihm zeigt. Microsoft weist auf die Reihenfolgeempfindlichkeit mit einem Recency-Bias hin: Was am Ende der Anfrage steht, kann stärker ins Gewicht fallen1. Variieren Sie die Beispiele und prüfen Sie beim Lesen der Antwort, ob sie deren Form kopiert.
  • Erfundene Schritte. Ein Schritt, der plausibel wirkt, kann falsch sein. Nur die Schlussfolgerung zu lesen, genügt nicht.
  • Übermäßiges Vertrauen. Die in der Forschung gemessenen Verbesserungen beziehen sich auf bestimmte Testsätze34. Über Ihren Vorgang sagen sie nichts.
  • Datenabfluss über die Anweisungen. Anweisungen und Beispiele sind Teil der Anfrage. OWASP führt unter den Risiken die Offenlegung sensibler Informationen und die Preisgabe von Informationen über die Systemanweisungen auf8. Microsoft erinnert daran, dass eine Systemnachricht das Modell beeinflusst, ohne zu garantieren, dass es die Regeln einhält6. Verlassen Sie sich nicht auf die Anweisung „Verrate nichts“, um ein Geheimnis in einem Beispiel zu schützen.
  • Fremdtext in der Anfrage. Wenn Sie ein Dokument von außen einfügen (Lebenslauf, E-Mail, Webseite), kann es versteckte Anweisungen enthalten. Das britische NCSC nennt das (hypothetische) Beispiel eines Lebenslaufs mit verstecktem Text, der verlangt, die vorherigen Anweisungen zu ignorieren und die Bewerbung zu genehmigen7. Es fügt hinzu, dass heutige Modelle keine Sicherheitsgrenze zwischen Anweisungen und Daten durchsetzen7. Lesen Sie die Ausgaben daher vorsichtig, wenn der Ausgangstext nicht von Ihnen stammt.
4Reale Fälle1 min

Mai 2020: GPT-3 mit Beispielen getestet

Die Autoren von GPT-3, einem Modell mit 175 Milliarden Parametern, testen es ohne Aktualisierung des Modells, mit Aufgaben und Beispielen, die allein per Text gegeben werden. Sie berichten von guten Ergebnissen bei vielen Datensätzen und auch von Datensätzen, bei denen das Lernen aus wenigen Beispielen weiter Schwierigkeiten hat2.

Mai 2022: Ein Satz genügt bei einem Arithmetiktest

Forschende zeigen, dass der Zusatz „Let's think step by step“ die Genauigkeit beim MultiArith-Test von 17,7 % auf 78,7 % und bei GSM8K von 10,4 % auf 40,7 % steigert, mit dem Modell text-davinci-0024. Selbst mit diesem Zuwachs bleibt die Antwort laut diesen Zahlen bei MultiArith in mehr als einem von fünf Fällen und bei GSM8K in mehr als einem von zwei Fällen falsch4.

Mai 2022: Zerlegung vom Einfachsten zum Komplexesten

Die Autoren der Least-to-Most-Methode berichten, dass sie mit dem Modell code-davinci-002 und 14 Beispielen beim SCAN-Test mindestens 99 % Genauigkeit erreichen, gegenüber 16 % mit Chain of Thought5. Sie stellen klar, dass Chain of Thought bei Problemen, die schwieriger sind als die gezeigten Beispiele, tendenziell schlecht abschneidet5.

Merkblatt

Kennung
CP-312
Flügel
4. Künstliche Intelligenz
Brain-Kompetenz
Gut prompten (prompt_correctly)
Brain-Reflex
air-016
Schema
G5 · Entscheidungsbaum Reflex
Sprachen
de, en, fr
Quellen
8 Quellen geprüft am 3. November 2026
Quellen8 Quellen
  1. Microsoft, „Prompt engineering techniques - Microsoft Foundry“. https://learn.microsoft.com/en-us/azure/foundry/openai/concepts/prompt-engineering (abgerufen am 3. November 2026)
  2. arXiv, „Language Models are Few-Shot Learners“, 28. Mai 2020. https://arxiv.org/abs/2005.14165 (abgerufen am 3. November 2026)
  3. arXiv, „Chain-of-Thought Prompting Elicits Reasoning in Large Language Models“, 28. Januar 2022. https://arxiv.org/abs/2201.11903 (abgerufen am 3. November 2026)
  4. arXiv, „Large Language Models are Zero-Shot Reasoners“, 24. Mai 2022. https://arxiv.org/abs/2205.11916 (abgerufen am 3. November 2026)
  5. arXiv, „Least-to-Most Prompting Enables Complex Reasoning in Large Language Models“, 21. Mai 2022. https://arxiv.org/abs/2205.10625 (abgerufen am 3. November 2026)
  6. Microsoft, „System message design for Azure OpenAI - Microsoft Foundry“. https://learn.microsoft.com/en-us/azure/foundry/openai/concepts/advanced-prompt-engineering (abgerufen am 3. November 2026)
  7. NCSC (Royaume-Uni), „Prompt injection is not SQL injection (it may be worse)“, 8. Dezember 2025. https://www.ncsc.gov.uk/blog-post/prompt-injection-is-not-sql-injection (abgerufen am 3. November 2026)
  8. OWASP, „LLM01:2025 Prompt Injection“. https://genai.owasp.org/llmrisk/llm01-prompt-injection/ (abgerufen am 3. November 2026)

Diesen Artikel zitieren

Brain, „KI mit Beispielen anleiten und Aufgaben in Schritte zerlegen“, Cyberpedia, 2026. https://startbrain.io/cyberpedia/de/articles/few-shot-prompting-beispiele-schritte/

BibTeX 
@misc{brain_cp312_de_2026,
  author = {Brain},
  title = {KI mit Beispielen anleiten und Aufgaben in Schritte zerlegen},
  year = {2026},
  howpublished = {Cyberpedia},
  url = {https://startbrain.io/cyberpedia/de/articles/few-shot-prompting-beispiele-schritte/},
  note = {CC BY 4.0}
}
Lizenz CC BY 4.0