Few-Shot-CoT

Geschrieben von Ralf Dodler am 10.05.2025.

« Zurück zum Glossar Index

Was ist Few-Shot-CoT?

Few-Shot Chain of Thought (Few-Shot-CoT) ist eine Prompting-Technik für große Sprachmodelle, die komplexes Denken und Problemlösen durch die Bereitstellung einiger weniger Beispiele mit ausführlichen Gedankenketten ermöglicht.

Im Gegensatz zum Zero-Shot-CoT, das nur eine einfache Aufforderung wie „Lass uns Schritt für Schritt denken“ verwendet, zeigt Few-Shot-CoT dem Modell konkrete Beispiele, wie ein Denkprozess strukturiert werden sollte, bevor es eine neue Aufgabe löst.

Wie funktioniert Few-Shot-CoT?

Few-Shot-CoT arbeitet nach einem klaren Prinzip: Dem Modell werden einige (typischerweise 2-5) Beispiele präsentiert, die jeweils aus einer Aufgabe und einer detaillierten, schrittweisen Lösung bestehen.

Diese Beispiele dienen als Vorlage für die Art und Weise, wie das Modell an neue Probleme herangehen soll. Der typische Aufbau eines Few-Shot-CoT-Prompts folgt diesem Muster:

Beispielaufgabe 1: Eine Problemstellung wird präsentiert
Beispiellösung 1: Eine ausführliche, schrittweise Lösung wird gezeigt
Beispielaufgabe 2: Eine weitere Problemstellung
Beispiellösung 2: Die entsprechende schrittweise Lösung
Zielaufgabe: Das eigentliche Problem, das gelöst werden soll

Durch diesen Aufbau lernt das Modell, wie es seinen Denkprozess strukturieren und die Schritte zur Lösung komplexer Probleme darlegen soll.

Vorteile von Few-Shot-CoT

Few-Shot-CoT bietet mehrere Vorteile gegenüber anderen Prompting-Techniken:

Höhere Genauigkeit: Few-Shot-CoT ist in der Regel genauer als Zero-Shot-CoT, da die Beispiele dem Modell eine klarere Vorstellung davon vermitteln, wie es denken und antworten soll.
Bessere Strukturierung: Die Antworten folgen einer konsistenteren und logischeren Struktur.
Verbesserte Leistung bei komplexen Aufgaben: Besonders effektiv bei Aufgaben, die mehrschrittige Überlegungen erfordern, wie mathematische Probleme oder logisches Schlussfolgern.
Fokus auf den Prozess: Im Gegensatz zu einfachem Few-Shot-Prompting, das sich auf das Ergebnis konzentriert, legt Few-Shot-CoT den Schwerpunkt auf den Denkprozess.

Unterschiede zu anderen Prompting-Techniken

Technik	Beispiele	Fokus	Anwendungsbereich
Few-Shot-CoT	Wenige Beispiele mit Gedankenketten	Prozess der Problemlösung	Komplexe Reasoning-Aufgaben
Zero-Shot-CoT	Keine Beispiele	Aufforderung zum schrittweisen Denken	Einfachere Reasoning-Aufgaben
Standard Few-Shot	Wenige Beispiele ohne Gedankenketten	Ergebnis	Einfache, direkte Aufgaben

Der Hauptunterschied zwischen Few-Shot-CoT und normalem Few-Shot-Prompting liegt im Fokus: Während Few-Shot-Prompting auf das Ergebnis abzielt und dem Modell hilft, eine spezifische Antwort zu finden, konzentriert sich Few-Shot-CoT auf den Prozess und zeigt dem Modell, wie es durch logisches Denken zu einer Lösung gelangen kann.

Anwendungsbereiche

Few-Shot-CoT eignet sich besonders für:

Mathematische Probleme: Mehrstufige Berechnungen und mathematisches Schlussfolgern
Logische Aufgaben: Komplexe Probleme, die deduktives oder induktives Denken erfordern
Programmieraufgaben: Schrittweise Entwicklung von Algorithmen oder Debugging von Code
Textanalyse: Tiefgehende Interpretation und Analyse von Texten
Entscheidungsfindung: Strukturierte Abwägung verschiedener Optionen

Herausforderungen und Einschränkungen

Trotz seiner Vorteile hat Few-Shot-CoT auch einige Einschränkungen:

Prompt-Länge: Die Beispiele können den Prompt erheblich verlängern, was bei Modellen mit begrenztem Kontextfenster problematisch sein kann.
Beispielauswahl: Die Qualität und Relevanz der gewählten Beispiele hat großen Einfluss auf die Leistung.
Modellgröße: Kleinere Modelle können Schwierigkeiten haben, die Muster in den Beispielen zu erkennen und zu übert ragen.

Häufige Fragen (FAQ)

Was ist der Unterschied zwischen Few-Shot-CoT und Zero-Shot-CoT?

Few-Shot-CoT bietet dem Modell konkrete Beispiele für Gedankenketten, während Zero-Shot-CoT nur eine einfache Aufforderung zum schrittweisen Denken ohne Beispiele verwendet.

Für welche Arten von Aufgaben ist Few-Shot-CoT am besten geeignet?

Few-Shot-CoT eignet sich besonders für komplexe Aufgaben, die mehrschrittige Überlegungen erfordern, wie mathematische Probleme, logisches Schlussfolgern und Programmierung.

Wie viele Beispiele sollte ein Few-Shot-CoT-Prompt enthalten?

In der Regel reichen 2-5 Beispiele aus, aber die optimale Anzahl hängt von der Komplexität der Aufgabe und dem verfügbaren Kontextfenster ab.

Kann Few-Shot-CoT mit allen KI-Modellen verwendet werden?

Few-Shot-CoT funktioniert am besten mit größeren Sprachmodellen, die über ausreichende Reasoning-Fähigkeiten verfügen.

Wie wählt man die besten Beispiele für Few-Shot-CoT aus?

Die Beispiele sollten relevant für die Zielaufgabe sein, eine klare Gedankenkette aufweisen und verschiedene Aspekte des Problemtyps abdecken.