Prompting-Vertiefung: Few-Shot, Chain-of-Thought & Co.

Warum die Grundlagen allein nicht reichen

Im Artikel zu den Prompting-Grundlagen hast du gelernt, wie du klare, konkrete Anfragen formulierst: Kontext geben, Ziel benennen, Format vorgeben. Das reicht für die meisten Alltagsfragen völlig aus. Sobald deine Aufgaben aber komplexer werden – mehrstufige Analysen, konsistente Formate über viele Anfragen hinweg, heikle Abwägungen oder Aufgaben, bei denen die KI regelmässig danebenliegt – lohnt sich ein Blick auf fortgeschrittenere Techniken.

Diese Techniken sind keine Geheimtricks, sondern gut dokumentierte, von Anbietern wie Anthropic und OpenAI selbst empfohlene Methoden (Stand: 2026-07). Sie funktionieren bei ChatGPT, Claude, Gemini und den meisten anderen grossen Sprachmodellen ähnlich, auch wenn sich Details in der Umsetzung unterscheiden können.

Few-Shot-Prompting: Beispiele als Bauplan

Few-Shot-Prompting bedeutet, der KI vor der eigentlichen Aufgabe ein paar Beispiele zu zeigen, wie eine gute Antwort aussieht. Das Gegenstück ist Zero-Shot-Prompting – du stellst die Aufgabe ohne Beispiele, was bei einfachen Aufgaben meist gut funktioniert, bei speziellen Formaten oder Stilfragen aber oft daneben liegt.

Ein Beispiel: Du willst Kundenfeedback in genau drei Kategorien einsortieren lassen (Bug, Feature-Wunsch, Lob). Ohne Beispiele erfindet die KI vielleicht eigene Kategorien oder formuliert die Ausgabe jedes Mal anders. Mit Beispielen bekommt sie ein klares Muster:

Sortiere das folgende Kundenfeedback in eine der Kategorien: Bug, Feature-Wunsch, Lob.

Beispiel 1:
Feedback: "Die App stürzt ab, wenn ich ein Foto hochlade."
Kategorie: Bug

Beispiel 2:
Feedback: "Wäre cool, wenn man Dateien auch per Drag&Drop hochladen könnte."
Kategorie: Feature-Wunsch

Beispiel 3:
Feedback: "Der neue Support-Chat ist wirklich schnell, danke!"
Kategorie: Lob

Jetzt du:
Feedback: "Seit dem Update dauert der Login ewig."
Kategorie:

Wichtige Praxis-Erkenntnisse zu Few-Shot-Prompting:

• Drei bis fünf Beispiele reichen meist aus – mehr bringt selten zusätzlichen Nutzen, kostet aber Kontext und Tokens (siehe Tokens und Kontextfenster).
• Wichtiger als “perfekte” Beispiele ist Vielfalt: Deck möglichst unterschiedliche Fälle ab (typische Fälle, Grenzfälle, Sonderfälle), statt fünfmal fast dasselbe zu zeigen.
• Achte darauf, dass deine Beispiele wirklich zu dem passen, was du willst – Modelle orientieren sich stark an Mustern in Beispielen, auch an unerwünschten. Ein falsches Muster in einem Beispiel kann sich in der Antwort wiederholen.

Chain-of-Thought: die KI laut denken lassen

Chain-of-Thought (CoT, zu Deutsch etwa “Gedankenkette”) bedeutet, die KI aufzufordern, ihren Lösungsweg Schritt für Schritt offenzulegen, statt direkt zur Endantwort zu springen. Der klassische Auslöser ist ein simpler Zusatz wie “Denk Schritt für Schritt” oder “Erkläre deinen Rechenweg, bevor du das Endergebnis nennst”.

Warum das funktioniert: Ein Sprachmodell erzeugt Text Wort für Wort und “plant” nicht im Hintergrund die ganze Antwort voraus. Wenn es gezwungen ist, Zwischenschritte auszuformulieren, stehen diese Zwischenschritte im späteren Kontext zur Verfügung und beeinflussen die nächsten Token – die KI “denkt sich quasi selbst durch die Aufgabe” und kommt dadurch bei mehrstufigen Aufgaben (Rechnen, Logik, mehrstufige Analysen) zuverlässiger zum richtigen Ergebnis.

Ein Team hat ein Budget von 45'000 CHF für ein Quartal. Es gibt bereits
28'500 CHF für Löhne und 6'200 CHF für Lizenzen aus. Reicht das
Restbudget noch für eine Konferenzreise mit geschätzten 9'800 CHF?

Denk Schritt für Schritt: Berechne zuerst die Gesamtausgaben, dann das
Restbudget, und beantworte erst danach die Frage mit Ja oder Nein.

Eine Variante, die sich bei vielen Modellen bewährt hat: die Zwischenschritte explizit in eigene Bereiche auslagern, zum Beispiel mit einem Denk-Abschnitt vor der eigentlichen Antwort. So bleibt die eigentliche Ausgabe sauber, während der Denkweg trotzdem nachvollziehbar ist – nützlich, wenn du das Ergebnis anschliessend automatisiert weiterverarbeiten willst (siehe dazu auch Streaming & strukturierte Outputs).

Few-Shot und Chain-of-Thought lassen sich zudem kombinieren: Zeig in deinen Beispielen nicht nur das Endergebnis, sondern auch den Rechen- oder Denkweg dorthin (“Few-Shot-CoT”). Das schlägt bei komplexen Aufgaben oft beide Techniken einzeln.

Rollen und Personas: Perspektive gezielt vorgeben

Beim Rollen-Prompting (auch Persona-Prompting) weist du die KI an, eine bestimmte Rolle oder Fachperspektive einzunehmen, bevor sie antwortet. Das verändert Wortwahl, Tiefe und manchmal auch den Blickwinkel der Antwort spürbar.

Du bist eine erfahrene Datenschutzbeauftragte in einem Schweizer KMU.
Prüfe den folgenden Prozessablauf auf mögliche DSGVO/nDSG-Risiken und
erkläre in maximal fünf Punkten, worauf ich achten muss.

[Prozessbeschreibung einfügen]

Eine Rolle wirkt wie ein Filter: Die gleiche Frage an “eine Rolle als Marketing-Texterin” versus “eine Rolle als Sicherheitsingenieurin” liefert unterschiedlich gewichtete Antworten, selbst wenn der Sachverhalt identisch ist. Das ist besonders nützlich, um:

• eine bestimmte Fachtiefe zu erzwingen (“erkläre wie einer Fachperson für Netzwerktechnik” statt allgemeinverständlich),
• einen bestimmten Ton zu setzen (locker, formell, knapp, ausführlich),
• mehrere Perspektiven auf dieselbe Frage einzuholen (z.B. nacheinander als Jurist, als Techniker, als Endnutzerin fragen).

Struktur mit Delimitern: klare Grenzen im Prompt

Je länger und komplexer ein Prompt wird, desto wichtiger ist es, für die KI eindeutig erkennbar zu machen, was Anweisung, was Kontext und was Beispieldaten ist. Dafür verwendest du Delimiter – klar erkennbare Trennzeichen oder Tags.

Gängige Varianten:

Ein Beispiel mit Tag-Struktur für einen längeren Analyse-Prompt:

Anweisung: Analysiere den folgenden Supportfall und schlage eine Lösung vor.
Halte dich an das Antwortformat am Ende.

Kontext:
Der Kunde nutzt Windows 11, Firmenlaptop, VPN-Verbindung über FortiClient.

Fall:
"Seit dem letzten Windows-Update bricht die VPN-Verbindung nach ca.
10 Minuten immer ab, Neuverbindung braucht jedes Mal einen Neustart
des Clients."

Format:
1. Wahrscheinlichste Ursache
2. Sofortmassnahme für den Nutzer
3. Massnahme für die IT-Abteilung

Meta-Prompting: die KI ihren eigenen Prompt verbessern lassen

Meta-Prompting bedeutet, die KI selbst zu bitten, einen Prompt zu entwerfen, zu bewerten oder zu verbessern – statt nur die eigentliche Aufgabe zu lösen. Das ist besonders praktisch, wenn du eine Aufgabe wiederholt stellen wirst und den Prompt dafür sauber ausformulieren willst, aber nicht genau weisst, wie.

Zwei typische Anwendungsfälle:

1. Prompt generieren lassen:

Ich möchte ein KI-Modell regelmässig bitten, technische Störungsmeldungen
in Ticket-Kategorie, Priorität und eine kurze Zusammenfassung zu
übersetzen. Entwirf mir einen wiederverwendbaren Prompt dafür, inklusive
zwei bis drei Beispielen im Few-Shot-Format.

2. Bestehenden Prompt verbessern lassen:

Hier ist mein aktueller Prompt für die automatische Klassifizierung von
Supportanfragen: [Prompt einfügen]

Er liefert manchmal uneinheitliche Kategorien. Analysiere, wo der Prompt
mehrdeutig ist, und schlage eine präzisere, konsistentere Version vor.

Viele Anbieter bieten dafür inzwischen auch dedizierte Werkzeuge direkt in ihren Entwickler-Konsolen an, etwa einen Prompt-Generator oder einen Prompt-Verbesserer, die automatisch Variablen erkennen und in eine saubere Vorlage einbauen (Stand: 2026-07). Für den Alltag reicht aber oft schon ein einfacher Chat-Prompt wie oben, um eine erste gute Version zu bekommen, die du danach von Hand feinjustierst.

Wiederverwendbare Prompt-Vorlagen bauen

Wenn du eine Aufgabe öfter stellst – Meeting-Notizen zusammenfassen, E-Mails in einem bestimmten Ton umschreiben, Code-Reviews nach einem festen Schema – lohnt sich eine Prompt-Vorlage: ein Text mit festen Anweisungen und klar markierten Platzhaltern für die variablen Teile.

Rolle: Du bist eine erfahrene technische Redakteurin.

Aufgabe: Fasse die folgenden Meeting-Notizen in maximal 150 Wörtern
zusammen. Gliedere in "Entscheidungen", "Offene Punkte" und
"Nächste Schritte mit Verantwortlichkeit".

Ton: Sachlich, keine Füllwörter, Stichpunkte statt Fliesstext.

Meeting-Notizen:
{{NOTIZEN}}

Die doppelten geschweiften Klammern um den Platzhalter sind eine gängige Konvention (sogenannte Handlebars-Notation), die auch in Entwickler-Werkzeugen von Anthropic und anderen Anbietern verwendet wird – du ersetzt {{NOTIZEN}} beim tatsächlichen Einsatz jeweils durch den konkreten Text.

Praktische Tipps für eigene Vorlagen:

• Feste Teile zuerst, variable Teile zuletzt. Das hilft nicht nur der Lesbarkeit, sondern auch bei technischer Weiterverarbeitung (z.B. Prompt-Caching bei API-Nutzung, siehe LLM-APIs – Grundlagen).
• Eine Vorlage pro wiederkehrender Aufgabe, nicht eine riesige Universalvorlage für alles – kleinere, spezifische Vorlagen liefern zuverlässigere Ergebnisse.
• Vorlagen an einem Ort sammeln: eine Notiz-App, ein gemeinsames Dokument im Team oder – bei häufiger Nutzung über eine API – ein eigenes kleines Skript oder System-Prompt-Setup (siehe System-Prompts & Engineering).
• Wenn deine Vorlage in mehreren KI-Tools eingesetzt werden soll: einfache Markdown-Struktur statt tool-spezifischer Sonderfunktionen verwenden, damit sie überall funktioniert.

Welche Technik wann? Eine Entscheidungshilfe

Brauchst du ein exaktes, wiederkehrendes Format (JSON, Klassifizierung, fester Stil)?
  → Few-Shot-Prompting mit 2-5 Beispielen

Ist die Aufgabe mehrstufig, mathematisch oder braucht nachvollziehbare Logik?
  → Chain-of-Thought ("Denk Schritt für Schritt") – ausser bei Modellen mit
    eingebautem Reasoning-Modus, dort meist unnötig

Soll die Antwort einen bestimmten fachlichen Blickwinkel oder Ton haben?
  → Rollen-Prompt ("Du bist ...")

Ist dein Prompt lang, mit mehreren Kontextblöcken oder Fremdtext?
  → Klare Delimiter (Tags, Markdown-Abschnitte, Anführungszeichen)

Weisst du nicht genau, wie du die Aufgabe am besten formulierst?
  → Meta-Prompting: die KI selbst einen Prompt-Entwurf erstellen lassen

Stellst du dieselbe Aufgabe regelmässig?
  → Feste, wiederverwendbare Vorlage mit klar markierten Platzhaltern bauen

In der Praxis kombinierst du diese Techniken meist: ein Rollen-Prompt mit klaren Delimitern, ein paar Few-Shot-Beispielen und einer Aufforderung zum Schritt-für-Schritt-Denken sind bei einer komplexen Aufgabe keine Seltenheit, sondern eher der Normalfall.

Zusammenfassung

• Few-Shot-Prompting: 2-5 vielfältige Beispiele zeigen, statt nur die Aufgabe zu beschreiben – besonders stark bei festen Formaten.
• Chain-of-Thought: die KI explizit zum Schritt-für-Schritt-Denken auffordern – bei Modellen mit eingebautem Reasoning-Modus meist verzichtbar.
• Rollen-Prompts: eine Fachperspektive oder einen Ton vorgeben, ohne dass daraus echtes Fachwissen entsteht.
• Delimiter: Tags, Markdown-Abschnitte oder Anführungszeichen trennen Anweisung, Kontext und Beispieldaten klar und machen lange Prompts robuster.
• Meta-Prompting: die KI Prompts für dich entwerfen oder verbessern lassen, statt selbst bei null anzufangen.
• Wiederverwendbare Vorlagen: feste Struktur mit klar markierten Platzhaltern für Aufgaben, die du regelmässig stellst.

Weiterlernen

• Anthropic – Prompt Engineering Übersicht
• Anthropic – Use examples (multishot prompting)
• Anthropic – Chain of thought prompting
• Anthropic – Prompt templates and variables
• Claude – Prompt engineering best practices for 2026
• OpenAI Platform – Prompt engineering guide

Videos

YouTube