Was ist Few-Shot-Prompting? Beispiele im Prompt für bessere KI-Antworten

Few-Shot-Prompting ist eine Technik im Prompt Engineering, bei der Sie einem großen Sprachmodell einige wenige Beispiele – meist zwei bis fünf – direkt im Prompt mitgeben, bevor Sie die eigentliche Aufgabe stellen. Statt das Modell nur mit einer Anweisung zu konfrontieren, zeigen Sie ihm anhand von Beispielen genau, welches Format, welche Struktur und welchen Ton Sie erwarten. Das Modell erkennt das Muster und überträgt es auf die neue Eingabe.

Der Begriff „Shot" bezeichnet dabei ein einzelnes Beispiel. Ein Few-Shot-Prompt enthält also „einige Schüsse" – im Gegensatz zum Zero-Shot-Prompt (kein Beispiel) und zum One-Shot-Prompt (genau ein Beispiel). Die Technik gehört zu den Grundlagen des Prompt Engineering und ist besonders nützlich, wenn eine bestimmte Antwortstruktur wichtig ist.

Wie Few-Shot-Prompting funktioniert

Few-Shot-Prompting nutzt eine Fähigkeit von Sprachmodellen, die als „In-Context Learning" bezeichnet wird: Das Modell lernt aus den Beispielen im Prompt, ohne dass die Modellgewichte verändert werden. Anders als beim Nachtrainieren eines Modells passiert hier nichts Dauerhaftes – das Beispiel wirkt nur innerhalb dieser einen Anfrage.

Jedes Beispiel besteht typischerweise aus einem Eingabe-Ausgabe-Paar. Ein Beispiel für eine Sentiment-Klassifikation:

Tweet: "Der Support hat sofort geantwortet, top!" → positiv
Tweet: "Warte seit drei Tagen auf eine Rückmeldung." → negativ
Tweet: "Das Paket kam heute an." → neutral
Tweet: "Endlich funktioniert es wieder wie erwartet." →

Das Modell erkennt anhand der ersten drei Zeilen das Muster (Text plus Kategorie) und ergänzt die letzte Zeile passend. Laut der Prompting Guide tauchten diese Few-Shot-Eigenschaften laut Touvron et al. (2023) erstmals auf, als Sprachmodelle eine bestimmte Größe erreichten.

Die Beispiele belegen einen Teil des Kontextfensters – des begrenzten Textbereichs, den ein Modell pro Anfrage verarbeiten kann. Mit den größeren Kontextfenstern moderner Modelle passen mehr und längere Beispiele hinein, was die Technik laut Vellum breiter einsetzbar macht.

Zero-Shot, One-Shot und Few-Shot im Vergleich

Die drei Varianten unterscheiden sich allein in der Menge an Beispielen, die Sie mitliefern:

• Zero-Shot: Sie geben nur eine Anweisung, kein Beispiel. Das reicht bei Aufgaben, die das Modell aus seinem Training gut kennt – etwa „Klassifiziere die Stimmung dieses Satzes".
• One-Shot: Sie geben genau ein Beispiel. Sinnvoll, wenn die Anweisung mehrdeutig ist oder die Aufgabe etwas schwieriger.
• Few-Shot: Sie geben mehrere Beispiele. Empfehlenswert, sobald ein festes Format, ein besonderer Ton oder ein Muster wichtig ist.

Die Faustregel aus der Praxis: Zuerst Zero-Shot versuchen. Führt das nicht zum gewünschten Ergebnis, auf Few-Shot wechseln. Bei learnprompting.org wird zudem beschrieben, dass die Ausgabe in der Regel besser wird, je mehr aussagekräftige Beispiele Sie zeigen – wobei zwei bis fünf oft ausreichen.

Wann Few-Shot-Prompting sinnvoll ist

Few-Shot-Prompting lohnt sich vor allem in drei Situationen:

Feste Ausgabestruktur. Wenn die Antwort immer im gleichen Format erscheinen soll – etwa als Tabelle, als kurze Bewertung oder als strukturierte JSON-Ausgabe –, zeigen Beispiele schneller und zuverlässiger, was gemeint ist, als eine lange Textanweisung.

Spezieller Ton oder Stil. Soll ein Text in einer bestimmten Tonalität entstehen, machen zwei bis drei Beispiele den gewünschten Stil greifbar. Das ist etwa bei Produktbeschreibungen oder standardisierten Antworten hilfreich.

Kategorisierung und Klassifikation. Bei Aufgaben wie Sentiment-Analyse, Themenzuordnung oder Fehlererkennung geben Beispiele die genauen Grenzen der Kategorien vor. So legen Sie fest, was „positiv", „neutral" oder „dringend" konkret bedeutet.

Bedeutung für AI-Mitarbeiter

Bei scoreprise.AI bauen wir AI-Mitarbeiter – erprobte Rollen mit klarer Aufgabe. Few-Shot-Prompting ist eine der Techniken, mit denen eine solche Rolle konsistent arbeitet. Der Unterschied zum reinen Prompten: Bei einem AI-Mitarbeiter sind die Beispiele fester Bestandteil der Rollenkonfiguration und nicht jedes Mal neu einzugeben.

Ein Beispiel: Unser Sales Assistant Carl qualifiziert Leads nach festen Kriterien. Hinterlegte Beispiele – „So sieht eine gute Qualifizierung aus, so eine unvollständige" – helfen dem Modell, neue Anfragen im gleichen Raster einzuordnen. Damit greift Few-Shot-Prompting eng mit der Lead-Qualifizierung ineinander.

Wichtig ist die Abgrenzung zu dauerhaftem Wissen: Few-Shot-Beispiele zeigen ein Muster, sie liefern kein Fachwissen. Wenn ein AI-Mitarbeiter Fakten aus Ihren Dokumenten braucht, ist Retrieval-Augmented Generation der passende Ansatz – nicht Few-Shot-Prompting.

Grenzen und Stolperfallen

Few-Shot-Prompting ist keine Garantie für richtige Antworten. Bei komplexen Rechen- oder Logikaufgaben stoßen bloße Beispiele an Grenzen; hier hilft eher Chain-of-Thought-Prompting, bei dem das Modell seinen Lösungsweg schrittweise darlegt.

Weitere Punkte, die Sie beachten sollten:

• Beispielauswahl prägt das Ergebnis. Verzerrte oder einseitige Beispiele führen zu verzerrten Ausgaben. Achten Sie auf ausgewogene, repräsentative Beispiele.
• Reihenfolge kann eine Rolle spielen. Bei Klassifikationsaufgaben kann die Anordnung der Beispiele die Ausgabe beeinflussen.
• Beispiele kosten Platz und Tokens. Jedes Beispiel verbraucht Platz im Kontextfenster und erhöht die Kosten pro Anfrage. Mehr Beispiele sind nicht automatisch besser.

Häufige Fragen

Wie viele Beispiele braucht ein Few-Shot-Prompt?

In der Praxis reichen meist zwei bis fünf Beispiele. Genau diese Spanne wird in mehreren Anleitungen genannt, etwa bei QuillBot. Mehr Beispiele können die Genauigkeit erhöhen, verbrauchen aber Platz im Kontextfenster und steigern die Kosten. Testen Sie, ab wann zusätzliche Beispiele keinen Mehrwert mehr bringen.

Was ist der Unterschied zwischen Few-Shot-Prompting und Fine-Tuning?

Few-Shot-Prompting gibt Beispiele nur innerhalb eines einzelnen Prompts vor – das Modell selbst bleibt unverändert. Fine-Tuning dagegen trainiert das Modell mit vielen Beispielen dauerhaft nach. Few-Shot ist schneller und ohne Trainingsaufwand einsetzbar, Fine-Tuning lohnt bei sehr großen, festen Anwendungsfällen. Mehr dazu im Artikel Fine-Tuning vs. RAG.

Wann sollte ich Zero-Shot statt Few-Shot verwenden?

Nutzen Sie Zero-Shot, wenn die Aufgabe für das Modell klar und vertraut ist – etwa eine einfache Stimmungsanalyse oder eine gängige Zusammenfassung. Erst wenn das Ergebnis unpräzise ist oder das Format nicht stimmt, sollten Sie mit Few-Shot-Beispielen nachhelfen. Das spart Platz im Prompt und reduziert die Kosten.

Ersetzt Few-Shot-Prompting das Training eines Modells?

Nein. Few-Shot-Prompting verändert das Modell nicht, sondern nutzt seine bereits vorhandenen Fähigkeiten und lenkt sie durch Beispiele. Für dauerhaftes Fachwissen aus eigenen Dokumenten ist es nicht geeignet – dafür sind RAG-Systeme oder Fine-Tuning gedacht. Few-Shot zeigt ein Muster, kein neues Wissen.