Mit freundlicher Unterstützung von
← Zurück zu GenAI & Content Creation
Few-Shot Prompting ist eine Prompt-Technik, bei der dem Sprachmodell einige wenige Beispiel-Paare (Input → Output) als Kontext mitgegeben werden, damit es das gewünschte Ausgabemuster erkennt und auf neue Eingaben überträgt.

Rubrik: GenAI & Content Creation · Unterrubrik: Prompt Engineering · Niveau: Fortgeschritten

Synonyme / Auch bekannt als: In-Context Learning, Example-Based Prompting, N-Shot Prompting


Was ist Few-Shot Prompting?

Few-Shot Prompting basiert auf einem grundlegenden Merkmal großer Sprachmodelle: Ihrer Fähigkeit, Muster im Kontext zu erkennen und auf neue Inputs anzuwenden, ohne dass ihre Gewichte angepasst werden müssen. Brown et al. (2020) demonstrierten mit GPT-3, dass Sprachmodelle allein durch Beispiele im Prompt neue Aufgaben lösen können, für die sie nicht explizit trainiert wurden.

Der Begriff leitet sich aus dem Maschinenlernen ab: Few-Shot Learning bezeichnet dort die Fähigkeit, neue Konzepte aus wenigen Beispielen zu lernen. Im Kontext von LLMs meint es die Demonstration des gewünschten Formats und Verhaltens durch Beispielpaare direkt im Prompt.


Erklärung

Grundstruktur

Ein Few-Shot Prompt hat folgendes Muster:

``` [Aufgabenbeschreibung (optional)]

Beispiel 1: Input: [Eingabe 1] Output: [Gewünschte Ausgabe 1]

Beispiel 2: Input: [Eingabe 2] Output: [Gewünschte Ausgabe 2]

Beispiel 3: Input: [Eingabe 3] Output: [Gewünschte Ausgabe 3]

Input: [Neue Eingabe] Output: ```

Das Modell erkennt das Muster der Input-Output-Paare und generiert für die neue Eingabe eine Ausgabe im selben Stil.

Varianten nach Beispielanzahl

BezeichnungAnzahl BeispieleAnwendung
Zero-Shot0Direkte Anfrage ohne Beispiele
One-Shot1Minimale Stil-Demonstration
Few-Shoteinige, oft 3-5Standard für die meisten Aufgaben
Many-ShotHunderte bis TausendeLange Kontextfenster, schwierige oder ungewohnte Aufgaben

Anthropic empfiehlt für Claude 3 bis 5 vielfältige, relevante Beispiele (Stand: November 2026). Agarwal et al. (NeurIPS 2024) zeigten mit Modellen mit großem Kontextfenster, dass Hunderte oder Tausende Beispiele (Many-Shot) bei vielen Aufgaben weitere Verbesserungen bringen können. Die passende Anzahl hängt also von Aufgabe, Modell und Kosten ab.

Wirkungsweise im Modell

Beim Lesen der Beispiele baut das Modell interne Repräsentationen des Musters auf. Diese informieren, wie nachfolgende Tokens generiert werden. Wichtig: Das Modell "lernt" nicht im Sinne von Gewichtsanpassung, es nutzt Kontext-Attention-Mechanismen, um die Beispielstruktur auf neue Inputs zu übertragen.

Die Forschung nennt mehrere Einflussfaktoren:

  1. Format und Antwortraum: Min et al. (EMNLP 2022) fanden, dass zufällig vertauschte Labels in Klassifikationsbeispielen die Leistung kaum senkten. Wichtiger waren der Raum möglicher Antworten, die Art der Eingabetexte und das Format.
  2. Konsistenz in Struktur und Trennzeichen zwischen Beispielen
  3. Ähnlichkeit: Liu et al. (2022) zeigten, dass Beispiele, die der tatsächlichen Eingabe inhaltlich ähneln, bessere Ergebnisse liefern als zufällig gewählte.
  4. Reihenfolge: Lu et al. (ACL 2022) wiesen nach, dass die Reihenfolge der Beispiele die Ergebnisse stark beeinflussen kann.
Was Few-Shot-Beispiele wirksam macht
Befund
Format und Antwortraumwichtiger als korrekte Labels (Min et al. 2022)
Konsistenzgleiche Struktur und Trennzeichen
Ähnlichkeitpassende Beispiele schlagen zufällige (Liu et al. 2022)
Reihenfolgekann Ergebnisse stark verändern (Lu et al. 2022)
Quelle: Eigene Darstellung nach diesem Eintrag, Stand November 2026

Optimale Beispielauswahl

Anthropic empfiehlt, Beispiele relevant, vielfältig und klar strukturiert zu halten und sie für Claude in <example>-Tags (mehrere in <examples>) einzuschließen, damit sie sich von den Anweisungen abheben. OpenAI rät bei Reasoning-Modellen, es zunächst ohne Beispiele zu versuchen; falls doch Beispiele nötig sind, müssen sie eng zu den Anweisungen passen (Stand: November 2026).

Nicht jedes Beispiel ist gleich gut. Kriterien für gute Few-Shot-Beispiele:

  • Repräsentativität: Beispiele sollten typische Fälle abdecken
  • Diversität: Verschiedene Varianten des Problems zeigen
  • Klarheit: Das erwünschte Ausgabemuster eindeutig demonstrieren
  • Korrektheit: Fehler in Beispielen übertragen sich auf die Ausgabe
  • Relevanz: Ähnlichkeit zum tatsächlichen Anwendungsfall

Beispiele

Anwendungsfall Sentimentanalyse:

``` Klassifiziere den Satz als POSITIV, NEGATIV oder NEUTRAL.

Satz: "Das Konzert war fantastisch!" Klassifikation: POSITIV

Satz: "Die Lieferung kam zwei Wochen zu spät." Klassifikation: NEGATIV

Satz: "Das Paket wiegt 500 Gramm." Klassifikation: NEUTRAL

Satz: "Der Kundenservice hat mir sofort geholfen." Klassifikation: ```

Anwendungsfall Textrestrukturierung:

``` Wandle den informellen Satz in einen professionellen Businesston um.

Informell: "Kannst du mal kurz bei uns vorbeischauen?" Professionell: "Wir würden uns über einen Besuch in unserem Unternehmen freuen."

Informell: "Das läuft super bei uns!" Professionell: "Die Geschäftsentwicklung verläuft sehr erfreulich."

Informell: "Wir haben den Auftrag gekriegt!" Professionell: ```

Anwendungsfall Produktbeschreibungen:

``` Schreibe eine kurze, ansprechende Produktbeschreibung (max. 2 Sätze).

Produkt: Lederbrieftasche, braun, 3 Kartenfächer Beschreibung: "Zeitlose Eleganz trifft funktionales Design: Diese handgefertigte Lederbrieftasche aus echtem Vollnarbenleder bietet drei großzügige Kartenfächer für Ihren organisierten Alltag."

Produkt: Tasse, blau, mit Katzenaufdruck Beschreibung: "Diese charmante blaue Tasse mit handgemaltem Katzenaufdruck ist nicht nur ein praktischer Begleiter für Ihre Lieblingsgetränke, sondern auch ein süßes Statement für Tierliebhaber/innen."

Produkt: Notebook A5, schwarz, 200 Seiten Beschreibung: ```


In der Praxis

Formatierungstipps

Klare Trennzeichen verwenden: ```

Beispiel 1 ###

Input: ... Output: ...

Beispiel 2 ###

```

Oder einfaches lineares Format: `` Input: ... → Output: ... Input: ... → Output: ... Input: [neue Anfrage] → Output: ``

Für längere Outputs: Zeilenumbrüche und konsistente Strukturierung helfen dem Modell, das Format zu übernehmen.

Häufige Fehler

  • Inkonsistentes Format: Manchmal Output:, manchmal Antwort:, das verwirrt das Modell
  • Zu komplexe Beispiele: Wenn Beispiele selbst komplex sind, fällt dem Modell Muster-Erkennung schwerer
  • Beispiele aus anderen Domänen: Produktbeschreibungen als Beispiel für journalistische Texte → unpassend
  • Negative Beispiele ohne Erklärung: „Das ist ein schlechtes Beispiel für..." → eher vermeiden

Kombination mit anderen Techniken

Few-Shot + CoT ist eine der mächtigsten Kombinationen: Beispiele demonstrieren sowohl das Format als auch den Denkprozess:

``` Problem: [Problem 1] Denken: Zuerst... dann... also... Antwort: [Antwort 1]

Problem: [Problem 2] Denken: ... Antwort: [Antwort 2]

Problem: [Neues Problem] Denken: ```


Vergleich & Abgrenzung

Few-Shot vs. Zero-Shot: Zero-Shot ist einfacher zu schreiben; Few-Shot ist mächtiger für ungewöhnliche oder format-sensitive Aufgaben. Faustregel: Zero-Shot zuerst versuchen, wenn das Ergebnis nicht passt, Few-Shot ergänzen.

Few-Shot Prompting vs. Fine-Tuning: Fine-Tuning passt die Modellgewichte dauerhaft an. Few-Shot wirkt nur im jeweiligen Prompt. Fine-Tuning braucht Daten, Zeit und Geld; Few-Shot ist flexibel und sofort einsetzbar.

Few-Shot vs. [Rollen-Prompting (Roleplay Prompting)](/wiki/genai-content-creation/prompt-engineering/rollenprompting/): Rollen-Prompting definiert eine Persona (wer das Modell sein soll). Few-Shot zeigt durch Beispiele, wie es sich verhalten soll. Oft werden beide kombiniert.


Häufige Fragen (FAQ)

Wie viele Beispiele sind optimal? Anthropic empfiehlt für Claude 3 bis 5 Beispiele. Bei Modellen mit großem Kontextfenster können laut Agarwal et al. (2024) auch Hunderte Beispiele weitere Verbesserungen bringen, kosten aber entsprechend mehr Tokens.

Müssen die Beispiele inhaltlich korrekt sein? Min et al. (2022) fanden, dass falsche Labels in Klassifikationsbeispielen die Leistung überraschend wenig senkten; Format und Antwortraum wogen schwerer. Für die Praxis sind korrekte Beispiele trotzdem die bessere Wahl, weil sich Fehler übertragen können.

Welche Reihenfolge der Beispiele ist optimal? Die Reihenfolge kann laut Lu et al. (2022) einen großen Unterschied machen. Eine allgemein beste Reihenfolge gibt es nicht; bei wichtigen Prompts lohnt es sich, Varianten zu testen.

Brauchen Reasoning-Modelle Few-Shot-Beispiele? Oft nicht. OpenAI empfiehlt, es bei Reasoning-Modellen zuerst ohne Beispiele zu versuchen. Anthropic betont, dass Beispiele mit vorgeführtem Lösungsweg auch mit aktiviertem Denken wirken.


Verwandte Einträge


Weiterführend

  • Brown, Tom B. et al. (2020): Language Models are Few-Shot Learners. NeurIPS 2020. (GPT-3, grundlegendes Paper)
  • Min, Sewon et al. (2022): Rethinking the Role of Demonstrations: What Makes In-Context Learning Work? EMNLP 2022.
  • Dong, Qingxiu et al. (2024): A Survey on In-context Learning. EMNLP 2024 (arXiv:2301.00234).
  • Liu, Jiachang et al. (2022): What Makes Good In-Context Examples for GPT-3? DeeLIO 2022 (3rd Workshop on Knowledge Extraction and Integration for Deep Learning Architectures), ACL.
  • Lu, Yao et al. (2022): Fantastically Ordered Prompts and Where to Find Them: Overcoming Few-Shot Prompt Order Sensitivity. ACL 2022.
  • Agarwal, Rishabh et al. (2024): Many-Shot In-Context Learning. NeurIPS 2024.
  • Anthropic (2026): Prompting best practices (Abschnitt Use examples effectively). platform.claude.com
  • DAIR.AI: Few-Shot Prompting. promptingguide.ai/techniques/fewshot
← Zurück zu GenAI & Content Creation
Infotag

Sei am Freitag dabei.
Bring Eltern oder Freunde mit.

Ein halber Nachmittag, der dir drei Jahre Klarheit bringen kann. Kostenlos, unverbindlich, ehrlich.

  • Rundgang durch Studios, Schnitträume und Tonstudio
  • Echte Absolventenfilme sehen
  • 1:1-Beratung zu Bewerbung & BAföG
  • Studierende direkt fragen
  • Kaffee, kein Sales-Pitch
  • Auch online möglich

Platz beim Infotag reservieren

Dauert 30 Sekunden. Bestätigung per E-Mail.
100 % kostenlos · keine Verpflichtung · jederzeit absagbar