Zum Inhalt springen
ReviewRamble

Der wöchentliche Brief

KI im Test, in deinem Postfach.

  • Neue Tests von Tools, Modellen, MCP-Servern und Repos, mit dem Urteil vorneweg
  • Neu geprüfte Preise und Bewertungen, wenn sich etwas ändert
  • Neue Analysen, sobald sie erscheinen

Modelle, Agenten, MCP-Server und die Tools, die deine Zeit wirklich wert sind.

Eine E-Mail pro Woche. Abmelden kannst du dich über den Link in jedem Brief. Wie wir deine E-Mail-Adresse nutzen

Few-Shot Prompting

Few-Shot Prompting (Prompting mit wenigen Beispielen) bedeutet, einem Sprachmodell im Prompt eine Handvoll durchgearbeiteter Beispiele einer Aufgabe zu geben, damit es das Muster ohne erneutes Training auf eine neue Eingabe übertragen kann.

Auch: in-context learning, few-shot, multishot prompting

Von Divya Sharma · Geprüft am 15. Nov. 2026 · So testen wir

In einem Few-Shot-Prompt zeigst du dem Modell mehrere Paare aus Eingabe und Ausgabe, gibst ihm dann eine neue Eingabe und lässt es das Muster vervollständigen. Die Gewichte des Modells ändern sich nicht. Es erschließt die Aufgabe aus den Beispielen in seinem Kontext, weshalb die Fähigkeit auch In-Context Learning heißt.

Woher der Begriff kommt

Bekannt wurde die Idee durch das GPT-3-Paper „Language Models are Few-Shot Learners“. Die Autoren setzten GPT-3 ohne Gradienten-Updates oder Fine-Tuning für viele Aufgaben ein und gaben jede Aufgabe samt Demonstrationen nur als Text im Prompt vor. Sie berichteten, dass ein größeres Modell diese Few-Shot-Leistung deutlich verbesserte.

Beispiel

Um Support-Tickets zu klassifizieren, könnte ein Prompt drei Tickets auflisten, jeweils gefolgt von seinem Label (billing, bug, account), und dann ein viertes Ticket ohne Label. Das Modell soll mit einem der gleichen Labels im gleichen Format antworten.

Warum es wichtig ist

Beispiele zeigen Format und Ton oft klarer als eine lange Beschreibung. Der Prompting-Leitfaden von Anthropic nennt sie einen der zuverlässigsten Wege, Format, Ton und Struktur der Ausgabe zu steuern. Sie sind ein fester Bestandteil von Prompt Engineering.

Der Unterschied zu Zero-Shot

Ein Zero-Shot-Prompt gibt nur eine Anweisung ohne Beispiele. One-Shot gibt ein einzelnes Beispiel. Few-Shot gibt mehrere.

Grenzen

Jedes Beispiel kostet bei jedem Aufruf Input-Tokens. Das Modell kann oberflächliche Details der Beispiele übernehmen, etwa Länge oder Wortwahl, die Beispiele sollten also variieren. Few-Shot Prompting kann dem Modell auch keine Fakten beibringen, die ihm fehlen; dafür kommen Retrieval-Augmented Generation oder Fine-Tuning infrage.

Verwandte Begriffe

Zero-Shot
Zero-Shot bedeutet, ein Modell eine Aufgabe allein anhand einer Anweisung erledigen zu lassen, ohne ausgearbeitete Beispiele im Prompt und ohne aufgabenspezifisches Training. Das Modell verlässt sich nur auf das, was es schon gelernt hat.
Prompt Engineering
Prompt Engineering ist die Praxis, die Anweisungen und Beispiele für ein Sprachmodell so zu schreiben, zu strukturieren und zu testen, dass es die Ausgabe liefert, die eine Anwendung braucht, ohne die Gewichte des Modells zu ändern.
Chain-of-Thought
Chain-of-Thought (CoT, Gedankenkette) ist eine Prompting-Methode, bei der ein Sprachmodell vor seiner endgültigen Antwort Zwischenschritte seines Denkens ausschreibt, was Ergebnisse bei Mathematik, Logik und anderen mehrstufigen Aufgaben meist verbessert.
Fine-Tuning
Fine-Tuning (Feinabstimmung) ist das Weitertrainieren eines vortrainierten Modells auf einem kleineren, aufgabenspezifischen Datensatz, damit das Modell eine bestimmte Fähigkeit, ein Format, einen Ton oder ein Fachgebiet übernimmt, ohne von Grund auf trainiert zu werden.
System-Prompt
Ein System-Prompt ist der Block von Anweisungen, den eine Anwendung vor den Nachrichten des Nutzers an ein Sprachmodell schickt. Er legt Rolle, Regeln, Ton und Ausgabeformat des Modells für die ganze Unterhaltung fest.

Quellen