few-shotprompt-engineeringbeispieleki-workflowzero-shot

Few-Shot-Prompting: Mit Beispielen bessere KI-Ergebnisse

7 Min. Lesezeit

Wenn ein Sprachmodell deine Anweisungen einfach nicht so umsetzt, wie du es dir vorstellst, liegt das selten an mangelnder Intelligenz des Modells. Meistens fehlt ihm schlicht ein Muster, an dem es sich orientieren kann. Genau hier setzt Few-Shot-Prompting an: Statt eine Aufgabe nur zu beschreiben, zeigst du dem Modell zwei bis fünf konkrete Beispiele, wie eine richtige Antwort aussieht. Diese Technik ist eine der wirksamsten und gleichzeitig am meisten unterschätzten Methoden im Prompt-Engineering.

Zero-Shot, One-Shot, Few-Shot

Die Begriffe klingen technischer, als sie sind. Zero-Shot bedeutet: Du gibst nur die Anweisung, keine Beispiele. One-Shot heißt: Du lieferst genau ein Beispiel. Few-Shot umfasst typischerweise zwei bis fünf Beispiele. Moderne Modelle der Generation 2026 sind im Zero-Shot oft schon erstaunlich gut, doch sobald es um ein spezifisches Format, einen ungewöhnlichen Stil oder eine wiederkehrende Klassifizierungsaufgabe geht, schlägt Few-Shot fast immer.

Der Grund liegt in der Funktionsweise der Modelle: Sie vervollständigen Muster. Wenn du drei Beispiele für ein bestimmtes Eingabe-Ausgabe-Muster zeigst, "versteht" das Modell die zugrunde liegende Regel, ohne dass du sie explizit ausformulieren musst. Das ist besonders nützlich, wenn die Regel schwer in Worte zu fassen ist.

Wie ein Few-Shot-Prompt aufgebaut ist

Der klassische Aufbau folgt einem klaren Schema: kurze Aufgabenbeschreibung, danach die Beispiele in einem konsistenten Format, dann die eigentliche neue Eingabe. Ein Beispiel für eine Stimmungsklassifizierung von Kundenfeedback:

Entscheidend ist die formale Gleichheit aller Beispiele. Verwendest du in einem Beispiel einen Doppelpunkt und im nächsten einen Pfeil, irritiert das das Modell. Konsistenz im Format ist beim Few-Shot fast wichtiger als der Inhalt der Beispiele selbst.

Gute Beispiele auswählen

Nicht jedes Beispiel hilft gleich viel. Drei Prinzipien haben sich bewährt:

  1. Vielfalt statt Wiederholung: Wähle Beispiele, die unterschiedliche Fälle abdecken. Drei fast identische Beispiele bringen weniger als drei klar verschiedene.
  2. Randfälle einbauen: Wenn deine Aufgabe knifflige Grenzfälle hat, zeige genau diese. So lernt das Modell, wo die Grenzen verlaufen.
  3. Ausgewogene Verteilung: Bei Klassifizierungen sollte jede Kategorie mindestens einmal vorkommen, sonst entwickelt das Modell eine Schlagseite zur am häufigsten gezeigten Klasse.

Few-Shot für Stil und Tonalität

Eine besonders elegante Anwendung ist das Übertragen von Stil. Wenn du möchtest, dass die KI in einem bestimmten Ton schreibt, ist die Beschreibung dieses Tons mühsam und ungenau. Stattdessen lieferst du zwei oder drei eigene Textproben. Das Modell extrahiert daraus Satzlänge, Wortwahl, Rhythmus und Förmlichkeit, ohne dass du diese Merkmale benennen musst. So bekommst du Newsletter, Produktbeschreibungen oder Support-Antworten, die nach deiner Marke klingen statt nach generischer KI.

Der Tokenpreis von Beispielen

Few-Shot hat einen Preis: Jedes Beispiel belegt Platz im Kontextfenster und kostet bei jeder Anfrage Tokens. Bei einem einmaligen Einsatz spielt das keine Rolle. Verarbeitest du aber tausende Eingaben über die API, summiert sich der Aufschlag schnell. Hier lohnt eine Abwägung: Reichen zwei Beispiele, oder brauchst du wirklich fünf? Wie viel die zusätzlichen Beispiele kosten, lässt sich mit dem Prompt-Token-Budget-Rechner abschätzen, bevor du etwas live schaltest. Bei sehr vielen wiederkehrenden Beispielen kann sich auch Prompt-Caching lohnen, um die immer gleichen Tokens nicht jedes Mal voll zu bezahlen.

Wann Few-Shot nicht hilft

Few-Shot ist kein Allheilmittel. Bei reinen Wissensfragen ("Was ist die Hauptstadt von Norwegen?") bringen Beispiele nichts, weil es kein Muster zu lernen gibt. Auch bei sehr komplexen, mehrstufigen Denkaufgaben helfen einzelne Beispiele oft weniger als eine Aufforderung zum schrittweisen Denken. Und wenn deine Beispiele Fehler enthalten, übernimmt das Modell diese bereitwillig – falsche Beispiele sind schlimmer als gar keine.

Few-Shot mit anderen Techniken kombinieren

Die volle Wirkung entfaltet Few-Shot in Kombination. Ein klarer System-Prompt definiert die Rolle, die Beispiele zeigen das Format, und eine abschließende Anweisung lenkt auf den konkreten Fall. Bei anspruchsvollen Aufgaben kannst du Beispiele zeigen, die nicht nur das Ergebnis, sondern auch den Lösungsweg enthalten – das ist die Brücke zum Chain-of-Thought-Prompting. Weitere Methoden und Vorlagen findest du fortlaufend in unserem News-Bereich sowie unter den praktischen Webtools.

Beispiele bei wechselnden Eingaben dynamisch wählen

In Anwendungen, die viele unterschiedliche Eingaben verarbeiten, ist ein fester Satz Beispiele nicht immer ideal. Eine fortgeschrittene Technik wählt für jede konkrete Anfrage die passendsten Beispiele aus einer größeren Sammlung aus – etwa die, die der aktuellen Eingabe am ähnlichsten sind. So bekommt das Modell jeweils genau die Vorbilder, die zum Fall passen, statt allgemeiner Standardbeispiele. Das verbessert die Trefferquote spürbar, erfordert aber etwas Infrastruktur, um die passenden Beispiele zu finden.

Für den Alltag am Chat ist das überzogen, doch das Prinzip lohnt sich auch im Kleinen: Wenn du merkst, dass deine Standardbeispiele bei einem bestimmten Eingabetyp versagen, tausche sie gezielt gegen passende aus. Beispiele sind kein einmalig festgelegter Block, sondern ein Werkzeug, das du an den jeweiligen Fall anpasst.

Häufige Fragen

Wie viele Beispiele sind optimal?

Meist zwischen zwei und fünf. Mehr Beispiele verbessern das Ergebnis ab einem gewissen Punkt kaum noch, kosten aber zunehmend Tokens. Beginne mit drei und erhöhe nur, wenn die Qualität es spürbar braucht.

Müssen die Beispiele echt sein?

Nein, du kannst sie selbst konstruieren. Wichtig ist nur, dass sie korrekt sind und das gewünschte Muster sauber abbilden. Erfundene, aber repräsentative Beispiele funktionieren genauso gut wie echte.

Spielt die Reihenfolge der Beispiele eine Rolle?

Ja, in manchen Fällen. Bei Klassifizierungen kann die Reihenfolge eine leichte Verzerrung erzeugen. Wenn dir das wichtig ist, mische die Reihenfolge oder teste verschiedene Anordnungen.

Was ist der Unterschied zu Fine-Tuning?

Few-Shot passiert zur Laufzeit im Prompt und braucht kein Training. Fine-Tuning verändert das Modell dauerhaft mit vielen Beispielen. Für die meisten Alltagsaufgaben reicht Few-Shot, Fine-Tuning lohnt erst bei sehr großen, gleichförmigen Mengen.