Few-Shot Prompting: Wann und wie Beispiele helfen

Few-Shot Prompting bedeutet, Ihrem Prompt eine Handvoll ausgearbeiteter Beispiele hinzuzufügen, die jeweils eine Eingabe und die gewünschte Ausgabe zeigen, damit das Modell das Muster ableiten kann. Am nützlichsten ist das, wenn sich das Ergebnis leichter zeigen als beschreiben lässt: eine bestimmte Tonalität, ein Klassifizierungsschema mit feinen Grenzen, ein festes Ausgabeformat oder der Umgang mit kniffligen Fällen. Zwei bis fünf unterschiedliche, hochwertige Beispiele genügen meist. Kombinieren Sie sie mit klaren Anweisungen, kennzeichnen Sie sie deutlich als Beispiele und testen Sie, ob sie die Ergebnisse bei Ihren eigenen Fällen wirklich verbessern.

Dieser Artikel gehört zu unserer Reihe über Prompting. Für die Methode insgesamt beginnen Sie mit dem Leitfaden zu Prompt Engineering im Unternehmen.

Zero-Shot, One-Shot und Few-Shot

Ansatz	Was der Prompt enthält	Typischer Einsatz
Zero-Shot	Nur Anweisungen	Gängige Aufgaben, die das Modell gut versteht, etwa Zusammenfassen oder Übersetzen
One-Shot	Anweisungen plus ein Beispiel	Ein Format oder einen Stil einmal zeigen
Few-Shot	Anweisungen plus mehrere Beispiele	Feine Unterscheidungen, konsistenter Stil, strukturierte Ausgaben

Moderne Modelle bewältigen viele Aufgaben schon gut im Zero-Shot. Few-Shot Prompting ist kein Standard für alles, sondern ein Werkzeug für Fälle, in denen Anweisungen allein uneinheitliche Ergebnisse liefern.

Wann Beispiele am meisten helfen

• Hausstil und Tonalität. „Herzlich, aber nicht geschwätzig, direkt, aber nicht schroff“ ist schwer zu beschreiben. Zwei Beispielantworten machen es greifbar.
• Klassifizierung mit unscharfen Grenzen. Wenn sich „Beschwerde“ und „Feedback“ überschneiden, zeigen Beispiele für Grenzfälle, wo Sie die Linie ziehen.
• Exakte Formate. Ein Muster des benötigten JSON, der Tabelle oder des Berichtsaufbaus verringert Formatfehler.
• Umgang mit Sonderfällen. Ein Beispiel dafür, wie bei fehlenden Informationen zu antworten ist, bringt dem Modell bei, es genauso zu machen.
• Fachliche Konventionen. Branchenübliche Formulierungen, Abkürzungen oder Strukturen.

Wann sich Beispiele nicht lohnen

• Einfache, gut verstandene Aufgaben. Beispiele kosten Tokens, ohne die Ergebnisse zu verbessern.
• Wenn Sie keine guten Beispiele liefern können. Schwache Beispiele lehren schwache Ergebnisse.
• Sehr unterschiedliche Aufgaben. Ist jede Anfrage anders, lenken Beispiele das Modell womöglich auf das falsche Muster.
• Sehr lange Beispiele. Ist jedes Beispiel ein ganzes Dokument, wird der Prompt teuer und das Modell konzentriert sich womöglich auf die Beispiele statt auf die eigentliche Eingabe.

Ein ausgearbeitetes Beispiel: Kundennachrichten klassifizieren

Nur Anweisungen (Zero-Shot):

Ordne die Kundennachricht einer dieser Kategorien zu: bestellstatus, retoure,
beschwerde, produktfrage, sonstiges. Antworte nur mit der Kategorie.

Das funktioniert bei eindeutigen Fällen, hat aber womöglich Mühe mit Nachrichten wie „Der Stuhl kam zerkratzt an, kann ich ihn zurückschicken?“ Ist das eine Beschwerde oder eine Retoure?

Few-Shot-Version:

Ordne die Kundennachricht einer dieser Kategorien zu: bestellstatus, retoure,
beschwerde, produktfrage, sonstiges. Antworte nur mit der Kategorie.

Regeln:
- Möchte der Kunde etwas zurückschicken, nutze retoure, auch wenn er zusätzlich
  unzufrieden ist.
- Nutze beschwerde, wenn der Kunde Unzufriedenheit äußert, ohne eine Rücksendung
  oder einen Umtausch zu verlangen.

Beispiele:
Nachricht: "Wo ist meine Bestellung? Sie sollte gestern ankommen."
Kategorie: bestellstatus

Nachricht: "Der Stuhl kam zerkratzt an, kann ich ihn zurückschicken?"
Kategorie: retoure

Nachricht: "Ihr Fahrer war unhöflich und hat das Paket im Regen abgestellt."
Kategorie: beschwerde

Nachricht: "Gibt es den Eichentisch auch in 160 cm?"
Kategorie: produktfrage

Jetzt klassifiziere:
Nachricht: """[Kundennachricht]"""
Kategorie:

Achten Sie auf drei Dinge: Die Regeln formulieren die Entscheidung ausdrücklich, die Beispiele decken die knifflige Grenze ab, und jede Kategorie kommt einmal vor. Die Beispiele stützen die Regeln; sie ersetzen sie nicht.

Wie viele Beispiele?

Eine allgemeingültige Zahl gibt es nicht. Ein praktischer Ansatz:

1. Beginnen Sie mit Zero-Shot und einer klaren Anweisung.
2. Sind die Ergebnisse uneinheitlich, ergänzen Sie zwei oder drei Beispiele für die Problemfälle.
3. Testen Sie mit einem festen Satz echter Eingaben.
4. Ergänzen Sie weitere Beispiele nur, wenn sie konkrete Fehler beheben.

Bedenken Sie: In einer Anwendung sind Beispiele bei jeder Anfrage Teil des Inputs. Fünf Beispiele mit je 150 Tokens fügen jedem Aufruf 750 Tokens hinzu. Über viele Anfragen summiert sich das; wie Sie es berechnen, zeigt LLM-API-Preise erklärt. Prompt-Caching kann die Kosten eines stabilen Beispielblocks senken.

Gute Beispiele auswählen

• Repräsentativ: Beispiele sollten wie echte Eingaben aussehen, nicht wie idealisierte.
• Abwechslungsreich: unterschiedliche Längen, Formulierungen und Situationen, damit das Modell das Muster lernt, nicht die Oberfläche.
• Ausgewogen: Vermeiden Sie bei Klassifizierungen, dass die meisten Beispiele dieselbe Kategorie haben; das Modell könnte sie bevorzugen.
• Korrekt: Jede Beispielausgabe muss genau dem entsprechen, was Sie wollen. Ein einziges schlampiges Beispiel kann kopiert werden.
• Mit Sonderfällen: mindestens ein Beispiel für die Situation, in der das Modell typischerweise scheitert.
• Kurz: Kürzen Sie Beispiele auf das, was den Punkt zeigt.

Beispiele formatieren

Eine klare Struktur hilft dem Modell, Beispiele von der eigentlichen Aufgabe zu trennen:

• Nutzen Sie einheitliche Bezeichnungen wie „Nachricht:“ und „Kategorie:“ oder „Eingabe:“ und „Ausgabe:“.
• Trennen Sie Beispiele durch Leerzeilen oder Trennzeichen.
• Fassen Sie sie optional in Tags, zum Beispiel <example>...</example>.
• Setzen Sie die echte Eingabe ans Ende, im selben Format wie die Beispiele, gefolgt von der Ausgabebezeichnung.
• Sagen Sie ausdrücklich: „Die Beispiele zeigen Format und Stil. Übernimm nicht ihren Inhalt.“

Zu enges Kopieren vermeiden

Ein häufiges Problem: Das Modell spiegelt die Beispiele zu genau, übernimmt Formulierungen oder zwingt jede Antwort in dieselbe Struktur. Das hilft dagegen:

• Variieren Sie Wortlaut und Länge der Beispiele.
• Nutzen Sie Beispiele aus unterschiedlichen Kontexten.
• Sagen Sie, was übernommen werden soll („Tonalität und Struktur“) und was nicht („konkrete Formulierungen, Namen, Fakten“).
• Vermeiden Sie Beispiele mit konkreten Fakten, die das Modell in fremden Antworten wiederholen könnte.
• Hält das Problem an, nutzen Sie weniger Beispiele oder beschreiben Sie das Muster stattdessen in Worten.

Few-Shot für den Schreibstil

Bei Schreibaufgaben sind Beispiele guter früherer Texte oft der effizienteste Weg, einen Stil zu vermitteln. Ein bewährtes Muster:

Schreibe eine Antwort auf die unten stehende Kunden-E-Mail in unserem Hausstil.

Unser Stil: freundlich, direkt, kurze Sätze, keine Ausrufezeichen, immer mit einem
klaren nächsten Schritt am Ende.

Zwei Antworten, die wir für gelungen halten (nur für den Stil, nicht für den Inhalt):
<example>[frühere Antwort 1]</example>
<example>[frühere Antwort 2]</example>

Kunden-E-Mail:
"""[E-Mail]"""

Entfernen Sie personenbezogene Daten aus früheren Antworten, bevor Sie sie als Beispiele nutzen – im Einklang mit der KI-Richtlinie Ihres Unternehmens.

Few-Shot in System-Prompts

In Anwendungen stehen Beispiele oft im System-Prompt, damit sie für jedes Gespräch gelten. Halten Sie sie kurz, kennzeichnen Sie sie klar und prüfen Sie sie bei jeder Änderung der Regeln, damit Beispiele und Anweisungen sich nie widersprechen. Wo Beispiele in die Gesamtstruktur passen, erklärt System-Prompt schreiben.

Few-Shot Prompting oder Fine-Tuning

Beide bringen einem Modell etwas über Beispiele bei, aber auf sehr unterschiedliche Weise:

	Few-Shot Prompting	Fine-Tuning
Wo die Beispiele liegen	Im Prompt, bei jeder Anfrage	Durch Training ins Modell eingebaut
Anzahl der Beispiele	Eine Handvoll	Typischerweise deutlich mehr
Einrichtungsaufwand	Minuten	Datenaufbereitung, Training, Evaluierung
Kostenstruktur	Mehr Input-Tokens pro Anfrage	Trainingskosten plus Modellnutzung
Flexibilität	Beispiele jederzeit änderbar	Für Änderungen ist neues Training nötig

Beginnen Sie mit Few-Shot Prompting. Erwägen Sie Fine-Tuning erst, wenn Sie viele hochwertige Beispiele, hohes Volumen und eine stabile Aufgabe haben. Einen ausführlicheren Vergleich finden Sie unter RAG vs. Fine-Tuning.

Testen, ob Beispiele helfen

1. Stellen Sie ein Testset aus echten Eingaben zusammen, auch schwierigen.
2. Führen Sie den Prompt ohne Beispiele aus und halten Sie die Ergebnisse fest.
3. Führen Sie ihn mit Beispielen aus und vergleichen Sie.
4. Sehen Sie sich die Fehler beider Versionen an. Haben die Beispiele sie behoben oder neue verursacht?
5. Behalten Sie nur die Beispiele, die ihren Platz verdienen.

Typische Fehler

• Beispiele, die den Anweisungen widersprechen. Das Modell folgt womöglich dem Beispiel statt der Regel.
• Alle Beispiele gleich. Das Modell lernt das enge Muster.
• Unausgewogene Kategorien. Das Modell tendiert zur häufigsten.
• Fehlerhafte Beispiele. Sie werden reproduziert.
• Beispiele statt Anweisungen. Kombinieren Sie beides: Regel nennen, dann zeigen.
• Beispiele nie überarbeiten. Aktualisieren Sie sie, wenn sich Richtlinien, Produkte oder Stil ändern.

Probieren Sie es aus

Der KI-Prompt-Generator hat ein Feld für ein Beispiel eines guten Ergebnisses und ergänzt einen Hinweis, dass das Modell Stil und Struktur übernehmen soll, nicht den Inhalt. Fügen Sie dort eines Ihrer besten früheren Ergebnisse ein und vergleichen Sie das Resultat mit der Version ohne Beispiel. Weitere Ausgangspunkte finden Sie in den Prompt-Vorlagen für Unternehmen.