---
title: "Few-Shot-Prompting: Definition und Beispiel"
description: "Few-Shot-Prompting erklärt: wie Beispiele im Prompt Format und Ton vorgeben, was Zero-Shot und One-Shot unterscheidet und welche Verzerrungen drohen."
url: https://carl-wuerfel.de/glossar/few-shot-prompting
author: Carl-Uwe Würfel
---

1. [Start](https://carl-wuerfel.de/)
  2. [Wissen](https://carl-wuerfel.de/wissen)
  3. [Glossar](https://carl-wuerfel.de/glossar)
  4. Few-Shot-Prompting

# Few-Shot-Prompting

Few-Shot-Prompting heißt, einem Sprachmodell im Prompt einige Beispiele aus Eingabe und gewünschter Ausgabe mitzugeben, damit es Aufgabe, Format und Ton daraus ableitet, ohne neu trainiert zu werden.

## Auf dieser Seite

  1. So ist ein Few-Shot-Prompt aufgebaut
  2. Zero-Shot, One-Shot und Few-Shot unterscheiden sich in der Zahl der Beispiele
  3. Beispiele geben vor allem Form und Ton vor
  4. Beispiele werden kopiert und können das Ergebnis verzerren
  5. Die richtige Zahl der Beispiele ergibt sich aus Tests
  6. Woran man eine gute Umsetzung erkennt
  7. Die Grenze des Begriffs
  8. Häufige Fragen
  9. Quellen

Ein Modell kopiert, was es sieht, auch Zufälliges und Einseitiges.

_Abbildung: Vergleich zweier Few-Shot-Prompts für dieselbe Aufgabe: eingehende Mails nach Reklamation, Angebotsanfrage, Rechnungsfrage oder Sonstiges sortieren. Links einseitige Beispiele, vier Reklamationen und eine Rechnungsfrage, dieselbe Kategorie am Ende des Prompts, keine Randfälle; das Modell schiebt eher Richtung Reklamation. Rechts je Kategorie zwei echte Mails in gemischter Reihenfolge und eine unklare Mail als Sonstiges, geprüft an einer Testmenge. Darunter der Hinweis, dass erst der Vergleich an einer Testmenge zeigt, ob die Beispiele helfen._

Ein Few-Shot-Prompt enthält eine Anweisung, einige gelöste Beispiele und zuletzt die neue Eingabe. Das Modell setzt das gezeigte Muster fort. Fachleute nennen das In-Context Learning: Das Modell lernt aus dem Kontext der Anfrage, seine Gewichte bleiben unverändert. Zero-Shot bezeichnet einen Prompt ganz ohne Beispiel, One-Shot einen mit genau einem.

Bekannt wurde die Unterscheidung durch den Aufsatz „Language Models are Few-Shot Learners“, in dem ein Team von OpenAI 2020 das Modell GPT-3 vorstellte. Es löste Aufgaben ohne jedes Nachtraining, nur über Beispiele im Text. Heute empfehlen Anthropic, OpenAI und Google Beispiele in ihren Anleitungen zum Prompting.

Beispiele sind die günstigste Art, einem Modell eine Hausnorm beizubringen, etwa ein festes Antwortformat, eine Kategorienliste oder den Ton der eigenen Kundenkommunikation. Sie bringen aber eigene Fehler mit, denn ein Modell kopiert, was es sieht, auch Zufälliges und Einseitiges. Ob Beispiele helfen, zeigt nur eine Testmenge.

Beispiel

Ein Großhändler lässt eingehende Mails von einem Sprachmodell vorsortieren: Reklamation, Angebotsanfrage, Rechnungsfrage oder Sonstiges. Der Prompt enthält je Kategorie zwei echte, anonymisierte Mails in gemischter Reihenfolge, dazu eine unklare Mail als Sonstiges. Vor dem Start vergleicht das Team die Zuordnung mit und ohne Beispiele an bereits sortierten Mails. Verwechselt das Modell später zwei Kategorien, ergänzt das Team ein Beispiel für genau diesen Fall und testet erneut.

Kapitel 1 von 7

## So ist ein Few-Shot-Prompt aufgebaut.

Ein typischer Few-Shot-Prompt hat drei Teile. Oben steht die Anweisung, etwa „Ordne jede Kundenanfrage genau einer Kategorie zu“. Darunter folgen Beispielpaare: eine echte Anfrage und die richtige Kategorie, dann die nächste. Am Ende steht die neue Anfrage ohne Lösung, und das Modell liefert sie im selben Format.

OpenAI schreibt, Few-Shot Learning steuere ein Modell über eine Handvoll Beispiele im Prompt statt über Fine-Tuning; das Modell übernehme das Muster aus den Beispielen. Anthropic nennt Beispiele einen der verlässlichsten Wege, Format, Ton und Aufbau der Ausgaben zu steuern, und rät, sie in eigene Markierungen wie <example> zu setzen. So hält das Modell Beispiele und Anweisung auseinander.

In Anwendungen stehen die Beispiele oft im [System Prompt](https://carl-wuerfel.de/glossar/system-prompt), der festen Anweisung vor jedem Gespräch. Im Chatfenster fügt man sie einfach in die Nachricht ein. Am Prinzip ändert das nichts.

Kapitel 2 von 7

## Zero-Shot, One-Shot und Few-Shot unterscheiden sich in der Zahl der Beispiele.

Im Aufsatz zu GPT-3 von Brown und Kollegen sind die drei Stufen genau beschrieben. Zero-Shot heißt: Das Modell bekommt nur eine Anweisung in natürlicher Sprache. One-Shot ergänzt genau ein Beispiel. Few-Shot gibt mehrere, in der Studie meist 10 bis 100, so viele, wie damals in das Kontextfenster passten. In keiner Stufe werden die Gewichte verändert.

Zero-Shot nennen die Autoren die bequemste, aber schwierigste Variante. Ohne Beispiel sei manchmal selbst für Menschen unklar, welches Format gemeint ist, etwa bei der Bitte um eine Tabelle mit Weltrekorden über 200 Meter.

One-Shot hat eine eigene Schwäche. Zhao und Kollegen beobachteten 2021 bei GPT-3, dass die Trefferquote beim Wechsel von null auf ein Beispiel oft sank, weil das Modell häufig die Kategorie dieses einen Beispiels wiederholte.

Kapitel 3 von 7

## Beispiele geben vor allem Form und Ton vor.

Was ein Modell aus Beispielen übernimmt, hat eine Gruppe um Sewon Min 2022 untersucht. Ersetzt man die richtigen Lösungen in den Beispielen durch zufällige, sinkt die Leistung bei Klassifikations- und Auswahlaufgaben kaum, und zwar bei zwölf verschiedenen Modellen. Es kam auf andere Dinge an: welche Antworten überhaupt vorkommen, wie die Eingaben typischerweise aussehen und das Format der ganzen Folge.

Beispiele wirken also vor allem als Vorlage. Sie zeigen, wie lang eine Antwort ist, welche Felder sie hat, ob sie duzt oder siezt und welche Fachwörter fallen. Deshalb eignen sie sich für Hausformate, Produkttexte in einer bestimmten Tonlage oder Datenextraktion mit festen Feldern.

Google betont in seiner Anleitung für Gemini, dass alle Beispiele dieselbe Struktur haben sollten, sonst kommen unerwünschte Formate heraus. Richtig sein müssen die Beispiele trotzdem: Bei offenen Aufgaben wie Zusammenfassungen übernimmt das Modell mit der Form oft auch den Inhalt.

Kapitel 4 von 7

## Beispiele werden kopiert und können das Ergebnis verzerren.

Das Modell setzt fort, was es sieht, auch was niemand zeigen wollte. Haben alle Beispiele zufällig drei Sätze, schreibt es drei Sätze. Beginnt jedes mit derselben Floskel, beginnt auch die Antwort damit. Google warnt, dass sich ein Modell bei zu vielen Beispielen zu eng an ihnen ausrichten kann, Anthropic rät zu abwechslungsreichen Beispielen.

Bei Klassifikationsaufgaben ist die Verzerrung messbar. Zhao und Kollegen zeigten 2021, dass Auswahl, Format und sogar Reihenfolge der Beispiele die Trefferquote von GPT-3 zwischen nahezu Zufall und Spitzenwert schwanken ließen. Das Modell bevorzugte Antworten, die in den Beispielen häufig vorkamen oder am Ende des Prompts standen. Ein Prompt mit vier Reklamationen und einer Rechnungsfrage schiebt das Modell also eher Richtung Reklamation.

Dagegen helfen ausgewogene Beispiele für jede Kategorie, gemischte Reihenfolge, Randfälle wie unklare Eingaben und eine Prüfung an echten Fällen, die nicht unter den Beispielen sind.

Kapitel 5 von 7

## Die richtige Zahl der Beispiele ergibt sich aus Tests.

Eine feste Zahl gibt es nicht. Anthropic nennt drei bis fünf Beispiele als guten Ausgangspunkt, Google rät, die Zahl auszuprobieren. Löst das Modell eine Aufgabe schon mit klarer Anweisung sicher, braucht es oft gar keine.

Mehr geht auch. Seit Modelle sehr lange Eingaben verarbeiten, untersuchte ein Team von Google DeepMind 2024 Prompts mit Hunderten oder Tausenden Beispielen und fand deutliche Verbesserungen gegenüber wenigen. Die Autoren nennen das Many-Shot In-Context Learning und benennen die Grenze gleich mit: Oft fehlen genug von Menschen erstellte Beispiele.

Jedes Beispiel wird bei jeder Anfrage als Token mitgeschickt, abgerechnet und belegt Platz im Kontextfenster. Bei einer Aufgabe, die tausendfach im Monat läuft, summiert sich das. Die Zahl der Beispiele ist deshalb eine Abwägung zwischen Trefferquote und Kosten je Anfrage, entschieden an einer Testmenge.

Kapitel 6 von 7

## Woran man eine gute Umsetzung erkennt.

Gute Beispiele stammen aus dem echten Betrieb. Sie decken jede Kategorie ab, auch die schwierigen Fälle, und folgen exakt demselben Aufbau. Jemand ist für sie zuständig und passt sie an, wenn sich Kategorien, Formate oder Produkte ändern.

Vor dem Einsatz läuft eine feste Testmenge echter Eingaben mit bekannten richtigen Ergebnissen durch, einmal ohne und einmal mit Beispielen. Erst der Vergleich zeigt, ob sie helfen. Dieselbe Testmenge läuft nach jeder Änderung und nach jedem Modellwechsel erneut, denn ein neues Modell reagiert auf dieselben Beispiele anders.

Schreiben die Beispiele ihren Lösungsweg aus, wird daraus Chain-of-Thought-Prompting. Wei und Kollegen erreichten 2022 mit einem großen Modell und nur acht solcher Beispiele den damaligen Bestwert bei mathematischen Textaufgaben. Fehlt dem Modell Wissen, helfen Beispiele nicht; dafür gibt es [Retrieval-Augmented Generation](https://carl-wuerfel.de/glossar/rag) (RAG). Reichen selbst viele Beispiele nicht, kommt Fine-Tuning in Frage.

Kapitel 7 von 7

## Die Grenze des Begriffs

Few-Shot-Prompting prägt die Form einer Antwort, liefert aber kein neues Wissen und wirkt nur in der jeweiligen Anfrage. Für Fakten aus eigenen Dokumenten ist Retrieval-Augmented Generation zuständig, für dauerhaft verändertes Verhalten Fine-Tuning. Der System Prompt legt Rolle und Regeln fest, Chain-of-Thought den Lösungsweg, und [Context Engineering](https://carl-wuerfel.de/glossar/context-engineering) umfasst die gesamte Zusammenstellung dessen, was ein Modell bei einer Anfrage sieht, Beispiele eingeschlossen.

## Häufige Fragen

Was ist Few-Shot-Prompting?

Few-Shot-Prompting ist eine Prompt-Technik, bei der ein Sprachmodell einige gelöste Beispiele aus Eingabe und Ausgabe im Prompt erhält. Daraus leitet es Aufgabe, Format und Ton für die neue Eingabe ab. Das Modell wird dabei nicht neu trainiert.

Was ist der Unterschied zwischen Zero-Shot und Few-Shot-Prompting?

Zero-Shot gibt dem Modell nur eine Anweisung, Few-Shot zusätzlich mehrere Beispiele. Zero-Shot ist bequemer und genügt, wenn die Aufgabe eindeutig ist. Few-Shot hilft, wenn ein festes Format, eine Kategorienliste oder ein bestimmter Ton eingehalten werden muss.

Wie viele Beispiele braucht ein Few-Shot-Prompt?

Eine feste Zahl gibt es nicht; Anthropic nennt drei bis fünf als Ausgangspunkt. Mehr Beispiele kosten bei jeder Anfrage [Token](https://carl-wuerfel.de/glossar/token) und können dazu führen, dass das Modell sich zu eng an ihnen ausrichtet. Die passende Zahl zeigt ein Vergleich an einer Testmenge echter Fälle.

Trainiert Few-Shot-Prompting das Modell?

Nein, die Gewichte des Modells bleiben unverändert. Die Beispiele wirken nur innerhalb der jeweiligen Anfrage und müssen bei jeder neuen Anfrage wieder mitgeschickt werden. Dauerhaft verändert ein Modell erst das [Fine-Tuning](https://carl-wuerfel.de/glossar/fine-tuning).

Was ist der Unterschied zwischen Few-Shot-Prompting und Chain-of-Thought?

Few-Shot zeigt Eingabe und Ergebnis, Chain-of-Thought zusätzlich den Lösungsweg dazwischen. Beides lässt sich verbinden, indem die Beispiele ihre Zwischenschritte ausschreiben. Das hilft vor allem bei Rechen- und Logikaufgaben mit mehreren Schritten.

Wann ist Fine-Tuning besser als Few-Shot-Prompting?

Fine-Tuning lohnt sich, wenn ein Verhalten so viele Beispiele bräuchte, dass sie Kosten und [Kontextfenster](https://carl-wuerfel.de/glossar/context-window) jeder Anfrage sprengen. Few-Shot ist schneller geändert und braucht keine Trainingsdaten. Deshalb steht es fast immer am Anfang, Fine-Tuning erst danach.

## Weiter

  * [**KI-Glossar**](https://carl-wuerfel.de/glossar)
  * [**KI-Automatisierung im Betrieb**](https://carl-wuerfel.de/ki-automatisierung)
  * [**Prompt Engineering**](https://carl-wuerfel.de/glossar/prompt-engineering)
  * [**Chain of Thought**](https://carl-wuerfel.de/glossar/chain-of-thought)
  * [**Evals (KI-Evaluation)**](https://carl-wuerfel.de/glossar/evals)
  * [ Begriff**Fine-Tuning**](https://carl-wuerfel.de/glossar/fine-tuning)
  * [ Begriff**System Prompt**](https://carl-wuerfel.de/glossar/system-prompt)
  * [ Begriff**Context Engineering**](https://carl-wuerfel.de/glossar/context-engineering)

## Quellen

  1. [Brown u. a.: Language Models are Few-Shot Learners, arXiv:2005.14165, Mai 2020 (englisch)](https://arxiv.org/abs/2005.14165)
  2. [Zhao u. a.: Calibrate Before Use: Improving Few-Shot Performance of Language Models, arXiv:2102.09690, 2021 (englisch)](https://arxiv.org/abs/2102.09690)
  3. [Min u. a.: Rethinking the Role of Demonstrations: What Makes In-Context Learning Work?, EMNLP 2022, arXiv:2202.12837 (englisch)](https://arxiv.org/abs/2202.12837)
  4. [Wei u. a.: Chain-of-Thought Prompting Elicits Reasoning in Large Language Models, arXiv:2201.11903, 2022 (englisch)](https://arxiv.org/abs/2201.11903)
  5. [Agarwal u. a. (Google DeepMind): Many-Shot In-Context Learning, arXiv:2404.11018, 2024 (englisch)](https://arxiv.org/abs/2404.11018)
  6. [Anthropic: Prompting best practices, Use examples effectively, Dokumentation, Stand November 2026 (englisch)](https://platform.claude.com/docs/en/build-with-claude/prompt-engineering/claude-prompting-best-practices)
  7. [OpenAI: Prompt engineering, Few-shot learning, Dokumentation, Stand November 2026 (englisch)](https://developers.openai.com/api/docs/guides/prompt-engineering)
  8. [Google: Prompt design strategies, Gemini-Dokumentation, Stand November 2026 (englisch)](https://aistudio.google.com/docs/prompting-strategies)
