Few-Shot-Prompting ist eine Technik, bei der einem Sprachmodell im Prompt einige Beispiele für die gewünschte Aufgabe mitgegeben werden. Anhand dieser Beispiele erkennt das Modell das gewünschte Muster, Format oder den Stil und wendet es auf die neue Eingabe an. ‚Few shot‘ bedeutet, dass wenige Beispiele genügen, um das Verhalten des Modells gezielt zu steuern.
Was ist Few-Shot-Prompting?
Few-Shot-Prompting ist eine Technik, bei der einem Sprachmodell im Prompt einige Beispiele für die gewünschte Aufgabe mitgegeben werden. Anhand dieser Beispiele erkennt das Modell das gewünschte Muster, Format oder den Stil und wendet es auf die neue Eingabe an. „Few Shot“ bedeutet, dass wenige Beispiele — typischerweise zwei bis fünf — genügen, um das Verhalten des Modells gezielt zu steuern, ohne dass es dafür neu trainiert werden muss.
Der Ansatz ist Teil des Prompt-Engineering, der Disziplin, Eingaben für große Sprachmodelle so zu gestalten, dass sie zuverlässig gute Ergebnisse liefern. Bekannt wurde die Bezeichnung durch die 2020 veröffentlichte Forschungsarbeit „Language Models are Few-Shot Learners“, die zeigte, dass sehr große Modelle allein aus wenigen Beispielen im Prompt neue Aufgaben lösen können — ohne Anpassung ihrer Gewichte.
Man spricht in diesem Zusammenhang auch von In-Context-Learning: Das Modell „lernt“ nicht im eigentlichen Sinne dazu, sondern leitet das Muster allein aus dem Kontext des aktuellen Prompts ab. Few-Shot-Prompting steht damit zwischen dem Zero-Shot-Prompting (Anweisung ohne Beispiel) und dem aufwendigen Fine-Tuning (echtes Nachtrainieren des Modells).
Wie funktioniert Few-Shot-Prompting?
Beim Few-Shot-Prompting enthält der Prompt neben der Anweisung mehrere Beispielpaare aus Eingabe und gewünschter Ausgabe. Möchte man etwa Produktbeschreibungen in einem bestimmten Stil, zeigt man zwei bis drei Muster, bevor man die eigentliche Aufgabe stellt. Das Modell leitet aus den Beispielen ab, welches Format, welche Länge und welche Tonalität erwartet werden, und überträgt dieses Muster auf die neue Eingabe.
Diese Beispiele wirken wie eine Vorlage: Sie legen Struktur und Stil der Antwort fest, ohne dass ausformuliert werden muss, was genau erwartet wird. Oft ist es einfacher, ein gutes Beispiel zu zeigen, als es in Worten zu beschreiben. Wiederkehrende Muster lassen sich als Prompt-Vorlagen speichern und immer wieder verwenden, was die Arbeit mit Sprachmodellen im Team standardisiert.
Technisch belegen die Beispiele Platz im Kontextfenster — dem begrenzten Speicher, den ein Modell pro Anfrage verarbeiten kann. Jedes Beispiel verbraucht Token und damit einen Teil dieses Fensters sowie der Rechenkosten. Deshalb gilt: so viele Beispiele wie nötig, so wenige wie möglich. Bei sehr umfangreichem Hintergrundwissen ist Retrieval-Augmented Generation oft die effizientere Alternative.
Wann ist Few-Shot-Prompting sinnvoll?
Few-Shot-Prompting eignet sich, wenn ein konsistentes Format oder ein spezifischer Stil wichtig ist — etwa einheitliche Anzeigentexte, strukturierte Datenausgaben oder ein bestimmter Markenton. Auch bei ungewöhnlichen Aufgaben, die das Modell allein aus einer Anweisung nicht sicher trifft, helfen Beispiele, den gewünschten Weg vorzuzeichnen.
Im Marketing lässt sich damit etwa erreichen, dass alle generierten Texte demselben Aufbau folgen oder Fragen in einem festen Schema beantwortet werden. Für KI-Content und konversionsstarke KI-Texte ist das ein wirksamer Hebel: Ein paar vorbildliche Beispiele bringen das Modell näher an die eigene Markensprache als jede abstrakte Stilbeschreibung. Wichtig ist, repräsentative und korrekte Beispiele zu wählen, da das Modell auch Fehler oder unpassende Muster übernimmt.
Nicht immer ist Few-Shot nötig. Für einfache, gängige Aufgaben genügt oft ein Zero-Shot-Prompt mit einer klaren Anweisung — hier kosten Beispiele nur unnötig Token. Für komplexe Denkaufgaben wiederum kombiniert man Beispiele mit Chain-of-Thought, bei dem das Modell seine Zwischenschritte ausformuliert. Die Wahl der Technik hängt also von Aufgabentyp und geforderter Verlässlichkeit ab.
Warum ist Few-Shot-Prompting wichtig?
Few-Shot-Prompting ist ein einfacher, aber wirkungsvoller Weg, das Verhalten von Sprachmodellen zu steuern, ohne aufwendiges Fine-Tuning. Mit wenigen Beispielen lassen sich Konsistenz und Qualität spürbar verbessern — ohne Programmierkenntnisse, ohne Trainingsdaten, ohne Wartezeit. Das macht die Methode gerade für kleine Teams attraktiv, die generative KI produktiv einsetzen wollen.
Für die praktische Arbeit bedeutet das: Wer wiederkehrende Aufgaben mit einheitlichem Ergebnis benötigt, kann durch gut kuratierte Beispiele viel Kontrolle gewinnen. Statt jedes Ergebnis einzeln nachzubearbeiten, investiert man einmal in gute Beispiele und profitiert dann dauerhaft von stabileren Ausgaben. Das reduziert den Korrekturaufwand und macht die Zusammenarbeit mit generativer KI planbarer.
Die Methode senkt außerdem die Hürde für nicht-technische Anwender. Ein Beispiel zu zeigen ist intuitiver, als eine formale Spezifikation zu schreiben. Damit demokratisiert Few-Shot-Prompting den Zugang zu leistungsfähigen Modellen und ergänzt strukturierte Ansätze wie den System-Prompt, der übergreifende Regeln festlegt, während die Beispiele die konkrete Ausführung prägen.
Typische Fehler beim Few-Shot-Prompting
Der häufigste Fehler sind unrepräsentative oder fehlerhafte Beispiele. Das Modell imitiert, was es sieht — enthält ein Beispiel einen Tippfehler, eine unlogische Struktur oder einen unpassenden Ton, überträgt sich das auf die Ausgabe. Beispiele sollten deshalb sorgfältig geprüft und möglichst genau das gewünschte Ergebnis abbilden. Ein einziges schlechtes Beispiel kann mehr schaden als nützen.
Ein zweiter Fehler ist eine einseitige Beispielauswahl. Zeigt man nur einen Typ von Fall, verallgemeinert das Modell womöglich falsch und scheitert an abweichenden Eingaben. Gute Beispielsets decken die relevante Bandbreite ab, inklusive Randfälle. Zugleich sollte man nicht ins andere Extrem verfallen und das Kontextfenster mit zu vielen Beispielen überladen, was Kosten treibt und die eigentliche Aufgabe verwässert.
Schließlich schützt Few-Shot-Prompting nicht vor inhaltlichen Fehlern des Modells. Auch mit perfekten Beispielen kann ein Sprachmodell halluzinieren, also falsche Fakten überzeugend formulieren. Beispiele steuern Form und Stil, nicht die Wahrheit der Aussagen. Kritische Ergebnisse gehören deshalb immer geprüft — besonders bei Rechts-, Medizin- oder Finanzthemen, wo Fehler teuer werden.
Few-Shot-Prompting im Kontext der Prompt-Techniken
Few-Shot-Prompting ist eine von mehreren Techniken im Werkzeugkasten des Prompt-Engineering und wird selten isoliert eingesetzt. In der Praxis kombiniert man es mit klaren Rollen- und Aufgabenbeschreibungen, mit Chain-of-Thought für mehrstufige Aufgaben und mit einem übergeordneten System-Prompt, der Grundregeln definiert. Erst das Zusammenspiel dieser Bausteine macht die Ausgaben wirklich verlässlich.
Mit wachsender Leistungsfähigkeit der Modelle verschiebt sich die Rolle von Few-Shot etwas: Sehr fähige Modelle lösen viele Aufgaben inzwischen auch ohne Beispiele solide. Beispiele bleiben aber überall dort wertvoll, wo es auf ein exaktes, wiederholbares Format ankommt oder wo eigene, ungewöhnliche Konventionen vermittelt werden müssen. Als niedrigschwellige, sofort wirksame Methode gehört Few-Shot-Prompting damit zum Grundhandwerk jeder produktiven Arbeit mit generativer KI.