Few-Shot Prompting - Aufgaben mit Beispielen lösen

Few-Shot Prompting gibt einem LLM einige Beispiele direkt im Prompt vor, damit es die Aufgabe im gewünschten Format löst. Zero-Shot arbeitet ganz ohne Beispiel.

Kategorie:KI & Machine Learning

Few-Shot Prompting bezeichnet eine Technik, bei der man einem Sprachmodell einige wenige Beispiele direkt in den Prompt schreibt, bevor man die eigentliche Aufgabe stellt. Das Modell erkennt aus diesen Beispielen das gewünschte Muster - Format, Tonfall, Art der Antwort - und wendet es auf die neue Eingabe an. Der Begriff "Shot" steht dabei für ein einzelnes Beispiel; die Zahl davor sagt, wie viele man mitgibt.

Zero-Shot, One-Shot, Few-Shot

  • Zero-Shot: Die Aufgabe wird ohne jedes Beispiel gestellt - nur als reine Anweisung. Moderne Modelle lösen viele Aufgaben bereits so.
  • One-Shot: Genau ein Beispiel wird mitgegeben, damit das Modell das gewünschte Format sieht.
  • Few-Shot: Einige wenige Beispiele (typisch eine Handvoll) zeigen das Muster deutlicher - hilfreich, wenn Format oder Nuancen wichtig sind.

Wichtig: Bei diesem "Lernen" passt das Modell keine Gewichte an - es wird nicht neu trainiert. Es erkennt das Muster nur für die Dauer dieser einen Anfrage aus dem Kontext. Genau darin liegt der Unterschied zum Fine-Tuning, das ein Modell dauerhaft anpasst.

Wann Beispiele helfen

Beispiele lohnen sich besonders, wenn eine Aufgabe schwer in Worte zu fassen, aber leicht zu zeigen ist: ein bestimmtes Ausgabeformat, ein spezieller Klassifikations-Stil, ein gewünschter Ton. Statt die Regeln umständlich zu beschreiben, zeigt man zwei, drei Fälle - das Modell verallgemeinert daraus. Few-Shot ist damit eine der wirksamsten Techniken des Prompt Engineering.

Grenzen und Kosten

Jedes Beispiel belegt Platz im Kontextfenster und erhöht die Tokenzahl - und damit die Kosten pro Anfrage. Zu viele oder unpassende Beispiele können das Modell außerdem in eine falsche Richtung lenken. Es gilt also abzuwägen: gerade genug Beispiele für ein klares Muster, aber nicht mehr. Welche Beispiele man auswählt und wie man sie in den Gesamtkontext einbettet, ist Teil des Context Engineering. Reicht ein Muster nicht aus, kombiniert man Few-Shot oft mit Chain of Thought, um dem Modell zusätzlich den Lösungsweg zu zeigen.

Few-Shot Prompting bei Elasticbrains

Ob Zero-Shot genügt oder gezielte Beispiele die Qualität heben, entscheiden wir datenbasiert und wägen es gegen die Tokenkosten ab. So entstehen Prompts, die zuverlässig und wirtschaftlich arbeiten. Mehr dazu auf unserer Leistungsseite KI-Anwendung entwickeln lassen.

Häufige Fragen

Was ist Few-Shot Prompting?
Few-Shot Prompting ist eine Technik, bei der man einem Sprachmodell einige wenige Beispiele direkt in den Prompt schreibt, bevor man die eigentliche Aufgabe stellt. Das Modell erkennt aus den Beispielen das gewünschte Muster und wendet es auf die neue Eingabe an.
Was ist der Unterschied zwischen Zero-Shot und Few-Shot?
Zero-Shot stellt die Aufgabe ganz ohne Beispiel, nur als Anweisung. Few-Shot gibt einige wenige Beispiele mit, damit das Modell Format und Nuancen deutlicher erkennt. One-Shot ist der Sonderfall mit genau einem Beispiel.
Wird das Modell durch Few-Shot Prompting trainiert?
Nein. Beim Few-Shot Prompting passt das Modell keine Gewichte an und wird nicht neu trainiert. Es erkennt das Muster nur für die Dauer der einen Anfrage aus dem Kontext. Eine dauerhafte Anpassung leistet dagegen das Fine-Tuning.
Hat Few-Shot Prompting Nachteile?
Ja. Jedes Beispiel belegt Platz im Kontextfenster und erhöht die Tokenzahl und damit die Kosten pro Anfrage. Zu viele oder unpassende Beispiele können das Modell zudem fehlleiten. Man gibt daher gerade genug Beispiele für ein klares Muster, aber nicht mehr.

Verwandte Themen

Weitere Glossarbegriffe

Jailbreak (LLM) - Umgehung der Sicherheitsvorgaben eines Modells

Ein LLM-Jailbreak umgeht die Sicherheitsvorgaben eines Sprachmodells, um verbotene Ausgaben zu erzwingen. Abgrenzung zu Prompt Injection und Schutzansätze.

Small Language Models (SLM) - kompakte KI zum Selbstbetrieb

Small Language Models (SLM) sind kompakte Sprachmodelle für Eigenbetrieb und Edge. Sie laufen auf eigener Hardware - datenschutzfreundlich und günstig.

Chain of Thought - schrittweises Reasoning von KI

Chain of Thought lässt ein Sprachmodell eine Aufgabe in Zwischenschritten durchdenken, statt sofort zu antworten - das verbessert das Reasoning.

Zurück zum Glossar

Bereit, das in die Praxis zu bringen?

Lassen Sie uns in einem kostenlosen Erstgespräch über Ihr Vorhaben sprechen - unverbindlich und konkret.