Few-shot prompting: Lernen am Beispiel

# Few-shot promptingpromptingPrompt engineering is the practice of designing and refining text inputs to guide large language models toward accurate, relevant, and reliable outputs.Vollständige Definition ansehen →: Lernen am Beispiel

Sie kkThe average number of new users each existing user generates through referrals. Above 1.0, growth compounds on itself and becomes exponential.Vollständige Definition ansehen →önnen drei Sätze schreiben, um zu erklären, was "dringend" bedeutet, oder Sie zeigen dem Modell drei Nachrichten und lassen es das Muster selbst erkennen. Der zweite Weg gewinnt fast immer.

Genau das ist few-shot promptingpromptingPrompt engineering is the practice of designing and refining text inputs to guide large language models toward accurate, relevant, and reliable outputs.Vollständige Definition ansehen →: Sie geben dem Modell einige ausgearbeitete Beispiele, bevor Sie die eigentliche Aufgabe stellen. "Shot" heißt einfach "Beispiel". Zero-shot ist kein Beispiel. One-shot ist eines. Few-shot sind zwei oder mehr.

Das Problem mit dem Beschreiben

Angenommen, Sie wollen eingehende Kundennachrichten in "dringend" oder "normal" sortieren. Der erste Impuls ist, die Regeln zu beschreiben:

> Klassifiziere diese Nachricht als dringend oder normal. Dringend heißt: der Kunde ist verärgert, erwähnt Geldverlust, hat eine Deadline oder droht mit KKThe average number of new users each existing user generates through referrals. Above 1.0, growth compounds on itself and becomes exponential.Vollständige Definition ansehen →ündigung. Normal heißt: allgemeine Fragen, Feedback oder alles, was warten kann.

Das funktioniert einigermaßen. Aber Sie werden endlos Sonderfälle nachtragen. Was ist mit einer sachlichen Nachricht, die sagt "meine Zahlung ist fehlgeschlagen"? Was mit einer aufgeregten Nachricht, die eigentlich harmlos ist?

Worte über Regeln sind glatt. Beispiele sind scharf.

Stattdessen am Beispiel lehren

Hier dieselbe Aufgabe als few-shot prompt. Beachten Sie: gar keine Regeln, nur drei Beispiele und dann die neue Nachricht:

Classify each message as "urgent" or "normal".

Message: "My account got charged twice and the payment is for $4,000. I need this fixed today."
Label: urgent

Message: "Hi! Just wondering what your office hours are over the holidays."
Label: normal

Message: "This is the third time I've emailed. If I don't hear back I'm cancelling my subscription tomorrow."
Label: urgent

Message: "Loving the new dashboard, the charts are really clear."
Label:

Das Modell liest das Muster und vervollständigt die letzte Zeile: normal.

Es hat aus Ihren Beispielen gelernt, dass Doppelbelastungen und KKThe average number of new users each existing user generates through referrals. Above 1.0, growth compounds on itself and becomes exponential.Vollständige Definition ansehen →ündigungsdrohungen dringend sind, freundliche Fragen und Lob dagegen normal. Diese Regeln haben Sie nie aufgeschrieben. Die Beispiele haben sie transportiert.

Warum das funktioniert

Ein Large Language ModelLarge Language ModelA Large Language Model is an AI system trained on vast text data to predict and generate language, enabling tasks like writing, summarizing, and answering questions.Vollständige Definition ansehen → (die KI hinter ChatGPT, Claude und Gemini) ist eine Maschine zur Mustervervollständigung. Sieht es eine klare, wiederholte Struktur, setzt es diese Struktur fort. Drei Beispiele im gleichen Format erzeugen ein starkes Muster. Das Modell kopiert das Format und die Logik, die in Ihrer Auswahl steckt.

Deshalb zählt das Format genauso wie der Inhalt. Halten Sie jedes Beispiel in derselben Form: gleiche Labels, gleiche Abstände, gleiche Formulierung für "Message" und "Label".

Gute Beispiele auswählen

Ihre Beispiele sind Ihre Anweisungen. Wählen Sie sie sorgfältig.

Deckungsbreite. Nehmen Sie die offensichtlichen Fälle und einen kniffligen dazu. Wenn eine sachliche Nachricht trotzdem dringend sein kann (etwa ein leises "meine Zahlung ist fehlgeschlagen"), machen Sie genau daraus ein Beispiel. Das Modell lernt Ihre Sonderfälle aus den Beispielen, die Sie wählen.

Labels ausbalancieren. Sind alle drei Beispiele "dringend", neigt das Modell dazu, alles als dringend einzustufen. Mischen Sie: zwei von einem, eines vom anderen, oder eine gleichmäßige Aufteilung.

Konsistent bleiben. Verwenden Sie jedes Mal exakt dieselben Label-Wörter. "urgent", "Urgent" und "URGENT" sehen für eine wortwörtliche Maschine wie drei verschiedene Kategorien aus. Entscheiden Sie sich für eines.

Kurz halten. Beispiele verbrauchen den Platz, den das Modell auf einmal lesen kann (sein "context windowcontext windowThe context window is the maximum amount of text (measured in tokens) a language model can process at once, including both the input prompt and the generated output.Vollständige Definition ansehen →"). Drei knappe Beispiele schlagen zehn ausufernde.

Mit Code ausführen

Wenn Sie Hunderte Nachrichten klassifizieren wollen, läuft das über eine APIAPIApplication Programming Interface: a standardised interface that lets applications communicate and exchange data without knowing each other's internal workings.Vollständige Definition ansehen → (eine Möglichkeit, dass Ihr Code mit dem Modell spricht). Hier ein kurzes, lauffähiges Beispiel mit der Python-Bibliothek von OpenAI. Dieselbe Idee funktioniert mit Claude oder Gemini, nur mit anderen Bibliotheksnamen.

from openai import OpenAI

client = OpenAI()

few_shot = """Classify each message as "urgent" or "normal".

Message: "My account got charged twice for $4,000. Fix this today."
Label: urgent

Message: "What are your holiday office hours?"
Label: normal

Message: "Third email. Reply or I'm cancelling tomorrow."
Label: urgent

Message: "{new_message}"
Label:"""

def classify(message):
    prompt = few_shot.format(new_message=message)
    response = client.chat.completions.create(
        model="gpt-4.1-mini",
        messages=[{"role": "user", "content": prompt}],
        temperature=0,
    )
    return response.choices[0].message.content.strip()

print(classify("The app keeps crashing every time I try to pay."))

Ein Detail lohnt sich zu wissen: temperature=0. Temperature steuert die Zufälligkeit. Bei Klassifikation wollen Sie jedes Mal dieselbe Antwort, also setzen Sie sie auf 0 für den konsistentesten, vorhersehbarsten Output.

Wenn Sie nicht programmieren, brauchen Sie das nicht. Sie kkThe average number of new users each existing user generates through referrals. Above 1.0, growth compounds on itself and becomes exponential.Vollständige Definition ansehen →önnen few-shot promptingpromptingPrompt engineering is the practice of designing and refining text inputs to guide large language models toward accurate, relevant, and reliable outputs.Vollständige Definition ansehen → direkt per Hand in ChatGPT, Claude oder Gemini machen. Einfach Ihre Beispiele und die neue Nachricht in den Chat einfügen.

Few-shot jenseits von Klassifikation

Der Trick ist nicht nur zum Sortieren da. Nutzen Sie ihn immer, wenn Sie ein bestimmtes Format oder einen bestimmten Stil wollen.

Daten formatieren. Zeigen Sie zwei Beispiele, wie eine unsaubere Adresse in klare Felder überführt wird, und das Modell macht den Rest.

Tonalität treffen. Fügen Sie zwei Ihrer eigenen früheren E-Mails als Beispiele ein und lassen Sie das Modell eine dritte in derselben Stimme schreiben. Es kopiert Ihren Stil weit besser, als wenn Sie ihn beschreiben.

Informationen extrahieren. Geben Sie zwei Beispiele, wie Name, Datum und Betrag aus einer Rechnung gezogen werden, und das Modell lernt genau, welche Felder Sie wollen und wie sie angeordnet sein sollen.

Das Prinzip ist immer dasselbe: aufhören zu beschreiben, anfangen zu zeigen.

Als tiefergehende, gut geschriebene Referenz zu diesem und verwandten Verfahren ist der offene Prompt Engineering Guide kostenlos und bleibt aktuell.

🎬 [VIDEO: "Few-Shot PromptingPromptingPrompt engineering is the practice of designing and refining text inputs to guide large language models toward accurate, relevant, and reliable outputs.Vollständige Definition ansehen → Explained" - youtube.com - ein kurzer Durchgang in einfacher Sprache zu zero-shot vs. few-shot mit Live-Beispielen, die Sie kopieren kkThe average number of new users each existing user generates through referrals. Above 1.0, growth compounds on itself and becomes exponential.Vollständige Definition ansehen →önnen]

Wann few-shot übertrieben ist

Few-shot ist stark, aber nicht immer nötig. Moderne Modelle sind 2026 gut genug, dass einfache Aufgaben oft zero-shot funktionieren, völlig ohne Beispiele. "Fasse das in einem Satz zusammen" braucht keine Demonstration.

Greifen Sie zu few-shot, wenn:

• Das Format spezifisch ist und jedes Mal exakt stimmen soll.
• Die Aufgabe Sonderfälle hat, die sich schwer in Regeln fassen lassen.
• Sie Konsistenz über viele Durchläufe brauchen (etwa beim Klassifizieren eines ganzen Postfachs).
• Stil oder Stimme wichtig sind und sich schlecht beschreiben lassen.

Lassen Sie es, wenn die Aufgabe gängig und offensichtlich ist. Beispiele kosten dann nur Platz und Ihre Zeit.

Ein schneller Test

Unsicher, ob Sie Beispiele brauchen? Probieren Sie es zuerst zero-shot. Wenn das Modell es richtig macht, sind Sie fertig. Weicht es vom Format ab oder missversteht Ihre Absicht, fügen Sie zwei oder drei Beispiele hinzu, um es festzunageln. Few-shot ist Ihre Korrektur, wenn zero-shot nah dran, aber nicht verlässlich ist.

Typische Fehler

Inkonsistente Beispiele. Wenn ein Beispiel "urgent" nutzt und ein anderes "high priority", wird das Modell bei Ihren Kategorien unsicher. Stimmen Sie sie exakt ab.

Zu wenige Beispiele für eine schwere Aufgabe. Ein Beispiel zeigt das Muster vielleicht nicht deutlich. Sind die Ergebnisse wackelig, fügen Sie ein zweites und drittes hinzu, bevor Sie Ausgefeilteres versuchen.

Die Antwort verraten. Nehmen Sie beim Testen nicht versehentlich das korrekte Label zur neuen Nachricht mit auf. Lassen Sie das letzte Label: leer, damit das Modell es füllt.

Unbalancierte Beispiele, die das Modell schieben. Drei "urgent"-Beispiele in Folge lehren das Modell, dass dringend der Standard ist. Mischen Sie Ihre Labels, damit es neutral bleibt.

Selbst ausprobieren

Öffnen Sie jetzt ChatGPT, Claude oder Gemini. Fügen Sie das ein:

Turn each phrase into a polite, professional sentence.

Phrase: "send me the file"
Sentence: "Could you please send me the file when you have a moment?"

Phrase: "you're late"
Sentence: "I wanted to gently flag that the deadline has passed."

Phrase: "fix the bug"
Sentence:

Sehen Sie zu, wie es den Ton Ihrer zwei Beispiele übernimmt. Ändern Sie dann die Beispiele auf lässig und witzig und lassen Sie es erneut laufen. Der Output passt sich an. Das ist Lernen am Beispiel in unter einer Minute.

Die wichtigsten Punkte

• Zeigen, nicht erklären. Zwei oder drei Beispiele in konsistentem Format schlagen meist einen Absatz voller Regeln.
• Ihre Beispiele sind Ihre Anweisungen. Deckungsbreite herstellen, einen kniffligen Fall einbauen und die Labels ausbalancieren, damit das Modell neutral bleibt.
• Halten Sie das Format identisch über alle Beispiele: gleiche Labels, gleiche Abstände, gleiche Formulierungen. Inkonsistenz verwirrt das Modell.
• Probieren Sie zuerst zero-shot. Fügen Sie Beispiele erst hinzu, wenn das Modell vom Format abweicht oder Ihre Absicht missversteht.
• Setzen Sie temperature auf 0 für Klassifikation und jede Aufgabe, bei der Sie jedes Mal dieselbe Antwort wollen.