---
term: "Few-Shot Prompting"
slug: "few-shot-prompting"
glossar_id: "G169"
variants: []
category: "prompting-und-gespraechsgestaltung"
marker: ""
short: "Anweisung mit mehreren Beispielen."
sources:
  - label: "Google-Glossar"
    url: "https://developers.google.com/machine-learning/glossary/generative"
  - label: "Brown et al.: Language Models are Few-Shot Learners"
    url: "https://arxiv.org/pdf/2005.14165"
  - label: "Anthropic: Context Engineering"
    url: "https://www.anthropic.com/engineering/effective-context-engineering-for-ai-agents"
  - label: "OpenAI: Conversation State"
    url: "https://developers.openai.com/api/docs/guides/conversation-state"
status: "entwurf"
updated: "2026-09-21"
---

Few-Shot Prompting bedeutet, einem Modell mehrere Beispiele für die gewünschte Bearbeitung direkt im Prompt zu zeigen. [Google-Glossar](https://developers.google.com/machine-learning/glossary/generative) Anschließend soll es einen neuen Fall nach dem demonstrierten Muster beantworten, ohne dass dafür seine Modellgewichte angepasst werden. [Brown et al.: Language Models are Few-Shot Learners](https://arxiv.org/pdf/2005.14165)

## Beispiele als Teil der Eingabe

Die Beispiele bestehen häufig aus einer Eingabe und der jeweils gewünschten Ausgabe. [Brown et al.: Language Models are Few-Shot Learners](https://arxiv.org/pdf/2005.14165) Sie können sowohl die Aufgabe selbst als auch das Antwortformat verdeutlichen. [Google-Glossar](https://developers.google.com/machine-learning/glossary/generative)

Die Anzahl ist nicht durch eine allgemeingültige feste Zahl bestimmt; entscheidend ist die Verwendung mehrerer Demonstrationen im Eingabekontext. [Brown et al.: Language Models are Few-Shot Learners](https://arxiv.org/pdf/2005.14165) Im Unterschied dazu enthält One-Shot Prompting genau ein Beispiel und Zero-Shot Prompting keines. [Google-Glossar](https://developers.google.com/machine-learning/glossary/generative)

Sinnvoll ist eine kleine Auswahl unterschiedlicher, repräsentativer Beispiele statt einer immer längeren Sammlung sämtlicher denkbarer Sonderfälle. [Anthropic: Context Engineering](https://www.anthropic.com/engineering/effective-context-engineering-for-ai-agents) Beispiele sollen das gewünschte Verhalten nachvollziehbar zeigen, nicht fehlende Aufgabenentscheidungen verdecken.

## So kannst du dir das vorstellen

Für einen hypothetischen Assistenten zur Zuordnung interner Anfragen könntest du schreiben:

```text
Verwende nur IT, Personal oder Unklar.
Wenn Angaben für eine eindeutige Zuordnung fehlen,
verwende Unklar.

Eingabe: Mein Bildschirm bleibt schwarz.
Ausgabe: IT

Eingabe: Wie beantrage ich Elternzeit?
Ausgabe: Personal

Eingabe: Ich brauche Unterstützung.
Ausgabe: Unklar

Neue Eingabe: Mein Benutzerkonto ist gesperrt.
Ausgabe:
```

Die drei Muster zeigen unterschiedliche Kategorien und ausdrücklich auch einen unklaren Fall. Im selbst formulierten Beispiel soll das Modell daher nicht aus jeder Nachricht zwanghaft eine eindeutige Zuständigkeit ableiten.

## Mehr Beispiele brauchen mehr Kontext

Few-Shot Prompting verlängert den Prompt, weil die Demonstrationen zusammen mit der neuen Aufgabe übermittelt werden. [Google-Glossar](https://developers.google.com/machine-learning/glossary/generative) Der verfügbare Eingabekontext begrenzt, wie viele Informationen ein Modell bei einem Aufruf verarbeiten kann. [OpenAI: Conversation State](https://developers.openai.com/api/docs/guides/conversation-state)

Zusätzliche Beispiele verbessern Ergebnisse außerdem nicht bei jeder Aufgabe gleichermaßen. [Brown et al.: Language Models are Few-Shot Learners](https://arxiv.org/pdf/2005.14165) Deshalb empfiehlt sich eine Prüfung mit Fällen außerhalb der gezeigten Muster, statt die passende Antwort auf ein vorgeführtes Beispiel bereits als Erfolg zu werten.

## Verwandte Begriffe

**Zero-Shot Prompting**, **One-Shot Prompting**, **In-Context Learning**, **CARE**, **Canonical Examples**, **Kontextfenster**.