Zurück zum Glossar

Begriff

Few-Shot Prompting

Few-Shot Prompting ist eine Technik, bei der dem Modell im Prompt einige Beispiele der gewünschten Input-Output-Paarung gezeigt werden, um Format und Stil der Antwort zu steuern.

Few-Shot Prompting — ausführlicher erklärt

Statt das Modell mit einer reinen Anweisung („Klassifiziere diese Mail”) zu konfrontieren, hängt man drei bis fünf Beispiele an, jeweils Input plus erwarteter Output. Das Modell leitet aus den Beispielen das gewünschte Antwort-Schema ab — etwa konkrete Labels, ein bestimmtes JSON-Format oder einen spezifischen Tonfall. Diese Form des Lernens passiert allein im Kontextfenster, ohne dass die Modellgewichte angepasst werden („In-Context Learning”).

Beispiel / Praxisbezug

Klassischer Anwendungsfall: Sentiment-Klassifikation. Im Prompt stehen drei Beispiele („Tolles Produkt!” → positiv, „War okay” → neutral, „Nie wieder” → negativ), gefolgt vom neuen Satz. Das Modell antwortet im selben Schema. Bei strukturiertem Output zeigt man zwei bis drei JSON-Beispiele, und das Modell hält das Schema dann auch für neue Inputs ein — oft zuverlässiger als bei reiner Beschreibung des Schemas.

Abgrenzung zu ähnlichen Begriffen

Zero-Shot Prompting kommt ganz ohne Beispiele aus und verlässt sich auf die Anweisung allein. One-Shot zeigt genau ein Beispiel. Chain-of-Thought ergänzt die Beispiele um den Lösungsweg, nicht nur das Ergebnis. Fine-Tuning hingegen verändert das Modell selbst — Few-Shot tut das nicht, jeder neue Lauf braucht die Beispiele wieder im Prompt.

Entdecke mehr

Themenuebersicht