KI- und Claude-Lexikon

Few-Shot Prompting

Few-Shot Prompting ist eine Methode, bei der ein Prompt neben der Aufgabenbeschreibung einige wenige Beispiele für Eingabe und gewünschte Ausgabe enthält. Das KI-Modell erkennt aus den Beispielen Muster in Format, Stil und Entscheidungslogik und überträgt sie auf neue Eingaben.

Auch bekannt als: Few-Shot, Few-Shot-Prompt, Prompting mit Beispielen, One-Shot Prompting

Von Benjamin Barnack · Aktualisiert am 11. September 2026

Was ist Few-Shot Prompting?

“Few” heißt wenige, “Shot” bezeichnet ein Beispiel. Few-Shot Prompting ist das Gegenstück zum Zero-Shot Prompting, bei dem die Aufgabe nur beschrieben wird. Mit einem einzigen Beispiel spricht man auch von One-Shot Prompting. Alle Varianten haben gemeinsam, dass das Modell dabei nicht trainiert wird. Die Beispiele stehen nur im Prompt und wirken für diese eine Anfrage.

Der Grund, warum die Methode so gut funktioniert: Sprachmodelle sind Mustererkenner. Wer ihnen drei Paare aus Eingabe und Ausgabe zeigt, gibt ihnen mehr Information über die gewünschte Antwort, als eine Beschreibung in Worten je leisten könnte. Ein Beispiel zeigt Tonalität, Länge, Struktur und Entscheidungslogik auf einmal.

Wann Beispiele den Unterschied machen

Few-Shot Prompting lohnt sich in vier Situationen. Erstens bei Klassifizierung: Wenn Anfragen, Dokumente oder Bewertungen festen Kategorien zugeordnet werden sollen, zeigen Beispiele, wo die Grenzen zwischen den Kategorien liegen. Zweitens bei festen Ausgabeformaten: Wenn das Ergebnis in ein System weiterverarbeitet wird, muss das Format exakt stimmen, und ein Beispiel ist eindeutiger als jede Beschreibung.

Drittens bei besonderen Stilvorgaben: Wenn Ihr Unternehmen eine eigene Art zu schreiben hat, die sich schwer beschreiben lässt, zeigen zwei bis drei Beispieltexte mehr als ein Absatz über Tonalität. Viertens bei Automatisierungen: Wenn ein Prompt ohne menschliche Kontrolle über die API oder n8n läuft, erhöhen Beispiele die Zuverlässigkeit, besonders bei kleineren Modellen wie Claude Haiku.

Ein Few-Shot Prompt für die Extraktion strukturierter Daten aus Anfragen:

Extrahieren Sie aus der Kundenanfrage die Felder Produkt, Menge und
Wunschtermin. Fehlende Angaben kennzeichnen Sie mit "unbekannt".
Geben Sie nur die drei Zeilen zurück.

Anfrage: "Wir bräuchten 40 Stück vom Modell TX-200, möglichst bis Ende
des Monats."
Produkt: TX-200
Menge: 40
Wunschtermin: Ende des Monats

Anfrage: "Können Sie mir ein Angebot für den Kompressor K5 schicken?"
Produkt: Kompressor K5
Menge: unbekannt
Wunschtermin: unbekannt

Anfrage: "[neue Anfrage]"

Die beiden Beispiele zeigen nicht nur das Format, sondern auch den Umgang mit fehlenden Angaben. Genau solche Grenzfälle sollten Beispiele abdecken.

Was gute Beispiele ausmacht

Die Qualität der Beispiele entscheidet über die Qualität der Ergebnisse. Drei Regeln haben sich bewährt. Erstens Vielfalt: Die Beispiele sollten die Bandbreite der echten Fälle abbilden, also einfache und schwierige, typische und ungewöhnliche, vollständige und unvollständige Eingaben. Wer nur einfache Fälle zeigt, bekommt bei schwierigen Fällen schlechte Ergebnisse.

Zweitens Korrektheit: Jedes Beispiel muss genau so aussehen, wie das Ergebnis aussehen soll. Ein Tippfehler im Beispiel wird nachgeahmt, eine Inkonsistenz im Format ebenfalls. Drittens Ausgewogenheit: Bei Klassifizierungsaufgaben sollten alle Kategorien vertreten sein, sonst neigt das Modell zu den Kategorien, die es gesehen hat.

Für die Anzahl gilt: zwei bis fünf Beispiele sind in den meisten Fällen der beste Bereich. Bei sehr großem Kontextfenster wären auch dutzende Beispiele möglich, der Nutzen nimmt aber ab, und der Prompt wird schwer zu pflegen. Wer mehr Beispiele braucht, sollte prüfen, ob die Aufgabe klarer beschrieben werden kann.

Praxisbeispiel aus dem Unternehmensalltag

Ein Hotel mit 50 Mitarbeitenden möchte Gästebewertungen von verschiedenen Portalen auswerten. Jede Bewertung soll einer Hauptkategorie (Zimmer, Service, Frühstück, Lage, Preis) und einer Stimmung (positiv, neutral, negativ) zugeordnet werden, damit die Leitung Schwerpunkte erkennt.

Der erste Versuch ohne Beispiele liefert plausible, aber uneinheitliche Zuordnungen. Bewertungen, die mehrere Themen ansprechen, werden mal so, mal so eingeordnet. Die Hotelleitung ergänzt den Prompt um fünf Beispiele, darunter zwei mit gemischten Themen, bei denen die Regel “das zuerst genannte Thema zählt als Hauptkategorie” gezeigt wird, und eines mit ironischem Ton, der als negativ eingestuft wird. Seitdem sind die Zuordnungen konsistent, und der Prompt läuft mit Haiku in einem monatlichen n8n-Workflow, der die Ergebnisse in eine Tabelle schreibt.

Bedeutung für kleine und mittelständische Unternehmen

Für KMU ist Few-Shot Prompting der Schlüssel zu verlässlichen Ergebnissen ohne technischen Aufwand. Statt ein Modell zu trainieren oder Software entwickeln zu lassen, sammeln Sie einige gute Beispiele aus dem eigenen Betrieb und legen sie in den Prompt. Das ist an einem Nachmittag erledigt und lässt sich jederzeit anpassen.

Die gesammelten Beispiele sind zugleich der wertvollste Teil einer Prompt-Bibliothek. Sie enthalten das Wissen darüber, wie das Unternehmen Dinge beurteilt und formuliert. Im Claude Workshop entwickeln Teams solche Beispielsammlungen für ihre wichtigsten Aufgaben. Für die Überführung in automatisierte Prozesse unterstützt unsere Claude Automatisierung. Einen Überblick über alle Methoden gibt der Eintrag zu Prompt Engineering.

Vorteile und Grenzen

Few-Shot Prompting erhöht die Zuverlässigkeit bei Klassifizierung, festen Formaten und Stilvorgaben spürbar, ist ohne technische Kenntnisse umsetzbar und lässt kleinere, günstigere Modelle oft ausreichen. Es ist die meistgenutzte Methode in automatisierten Prozessen.

Grenzen bestehen bei kreativen und offenen Aufgaben, wo Beispiele die Vielfalt einschränken, und bei schlecht gewählten Beispielen, die Fehler und Einseitigkeiten übertragen. Der Prompt wird zudem länger, was in Automatisierungen mit hohem Volumen die Kosten erhöht. Und wie bei jeder Methode gilt: Beispiele verbessern das Ergebnis, sie garantieren es nicht. Stichproben bleiben nötig.

Häufige Fragen zu Few-Shot Prompting

Wie viele Beispiele braucht ein Few-Shot Prompt?

Meist reichen zwei bis fünf. Ein einzelnes Beispiel wird auch One-Shot genannt und hilft bereits bei Formatvorgaben. Mehr als fünf Beispiele bringen selten zusätzliche Verbesserung und machen den Prompt lang. Wichtiger als die Anzahl ist, dass die Beispiele die Bandbreite der echten Fälle abdecken.

Was ist der Unterschied zwischen Few-Shot Prompting und Training?

Beim Training werden die Gewichte des Modells dauerhaft verändert. Beim Few-Shot Prompting bleibt das Modell unverändert, die Beispiele stehen nur im Prompt und wirken für diese eine Anfrage. Few-Shot ist damit ohne technischen Aufwand sofort einsetzbar und jederzeit anpassbar.

Können Beispiele auch schaden?

Ja. Schlechte oder einseitige Beispiele führen zu schlechten oder einseitigen Ergebnissen. Wenn alle Beispiele positive Fälle zeigen, wird das Modell auch negative Fälle als positiv einordnen. Und bei kreativen Aufgaben können Beispiele die Vielfalt der Antworten einschränken.

Funktioniert Few-Shot Prompting mit allen Claude-Modellen?

Ja, und der Effekt ist bei kleineren Modellen wie Haiku am größten. Sie profitieren besonders von Beispielen, weil sie weniger aus der reinen Beschreibung ableiten. Bei Opus und Sonnet helfen Beispiele vor allem bei festen Formaten und ungewöhnlichen Stilvorgaben.