Few-Shot-Prompting: Zeig der KI das Muster, statt es zu beschreiben

Few-Shot-Prompting fügt gelöste Beispiele in den Prompt ein, damit die KI das Muster exakt imitiert — der stärkste Formatschloss, aber der teuerste Prompt.

TL;DR

Few-Shot-Prompting bedeutet, der KI zwei oder mehr gelöste Beispiele zu zeigen — Input A → Output B —, statt zu beschreiben, was du willst, sodass sie exakt das Muster, den Ton und das Format imitiert, das du vorgeführt hast. Es ist das stärkste Schloss für individuelle Ausgaben, das es gibt — und der teuerste Prompt, den du senden kannst, weil jedes Beispiel in jeder Nachricht mitreist.

Die Analogie

Versuch, jemandem am Telefon eine Pirouette beizubringen.

„Drehe deinen Körper um 360 Grad auf einem Bein, auf dem Ballen, Arme gerundet, Kopf fixiert." Technisch vollständig. Und auf diese Weise völlig unbelehrbar — die Worte beschreiben die Fertigkeit, aber die Fertigkeit besteht nicht aus Worten. Stell denselben Schüler nun vor eine Tanzlehrerin, die nichts sagt und einfach drei Pirouetten ausführt, langsam, und sagt: „So etwa."

Der Körper des Schülers weiß aus drei Demonstrationen bereits mehr als aus jedem Beschreibungsabsatz. Menschen lernen vieles durch Nachahmung weit schneller als durch Anweisung — und Sprachmodelle, wie sich herausstellt, sind genauso gebaut. Zeig einem Modell drei Beispiele eines Musters, und es wird das Muster oft makellos reproduzieren — inklusive Details, an die du nie gedacht hast und die du nicht hätte beschreiben können.

Das ist die ganze Unterscheidung dieser Lektion. Ein One-Shot-Prompt sagt — Verb, Kontext, Format — und für Standardarbeiten (zusammenfassen, auflisten, übersetzen, umschreiben) reicht Sagen, weil das Modell diese Tänze bereits kennt. Few-Shot-Prompting zeigt — du fügst den Tanz selbst ein, zwei oder drei Aufführungen von Input → Output, und das Modell ahmt nach. Deines Unternehmens eigenwilliges Support-Ticket-Format in Prosa zu beschreiben ist der Anruf. Drei echte Tickets einzufügen ist die Demonstration.

Noch etwas über Tanzlehrer: Demonstrationen sind nicht gratis. Die Zeit der Lehrerin, das Studio, die drei langsamen Aufführungen — Zeigen kostet mehr als Sagen, in jeder einzelnen Stunde. Behalte diesen Gedanken; er wird zur Ökonomie dieser gesamten Technik.

Wie es funktioniert & die Kosten

Ein Few-Shot-Prompt ist ein Stapel gelöster Beispiele, gefolgt von einem neuen Input, so strukturiert, dass das Muster unmissverständlich ist:

Element	Rolle
Beispiel 1: Input → Output	Definiert die Transformation
Beispiel 2: Input → Output	Bestätigt, dass es kein Zufall war
Beispiel 3: Input → Output	Verriegelt das Verhalten an Grenzfällen (der knifflige Input zeigt, wie du schwere Fälle behandelt haben willst)
Neuer Input	Der Moment des Modells, das Muster fortzusetzen

Die Beispiele tun etwas, das Anweisungen nicht können: Sie demonstrieren alles auf einmal — Format, Ton, Länge, Groß- und Kleinschreibung, was einzuschließen ist, was wegzulassen — inklusive hundert Mikro-Entscheidungen, von denen du nie bemerkt hast, dass du sie triffst. "Apple → Pomme. Car → Voiture. Jetzt übersetze: House." — drei Zeilen, und das Modell kennt die Sprache, die Richtung, die Schreibweise und das Register. Kein Anweisungsabsatz könnte all das in weniger Tokens spezifizieren. Deshalb übertrifft Few-Shot selbst exzellente Beschreibungen, wann immer das Zielmuster individuell ist: Das Modell hört auf, deinen Dialekt zu raten, und beginnt, ihn zu sprechen.

Jetzt die Rechnung. Jedes Beispiel, das du einfügst, ist Text auf dem Kontextfenster — dem Schreibtisch, den das Modell vor jeder einzelnen Antwort neu liest. Beispiele verdunsten nicht nach der ersten Antwort; sie liegen die ganze Konversation über auf dem Schreibtisch und erhöhen die Token-Kosten jeder weiteren verarbeiteten Nachricht. Drei umfangreiche Beispiele können den Rest der Konversation leicht überwiegen. Und in Uzu, wo Nachrichten in G-Credits abgerechnet werden, wird diese Physik in deinem Guthaben sichtbar: Ein Few-Shot-Prompt kostet schlicht mehr pro Nachricht als ein schlanker One-Shot — und er kostet länger mehr, solange der Chat lebt.

Daher die Regel, auf der dieser Lehrgang beruht:

One-Shot standardmäßig; Few-Shot nur bei Notwendigkeit. Zeig Beispiele, wenn das Format oder die Logik wirklich individuell ist — ein Hausstil, eine Parsing-Regel, ein Klassifikationsschema mit eigenen Grenzfällen. Wenn eine klare Anweisung es erfassen kann, sag es. Sagen ist billiger — und oft reicht es.

Der reinste Ökonomie-Move: Beispiele verdienen ihren Preis nur, wenn ein falsches Format dich mehr kosten würde als die Tokens — ein erneuter Lauf, ein manuelles Aufräumen, ein nachgelagertes System, das bei fehlerhaften Ausgaben abstürzt. Das ist der Few-Shot-Test: nicht „würden Beispiele helfen?" (sie helfen fast immer), sondern „erfordert dieses Muster eine Demonstration?"

Vorher & Nachher (Die Prompts)

Beispiel 1 — die Hausstil-Schlagzeile

Schreibe diese Feature-Ankündigung als knackige Schlagzeile in unserer Markenstimme um.

„Markenstimme" ist eine telefonische Beschreibung einer Pirouette. Das Modell rät — knackig für es, Marke für es — und liefert etwas Energisches, das völlig neben der Stimme liegt.

Schreibe diese Feature-Ankündigung als Schlagzeile passend zu unserem Stil um. Unser Stil:

Altes Dashboard, neues Dashboard → Deine Metriken haben angerufen. Sie wollen einen größeren Bildschirm. Offline-Modus ausgeliefert → WLAN weg. Arbeit nicht. Dark Theme veröffentlicht → Nachtmenschen, dieser hier ist für euch.

Feature-Ankündigung: Bulk-Export ist live →

Drei Demonstrationen, und das Modell rät nicht mehr — Länge, Pfeilformat, Fettdruck und das Wortspiel-Register sind alle gezeigt, inklusive des Mikro-Stils, den du nie hättest spezifizieren können. Die vierte Zeile vollendet ein Muster, keine Anweisung.

Beispiel 2 — das Extraktionsformat

Extrahiere Datum, Stadt und Gesamtsumme aus jeder Belegzeile unten.

Einfach genug — bis dein System, das die Ausgabe verarbeitet, YYYY-MM-DD | STADT_GROSSBUCHSTABEN | Cent-ohne-Symbol erwartet, ein Format, das nirgendwo in der Natur vorkommt. Die Anweisungs-Version produziert lesbare Daten, korrekte Stadtnamen und ein Währungssymbol — korrekt, und inkompatibel.

Extrahiere jede Zeile in: Datum, Stadt, Gesamtsumme. Folge dem Muster exakt:

"Bezahlt 42,50 € in Lissabon am 3. Mai" → 2026-05-03 | LISSABON | 4250 "São Paulo, 12/Jan, R$199,90" → 2026-01-12 | SÃO PAULO | 19990

"Checkout Tokio 7. Nov. ¥3.000" →

Zwei Beispiele, und die undokumentierten Regeln sind gelehrt: mehrdeutige Tag-Monat-Reihenfolge aufgelöst, Akzente in Großbuchstaben erhalten, Symbole entfernt, Dezimalstellen in Einheiten umgewandelt. Maschinenfertige Ausgabe von einem Modell, das für nichts „konfiguriert" wurde — es wurde es gezeigt.

Beispiel 3 — der Ton, der nicht abdriften darf

Mach meine Kundenantworten warm, aber nicht überschwänglich, professionell, aber nicht steif.

Jedes Wort in diesem Satz ist Geschmacksfrage, und der Geschmack des Modells weicht von deinem ab. Die Antwort kommt mit Ausrufezeichen geschmückt zurück — warm, nach seiner Lesart.

Schreibe meine Antwort-Entwürfe um, damit sie dieser Stimme entsprechen:

Entwurf: „Ihre Rückerstattung wurde verarbeitet." → Antwort: „Ihre Rückerstattung ist unterwegs — Sie sehen sie innerhalb von 3 Werktagen. Danke für Ihre Geduld, während wir das geklärt haben." Entwurf: „Der Artikel ist ausverkauft." → Antwort: „Der war schneller weg als erwartet! Wir stocken diese Woche nach und mailen dir, sobald er wieder da ist."

Entwurf: „Ihr Konto wurde gesperrt." →

Ton lässt sich nicht beschreiben; er lässt sich nur demonstrieren. Mit zwei Beispielen landet die dritte Antwort automatisch in der Stimme — ohne Ausrufezeichen-Vorlesung.

Häufige Fehler

Widersprüchliche Beispiele. Beispiel eins liefert Kleinbuchstaben, Beispiel drei schreibt groß; eines ist formell, eines macht Witze. Das Modell löst den Widerspruch durch Mittelung — und produziert Ausgaben, die keinem deiner Beispiele ähneln. Prüfe deine Beispiele wie Prüfbefunde: Jedes Detail muss übereinstimmen, denn jedes Detail lehrt.
Zu viele Beispiele, voller Schreibtisch. Zehn Beispiele „zur Sicherheit" besetzen das Kontextfenster für die gesamte Konversation — sie verdrängen späteren Kontext und treiben die Token-Kosten jeder Antwort in Uzu in die Höhe. Zwei bis vier scharfe Beispiele verriegeln das Muster fast immer; füge ein fünftes nur hinzu, wenn ein bestimmter Grenzfall seine eigene Demonstration verlangt.
Faulige Beispiele. Ein Beispiel mit Tippfehler, fauler Ausgabe oder Format-Drift lehrt nicht nur nichts — es lehrt aktiv deinen Defekt. Das Modell wird deine Fehler mit perfekter Treue reproduzieren. Poliere Beispiele wie veröffentlichte Texte.
Few-Shot für Standardaufgaben. Drei Beispiele für „fasse in einem Absatz zusammen" einzufügen demonstriert nichts, was das Modell nicht bereits aus einer klaren Anweisung tut — du zahlst Demonstrationspreise für einen Tanz, den jeder kennt. Spare dir die Technik für Muster, die wirklich nur in deinen Beispielen leben.
Vergessen, dass die Beispiele bestehen bleiben. Der Stapel, den du bei Nachricht eins eingefügt hast, liegt bei Nachricht dreißig noch auf dem Schreibtisch — kostet weiter Tokens, beeinflusst weiter den Ton. Wenn eine spätere Aufgabe im selben Chat anderes Verhalten verlangt, starte entweder einen neuen Chat oder pensioniere das Muster ausdrücklich („neues Format ab hier: ...").

FAQ

Was ist der Unterschied zwischen Zero-Shot-, One-Shot- und Few-Shot-Prompting?

Zero-Shot bedeutet, ohne Beispiele zu fragen — reine Anweisung, wie „übersetze das ins Französische". One-Shot bedeutet, ein einzelnes Beispiel einzuschließen, um das Muster zu verankern; Few-Shot bedeutet zwei oder mehr gelöste Beispiele — ab dort wird die Muster-Verriegelung stark genug für individuelle Formate. (Die „One-Shot-Prompt"-Anatomie dieses Lehrgangs handelt von einer vollständigen Einzelanweisung — und wenn diese Anweisung Beispiele enthält, steigt sie zum Few-Shot auf.) Je ungewöhnlicher dein Zielmuster, desto mehr Beispiele braucht es, um es zu lehren.

Wann sollte ich Few-Shot verwenden, statt das Format einfach zu beschreiben?

Verwende Few-Shot, wenn das Muster individuell, präzise und teuer im Irrtum ist: Hausstile, Parsing-Regeln, Klassifikationsschemata, Ausgaben, die ein anderes System füttern — alles, wo Prosa-Beschreibung das Modell raten lässt. Wenn das Format Standard ist (eine Tabelle, fünf Bullets, ein Absatz) oder eine Beschreibung es vollständig erfassen kann, ist One-Shot schneller, billiger und ausreichend. Der Test: Könnte ein kompetenter Fremde dein Format allein aus deiner Beschreibung reproduzieren? Wenn nicht, demonstriere.

Machen Beispiele KI-Prompts teurer?

Ja. Jedes Beispiel sind Tokens auf dem Kontextfenster, und das Fenster wird für jede Antwort der Konversation neu verarbeitet — Beispiele addieren also Kosten nicht einmal, sondern kontinuierlich. In Uzu, wo Nachrichten in G-Credits abgerechnet werden, ist ein schwerer Few-Shot-Stapel sichtbar der teuerste Prompt, den du senden kannst. Deshalb lautet die Disziplin: Demonstriere nur, was Beschreibung nicht erfassen kann, und halte die Beispiele beim Minimum, das das Muster verriegelt.

Nächste Lektion

Few-Shot verlangt, dass du bereits perfekte Beispiele hast — aber was ist mit dem Muster, das du nicht zeigen kannst, weil du es nie geschrieben hast? Dafür gibt es einen Move: Hör auf, die Antwort zu entwerfen, und entwirf die Frage. Übergib das Prompt-Schreiben selbst an die Maschine.

Weiter zur nächsten Lektion: Meta-Prompting

Praktische Übung vor dem Weiterklicken: Such ein Ausgabeformat, bei dem du die KI mehr als zweimal korrigiert hast. Baue daraus einen Drei-Beispiel-Stapel — deine Entwürfe als Inputs, deine korrigierten Versionen als Outputs — und lass die nächste Aufgabe darüber laufen. Beobachte, was das Modell reproduziert, das du nie aufgeschrieben hast.