---
title: "Was ist Few-Shot-Prompting? Beispiele im Prompt | BroadRouter"
description: "Few-Shot-Prompting setzt einige ausgearbeitete Beispiele in den Prompt, damit das Modell das Muster übernimmt. Funktionsweise, Anzahl der Beispiele, Kosten."
url: https://broadrouter.com/de/glossary/few-shot-prompting/
lang: de
updated: 2026-11-16
publisher: BroadRouter (a BroadNet site); API by BroadNet Inference, https://inference.broadnet.ai
---

Mit KI-Unterstützung aus dem Englischen übersetzt. [Englisches Original lesen](https://broadrouter.com/glossary/few-shot-prompting/) (aktualisiert am 2026-11-16).

# Few-Shot-Prompting

Aktualisiert 2026-11-16

Few-Shot-Prompting ist eine Technik, bei der ein Prompt vor dem eigentlichen Input einige ausgearbeitete Input-Output-Beispiele enthält, aus denen ein Sprachmodell Aufgabe und Format ableitet. Die Gewichte des Modells ändern sich nicht; Zero-Shot kommt ohne Beispiele aus, One-Shot nutzt eines.

Auch genannt: Few-Shot-Prompting, Few-Shot Prompting, Few-Shot-Learning, Beispiele im Prompt, One-Shot-Prompting, Zero-Shot-Prompting, few-shot prompting, few-shot learning, multishot prompting, in-context examples, one-shot prompting

Zeigen schlägt Erklären. Ein paar Beispiele korrigieren Format und Tonfall oft schneller als ein Absatz voller Regeln.

## So funktioniert es

Das GPT-3-Paper von Brown und Kollegen machte den Begriff bekannt. Es testete ein Modell mit 175 Milliarden Parametern an Aufgaben, die „specified purely via text interaction with the model“ (Übersetzung: „rein über Textinteraktion mit dem Modell vorgegeben“) waren, ohne Gradienten-Updates oder Fine-Tuning, und stellte fest, dass die Few-Shot-Leistung mit der Modellgröße stark zunahm. Das Paper definiert drei Varianten:

| Variante | Beispiele im Prompt |
| --- | --- |
| Zero-Shot | keine, nur eine Anweisung |
| One-Shot | eines |
| Few-Shot | mehrere, begrenzt durch das Kontextfenster |

Ein Few-Shot-Prompt zum Labeln von Support-Tickets könnte so aussehen:

```text
Ticket: "My card was charged twice." -> billing
Ticket: "The app crashes on login." -> bug
Ticket: "Can you add dark mode?" -> feature_request
Ticket: "I was billed after cancelling." ->
```

Das Modell setzt das Muster fort. Der Leitfaden von Anthropic nennt Beispiele „one of the most reliable ways to steer“ (Übersetzung: „eine der zuverlässigsten Methoden, um zu steuern“) für Format, Tonfall und Struktur, und verlangt, dass sie relevant und vielfältig sind und in Tags stehen, damit das Modell sie von Anweisungen unterscheiden kann.

## Warum es wichtig ist

-   **Formatkontrolle.** Beispiele zeigen Grenzfälle, die Regeln übersehen, etwa wie ein leeres Feld zu schreiben ist. Für striktes JSON kombinieren Sie sie mit [strukturierter Ausgabe](https://broadrouter.com/de/glossary/structured-output/).
-   **Kosten.** Jedes Beispiel wird bei jedem Aufruf erneut als Input gesendet. Fünf Beispiele mit je 200 Tokens ergeben 1.000 Tokens mehr pro Anfrage. In einem festen Präfix können sie als [gecachte Input-Tokens](https://broadrouter.com/de/glossary/cached-input-tokens/) berechnet werden.
-   **Reasoning.** Beispiele, die die Schritte zeigen und nicht nur die Antwort, sind [Chain-of-Thought](https://broadrouter.com/de/glossary/chain-of-thought/)\-Prompting.
-   **Wann Schluss ist.** Brauchen Sie Hunderte Beispiele, kann [Fine-Tuning](https://broadrouter.com/de/glossary/fine-tuning/) pro Aufruf günstiger sein, als sie jedes Mal mitzuschicken.

## Bei BroadNet Inference

Few-Shot-Prompting braucht keine besondere API-Funktion; es ist einfacher Text in `messages`. BroadNet meldet `cached_tokens` in `usage`, sodass Sie prüfen können, ob Ihr Beispielblock aus dem Cache gelesen wird. Bei einem PAYG-Schlüssel ist der Cache-Preis niedriger als der Input-Preis; bei DeepSeek V4.1 Flash sind das $0.0055 statt $0.175 pro 1M Tokens. Für arabische Aufgaben siehe [Prompt Engineering auf Arabisch](https://broadrouter.com/de/blog/arabic-prompt-engineering/), für Dokumentextraktion mit Beispielen den [Leitfaden zu arabischen Rechnungen](https://broadrouter.com/de/guides/read-arabic-invoices-with-vision/).

## Häufige Fehler

-   Beispiele verwenden, die alle dasselbe Label oder dieselbe Länge haben. Das Modell übernimmt die Verzerrung.
-   Beispiele pro Anfrage wechseln. Das bricht das gecachte Präfix und macht Ergebnisse schwerer vergleichbar.

## Häufige Fragen

### Wie viele Beispiele sollte ein Few-Shot-Prompt enthalten?

Anthropic empfiehlt 3 bis 5 für die besten Ergebnisse. Mehr Beispiele kosten bei jedem Aufruf mehr Input-Tokens; hören Sie also auf, sobald die Qualität nicht mehr steigt.

### Ist Few-Shot-Prompting dasselbe wie Fine-Tuning?

Nein. Few-Shot-Beispiele stehen im Prompt und werden mit jeder Anfrage erneut gesendet. Fine-Tuning ändert die Gewichte des Modells einmal, danach müssen die Beispiele nicht mehr mitgeschickt werden.

### Gehören die Beispiele in den System-Prompt oder in Chat-Runden?

Beides funktioniert. Setzen Sie sie an eine feste Stelle nahe dem Anfang, damit sie ein stabiles, cachebares Präfix bilden.

## Siehe auch

-   [System-Prompt](https://broadrouter.com/de/glossary/system-prompt/) (Begriff)
-   [Chain-of-Thought (CoT)](https://broadrouter.com/de/glossary/chain-of-thought/) (Begriff)
-   [Fine-Tuning (Feinabstimmung)](https://broadrouter.com/de/glossary/fine-tuning/) (Begriff)
-   [Gecachte Input-Tokens (Cached Input Tokens)](https://broadrouter.com/de/glossary/cached-input-tokens/) (Begriff)
-   [Strukturierte Ausgabe (Structured Output)](https://broadrouter.com/de/glossary/structured-output/) (Begriff)
-   [Prompt Engineering](https://broadrouter.com/de/glossary/prompt-engineering/) (Begriff)
-   [Arabische Rechnungen und Belege mit einem Vision-Modell auslesen](https://broadrouter.com/de/guides/read-arabic-invoices-with-vision/) (Anleitung)
-   [Prompt Engineering auf Arabisch: Register, RTL, Ziffern, Mischtext](https://broadrouter.com/de/blog/arabic-prompt-engineering/) (Artikel)
-   [Prompts so strukturieren, dass das Präfix gecacht wird](https://broadrouter.com/de/blog/prompt-structure-for-caching/) (Artikel)

Testen Sie es mit Ihrem echten Workload. Neue Konten starten mit USD 5 Guthaben für Gemma und Transkription. DeepSeek, GLM und Qwen3.8 erfordern eine Aufladung.

[Loslegen](https://inference.broadnet.ai/account/?utm_source=broadrouter&utm_medium=referral&utm_campaign=de-glossary-few-shot-prompting&utm_content=page-cta) ·

**Quellen**

-   [Brown et al. (2020), Language Models are Few-Shot Learners (geprüft am 2026-11-16)](https://arxiv.org/abs/2005.14165)
-   [Anthropic, Best Practices für Prompts (Beispiele wirksam einsetzen) (geprüft am 2026-11-16)](https://platform.claude.com/docs/en/build-with-claude/prompt-engineering/claude-prompting-best-practices)
-   [API-Referenz von BroadNet Inference, gecachte Tokens (geprüft am 2026-11-16) (auf Englisch)](https://inference.broadnet.ai/docs?utm_source=broadrouter&utm_medium=referral&utm_campaign=de-glossary-few-shot-prompting&utm_content=sources)
