Der schnellste Weg, einer KI genau zu vermitteln, was Sie benötigen, ist nicht die Beschreibung, sondern ein Beispiel. Zwei oder drei konkrete Beispiele der gewünschten Ausgabe führen zu deutlich besseren Ergebnissen als dieselben Anforderungen in beschreibenden Sätzen.
Diese Technik heißt Few-Shot-Prompting. Sie gehört zu den wirksamsten Methoden im gesamten Prompt-Werkzeugkasten und wird von Einsteigern dennoch viel zu selten verwendet. Stattdessen versuchen sie, die gewünschte Ausgabe mit Adjektiven zu beschreiben, und sind enttäuscht, wenn das Ergebnis zwar ähnlich, aber nicht wirklich richtig ist.
Dieser Artikel erklärt anhand ausgearbeiteter Beispiele, was Few-Shot-Prompting ist, wann es sich eignet und wie Sie es richtig einsetzen.
Warum Beispiele besser funktionieren als Beschreibungen
Ein Gedankenexperiment: Angenommen, ich soll den Sprachstil meines Unternehmens für Marketingtexte beschreiben. Ich könnte sagen: „freundlich, aber professionell; herzlich, aber nicht salopp; selbstbewusst, aber nie arrogant; verständlich, aber nicht vereinfachend“. Nach diesen vier Formulierungen würden Sie vermutlich zustimmen und dennoch einen Text verfassen, der sich deutlich von meiner Vorstellung unterscheidet.
Zeige ich Ihnen dagegen drei kurze Absätze, die unseren gewünschten Ton genau treffen, verstehen Sie den Stil auch ohne Erklärung wesentlich besser. Wahrscheinlich können Sie ihn schon beim ersten Versuch nachbilden.
Genau so verarbeitet das Modell Ihre Anweisungen. Adjektive wie „freundlich“, „professionell“ und „selbstbewusst“ sind mehrdeutig. Konkrete Beispiele sind präzise. Das Modell kann Muster in Beispielen erkennen; Adjektive muss es interpretieren.
Dieses Verhalten wurde in der Forschung zum In-Context Learning untersucht. Große Sprachmodelle können in der Regel aus wenigen Beispielen besser verallgemeinern als aus einer Beschreibung desselben Verhaltens. Das ist ein Grund dafür, dass „zeigen statt erklären“ schon immer ein guter Rat für Texte war.
Wann Few-Shot-Prompting besonders nützlich ist
In einigen Situationen sparen Beispiele mehr Arbeit als jede andere Prompt-Methode:
Einen bestimmten Ton treffen. „Schreiben Sie in der Sprache unseres Unternehmens.“ Wenn Sie den Stil nicht mit drei klaren Adjektiven definieren können, zeigen Sie zwei oder drei Beispiele.
Einheitliche Formatierung erzeugen. Bei Produktbeschreibungen, Fehlermeldungen, API-Antworten, Wochenberichten und Statusmeldungen soll die Ausgabe jedes Mal gleich aussehen. Zeigen Sie das Format, statt es nur zu beschreiben.
Spezielle oder ungewöhnliche Ausgaben erstellen. „Schreiben Sie einen Twitter-Thread im Stil von [einer bestimmten Person, der Sie folgen].“ „Erstellen Sie Überschriften für den Blog eines internen Werkzeugs.“ „Formulieren Sie Code-Kommentare so, wie unser Team sie schreibt.“ Solche Inhalte folgen besonderen Konventionen, die sich nur schwer in Worte fassen lassen.
Einen Stil bei Übersetzung, Zusammenfassung oder Überarbeitung nachbilden. „Formulieren Sie diesen Text im selben Stil wie die folgenden drei Beispiele.“
Ausgaben verbessern, die Sie immer auf dieselbe Weise korrigieren. Wenn Sie Modellantworten wiederholt kürzen, dieselben Wörter austauschen oder ihren Aufbau straffen, stellen Sie Beispiele der bereits korrigierten Fassung bereit.
Der grundlegende Aufbau
Ein Few-Shot-Prompt besteht aus drei Teilen: einer kurzen Anweisung, zwei oder drei Beispielen und der neuen Aufgabe.
Erstellen Sie eine einzeilige Produktbeschreibung für ein B2B-SaaS-Werkzeug. Entsprechen Sie dem Stil dieser Beispiele.
Beispiel 1: Produkt: ProjectHub Beschreibung: Ein gemeinsamer Arbeitsbereich für Projektteams, die es leid sind, für eine Aufgabe zwischen fünf Werkzeugen zu wechseln.
Beispiel 2: Produkt: TimeFlow Beschreibung: Eine Zeiterfassungs-App für Menschen, die Zeiterfassungs-Apps hassen.
Beispiel 3: Produkt: ClearStack Beschreibung: Ein Berichtswerkzeug, das aus Tabellen Entscheidungen macht.
Schreiben Sie nun eine Beschreibung für: Produkt: PromptDesk Beschreibung:
Das Modell erzeugt eine Ausgabe im selben Stil: kurz, meinungsstark, leicht frech und auf ein konkretes Problem oder eine Zielgruppe ausgerichtet. Ohne Beispiele wäre das Ergebnis allgemein. Mit den Beispielen passt es zum gewünschten Muster.
Drei ausgearbeitete Beispiele
Betrachten wir drei reale Situationen, in denen Few-Shot-Prompting die Ausgabe grundlegend verbessert.
1. Fehlerberichte im Stil Ihres Teams
Angenommen, Ihr Team verfasst Jira-Tickets nach einem festen Muster: kurz, auf die Auswirkungen für Nutzer konzentriert und ohne Fachjargon. Sie möchten, dass KI passende Tickets entwirft.
Entwerfen Sie eine Jira-Ticketbeschreibung im folgenden Format.
Beispiel 1: Bei der Anmeldung über Google sehen Nutzer kurz die falsche Sprache, bevor die Oberfläche aktualisiert wird. Der Fehler tritt in Chrome auf dem Desktop zuverlässig auf. Er blockiert die Nutzung nicht, wirkt aber unsauber.
Schritte:
- Abmelden
- Erneut über Google anmelden
- Auf das anfängliche Flackern der Seite achten
Erwartet: Die Sprache bleibt unverändert Tatsächlich: Englisch als vermeintliche Standardsprache wird kurz angezeigt
Beispiel 2: Die Schaltfläche zum CSV-Export erzeugt bei Wochenberichten mit mehr als 1000 Zeilen eine leere Datei. Kleinere Berichte werden korrekt exportiert.
Schritte:
- Wochenbericht mit 1000 oder mehr Zeilen öffnen
- Export → CSV wählen
- Heruntergeladene Datei öffnen
Erwartet: vollständige Daten Tatsächlich: Datei hat 0 Byte
Entwerfen Sie nun ein Ticket für: Problem: Nutzer von Safari berichten, dass sich das mobile Menü nach dem Antippen eines Links nicht schließt. Nach dem Neuladen funktioniert es wieder. Vermutlich liegt es am Focus Trap.
Das Modell erzeugt jedes Mal ein Ticket mit genau diesem Aufbau und Ton. Ohne Beispiele fiele der Text etwas länger und formeller aus.
2. Überarbeitung in der Markensprache
Angenommen, Sie möchten einen E-Mail-Entwurf an die Sprache Ihrer Marke anpassen. Die Anweisung „Formulieren Sie freundlicher“ führt zu uneinheitlichen Ergebnissen; Beispiele schaffen Konsistenz.
Überarbeiten Sie die folgende E-Mail im Stil dieser Beispiele. Der Stil ist direkt, verzichtet auf Unternehmensfloskeln, wirkt leicht selbstreflektiert und verwendet niemals „Synergie“ oder „Leverage“.
Beispiel 1: „Wir haben die Veröffentlichung um eine Woche verschoben. Die Änderung an der automatischen Skalierung war umfangreicher als erwartet. Neuer Veröffentlichungstermin: Freitag, der 22.“
Beispiel 2: „Eine kurze Bitte: Könnten Sie diesen Entwurf kritisch prüfen, insbesondere den zweiten Abschnitt? Ich glaube, dass er zu weit geht, bin mir aber nicht sicher.“
Beispiel 3: „Vorab zur Information: In der morgigen Besprechung werde ich der Frist widersprechen. Die Zahlen gehen nicht auf, und ich spreche das lieber jetzt an, als den Termin später zu verfehlen.“
Überarbeiten Sie diesen Text im selben Stil:
[Entwurf einfügen]
Das Ergebnis klingt wie die Beispiele und nicht wie allgemeine Unternehmenssprache. Speichern Sie diesen Prompt als Custom GPT, um jederzeit eine schnelle Überarbeitung in Ihrer Markensprache anzufordern.
3. Strukturierte Extraktion
Angenommen, Sie möchten Daten aus PDF-Rechnungen in ein einheitliches Format extrahieren. Laden Sie eine Rechnung hoch, zeigen Sie ein Beispiel der gewünschten Ausgabe und lassen Sie anschließend die übrigen Rechnungen verarbeiten.
Extrahieren Sie Daten aus PDF-Rechnungen genau in diesem JSON-Format.
Beispiel:
Eingabe: [invoice PDF where vendor is “Lufthansa”, date is 2026-04-12, total is 423.50 EUR, line items are flight + bag fee]
Ausgabe:
{ "vendor": "Lufthansa", "date": "2026-04-12", "currency": "EUR", "total": 423.50, "line_items": [ {"description": "Flight TLL-LHR", "amount": 387.00}, {"description": "Checked bag", "amount": 36.50} ], "category": "Travel" }Extrahieren Sie nun die Daten aus dieser Rechnung: [neue PDF anhängen]
Sie erhalten eine saubere, einheitliche Ausgabe. Ohne Beispiel könnte sich die JSON-Struktur von Rechnung zu Rechnung verändern, was die Weiterverarbeitung erheblich erschwert.
Häufige Fehler beim Few-Shot-Prompting
Achten Sie besonders auf drei Fehler:
Widersprüchliche Beispiele. Wenn sich Ihre drei Beispiele im Stil unterscheiden, weiß das Modell nicht, welchem es folgen soll. Wählen Sie eine eng zusammengehörende, einheitliche Auswahl.
Zu wenige Beispiele. Ein einziges Beispiel reicht häufig nicht, weil das Modell es als Sonderfall behandeln kann. Zwei sind meist die Untergrenze, drei für die meisten Aufgaben der beste Wert. Mehr als fünf Beispiele helfen selten und verbrauchen zunehmend Platz im Kontextfenster.
Beispiele mit Fehlern, die nicht übernommen werden sollen. Das Modell bildet jedes enthaltene Muster zuverlässig nach – auch Tippfehler, unbeholfene Formulierungen oder versehentlich gewählte Strukturen. Bereinigen Sie Beispiele, bevor Sie sie bereitstellen.
Ein besonders unauffälliger Fehler besteht darin, Beispiele für Eingaben, aber nicht für Ausgaben zu zeigen. „Hier sind drei Artikel, für die Sie Überschriften erstellen sollen: [drei Artikel].“ Das ist Zero-Shot- und kein Few-Shot-Prompting. Das Modell hat keine gute Überschrift als Vorbild gesehen. Vergleichen Sie:
Hier sind drei Artikel mit Überschriften in dem von mir gewünschten Stil:
Beispiel 1: [Artikel] → Überschrift: „…“ Beispiel 2: [Artikel] → Überschrift: „…“ Beispiel 3: [Artikel] → Überschrift: „…“
Schreiben Sie nun eine Überschrift für: [neuer Artikel]
Das Paar aus Eingabe und Ausgabe ist die Einheit des Few-Shot-Promptings. Ohne die Ausgabeseite fehlt dem Modell das zu lernende Muster.
Eine eigene Beispielbibliothek aufbauen
Sobald Sie Few-Shot-Prompting verwenden, sammeln sich Gruppen erfolgreicher Beispiele an. Bewahren Sie sie auf:
- Custom GPTs / Claude Projects – fügen Sie die Beispiele in das Anweisungsfeld ein, damit sie dauerhaft verfügbar bleiben.
- Ein Textbaustein-Manager wie TextExpander, Raycast oder Espanso – Kürzel lassen sich direkt zu Ihren Beispielen erweitern.
- Eine nach Anwendungsfällen geordnete Notizdatei – beispielsweise „Beispiele für Markensprache“, „Beispiele für Ticketformate“ und „Beispiele für Überschriften“ – für schnelles Kopieren.
Wenn Sie diese Bibliothek sechs Monate lang aufbauen, besitzen Sie einen persönlichen Werkzeugkasten, den kein fertiges „Prompt-Paket“ ersetzen kann. Er ist genau auf Ihre Arbeit abgestimmt.
Beispiele sind wirksamer als Adjektive
Wenn Sie die gewünschte Ausgabe beschreiben können, tun Sie es. Können Sie den Stil zwar erkennen, aber nicht genau formulieren, zeigen Sie stattdessen zwei oder drei Beispiele. Zwei Minuten für die Auswahl guter Beispiele sparen zwanzig Minuten Korrektur eines unpassenden Ergebnisses, das keine Beschreibung verhindert hätte.
Beispiele sind wirksamer als Adjektive. Nur wenige Menschen nutzen diese Methode. Wer es konsequent tut, erhält bessere KI-Ausgaben als Personen, die längere und raffiniertere Beschreibungen verfassen. Probieren Sie es bei Ihrem nächsten Prompt aus, bei dem der Stil wichtig ist, und beobachten Sie den Unterschied.
