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:
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.
- 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 berechnet werden.
- Reasoning. Beispiele, die die Schritte zeigen und nicht nur die Antwort, sind Chain-of-Thought-Prompting.
- Wann Schluss ist. Brauchen Sie Hunderte Beispiele, kann 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, für Dokumentextraktion mit Beispielen den Leitfaden zu arabischen Rechnungen.
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.