Trotz des jüngsten Erfolgs mehrerer zweistufiger prototypbasierter Netzwerke im Few-Shot-Namensentitäten-Erkennungsaufgaben (Few-Shot NER) bleiben die Überdetektion falscher Spannen im Spannenerkennungsschritt sowie die ungenauen und instabilen Prototypen im Typklassifizierungsschritt weiterhin herausfordernde Probleme. In diesem Artikel stellen wir einen neuartigen, typbewussten dekomponierten Ansatz vor, namens TadNER, um diese Herausforderungen zu bewältigen. Zunächst führen wir eine typbewusste Spannen-Filterstrategie ein, die falsche Spannen durch Entfernung solcher Spannen filtert, die semantisch weit von den Typnamen entfernt sind. Anschließend präsentieren wir eine typbewusste kontrastive Lernstrategie, die genauere und stabilere Prototypen durch gemeinsame Nutzung von Support-Beispielen und Typnamen als Referenzen ermöglicht. Umfassende Experimente auf verschiedenen Benchmarks belegen, dass unser vorgeschlagener TadNER-Ansatz eine neue State-of-the-Art-Leistung erzielt. Unser Code und die Daten werden unter https://github.com/NLPWM-WHU/TadNER verfügbar gemacht.