In einem überraschenden Wendepunkt bieten Large Language Models (LLMs) zusammen mit einer wachsenden Palette von auf Prompts basierenden Heuristiken nun leistungsfähige Standardansätze, die Lösungen für zahlreiche klassische NLP-Probleme mit wenigen Beispielen bereitstellen. Trotz vielversprechender früherer Ergebnisse bleiben diese LLM-basierten Few-Shot-Methoden jedoch weit hinter dem aktuellen Stand der Technik in der Named Entity Recognition (NER), wo vorherrschende Methoden das Lernen von Repräsentationen durch eine end-to-end strukturelle Verständnis und das Fine-Tuning auf standardisierten annotierten Korpora umfassen. In dieser Arbeit stellen wir PromptNER vor, einen neuen Stand-der-Technik-Algorithmus für Few-Shot- und Cross-Domain-NER. Um sich an neue NER-Aufgaben anzupassen, benötigt PromptNER neben den standardmäßigen Few-Shot-Beispielen eine Reihe von Entitätsdefinitionen. Angesichts eines Satzes fordert PromptNER ein LLM auf, eine Liste potentieller Entitäten zusammen mit entsprechenden Erklärungen zu generieren, die ihre Übereinstimmung mit den bereitgestellten Entitätstypdefinitionen rechtfertigen. Bemerkenswerterweise erreicht PromptNER den aktuellen Stand der Technik bei Few-Shot-NER und erzielt eine Verbesserung des F1-Scores um 4 % (absolut) im ConLL-Datensatz, 9 % (absolut) im GENIA-Datensatz und 4 % (absolut) im FewNERD-Datensatz. PromptNER setzt auch neue Maßstäbe in der Cross-Domain-NER, indem es frühere Methoden (einschließlich solcher, die nicht auf Few-Shot-Einstellungen beschränkt sind) übertrifft und in 3 von 5 CrossNER-Zielsgebieten neue Benchmarks setzt, wobei es trotz der Nutzung weniger als 2 % der verfügbaren Daten einen durchschnittlichen F1-Gewinn von 3 % erzielt.