Few-shot prompting - что это и как научить ИИ на примерах

Словарь ИИ · Время чтения: 3 минуты

Как работает few-shot

Представь: тебе нужно размечать отзывы клиентов по тональности - позитивный, негативный, нейтральный. Вместо того чтобы писать длинную инструкцию с правилами, ты просто даёшь модели примеры:

«Доставили вовремя, упаковка отличная» → позитивный
«Ждал две недели, в итоге пришло не то» → негативный
«Товар соответствует описанию» → нейтральный
Теперь разметь: «Качество хорошее, но цена высоковата»

Модель понимает задачу по примерам и правильно размечает четвёртый отзыв. Это и есть few-shot. Подробнее о базовых техниках работы с моделью - в обзоре инструментов ИИ.

Когда few-shot особенно полезен

• Нестандартный формат вывода - нужна таблица, JSON, определённая структура. Проще показать один пример, чем объяснять словами.
• Специфичный стиль текста - голос бренда, авторский стиль, юридический язык. Модель подхватывает тон из образцов.
• Кастомная классификация - категории, которых нет в общем словаре (например, метки внутри вашей CRM).
• Задачи с тонкими различиями - когда правило сложно формализовать, но примеры интуитивно понятны.

Few-shot vs zero-shot vs one-shot

Zero-shot - задача без примеров, только описание. Работает для стандартных задач: перевод, суммаризация, базовые вопросы. Современные LLM достаточно мощные, чтобы справляться без подсказок на массовых задачах.

One-shot - один пример. Промежуточный вариант: помогает, когда формат важен, но токены в контексте ограничены.

Few-shot (2-5 примеров) - оптимальный вариант для нестандартных задач. Точность вырастает значительно по сравнению с zero-shot, при этом не съедается весь контекст.

Сколько примеров давать и как составлять

Исследования Google и Anthropic показывают: 2-5 примеров достаточно для большинства задач. Больше 8-10 - чаще всего избыточно и просто тратит токены окна контекста. Правила хороших few-shot примеров:

• Примеры должны быть разнообразными - охватывать разные случаи, а не один и тот же паттерн пять раз.
• Соблюдать один и тот же формат входа и выхода в каждом примере.
• Ставить самый показательный пример последним - ближайший к реальному запросу.
• Избегать примеров с ошибками: модель учится на том, что вы показали, в том числе на опечатках.

Подробнее о продвинутых техниках - в статье про промпт-инжиниринг. А пример использования few-shot совместно с пошаговым рассуждением - в материале про Chain of Thought.

Обзор актуальных техник few-shot prompting в больших языковых моделях - Brown et al. 2020, «Language Models are Few-Shot Learners» (arxiv.org).