Few-shot промптинг

Few-shot промптинг основан на предоставлении модели нескольких примеров желаемого поведения прямо в запросе. Вместо длинных объяснений вы показываете модели 2-5 конкретных случаев входных данных и ожидаемых выходных данных — модель улавливает паттерн и применяет его к новым данным.

Принцип подбора примеров

Качество примеров критически важнее их количества. Три хороших примера работают лучше десяти посредственных.

Критерии эффективных примеров:

• Репрезентативность — примеры должны покрывать типичные вариации входных данных (разная длина, структура, граничные случаи)
• Разнообразие — избегайте слишком похожих примеров, показывайте разные сценарии
• Ясность паттерна — связь между входом и выходом должна быть очевидной
• Соответствие задаче — примеры должны точно отражать то, что вы хотите получить

# Плохо: все примеры об одном
Отзыв: "Отличный товар, рекомендую" → Позитивный
Отзыв: "Хороший продукт, доволен" → Позитивный
Отзыв: "Супер, всем советую" → Позитивный

# Хорошо: разные случаи
Отзыв: "Отличный товар, рекомендую" → Позитивный
Отзыв: "Полное разочарование, не работает" → Негативный
Отзыв: "Нормально, но есть недостатки" → Нейтральный

Форматирование вывода для интеграции

Few-shot особенно эффективен для получения структурированных данных, которые можно передать в другие системы. Ключ — явно показать формат в примерах и дополнительно указать его в инструкции.

Пример: извлечение данных в JSON

Извлеки информацию о компании в формате JSON.

Текст: ООО "Альфа" основано в 2015 году, специализируется на разработке ПО
JSON: {"название": "ООО Альфа", "год_основания": 2015, "сфера": "разработка ПО"}

Текст: Компания Beta Inc работает с 2010 года в сфере логистики
JSON: {"название": "Beta Inc", "год_основания": 2010, "сфера": "логистика"}

Текст: Производитель мебели "Комфорт" открылся в 2018 году
JSON:

Модель продолжит паттерн и вернет корректный JSON. Для надежности добавьте явную инструкцию:

Инструкция: верни ТОЛЬКО валидный JSON без дополнительного текста.
Используй ключи: название, год_основания, сфера.

Типичные ошибки и их решения

Ошибка 1: Слишком много примеров

Большое количество примеров редко улучшает результат, но увеличивает стоимость запроса и может запутать модель. Если требуется много примеров, задача может быть слишком сложна — декомпозируйте её или используйте другую технику.

Ошибка 2: Противоречивые примеры

# Противоречие в логике
Email: "Срочно нужна помощь!" → Приоритет: низкий
Email: "Вопрос по документации" → Приоритет: высокий

Модель не поймет критерий приоритизации. Убедитесь, что паттерн логичен и последователен.

Ошибка 3: Примеры не соответствуют реальным данным

Если в примерах короткие предложения, а реальные данные — длинные параграфы, модель может работать хуже. Примеры должны быть реалистичными по объему и структуре.

Ошибка 4: Игнорирование граничных случаев

Включите хотя бы один пример с нестандартной ситуацией:

Задача: извлечь цену из текста

Текст: "Стоимость 1500 рублей" → 1500
Текст: "Цена: $50" → 50
Текст: "Бесплатно" → 0
Текст: "Цена не указана" → null

Практический паттерн

Эффективная структура Few-shot промпта:

1. Краткая инструкция (1-2 предложения о задаче)
2. Явное указание формата выхода
3. Несколько примеров с разнообразными случаями
4. Новый вход для обработки

Задача: классифицируй обращение клиента по типу проблемы.
Формат: одно слово из списка [технический, финансовый, общий]

Обращение: "Не могу войти в личный кабинет, пишет ошибку 404"
Тип: технический

Обращение: "Когда спишутся деньги за подписку?"
Тип: финансовый

Обращение: "Где находится ваш офис?"
Тип: общий

Обращение: "Не приходит код подтверждения на телефон"
Тип:

Ключевой вывод: Few-shot работает как "обучение на лету" — вы показываете модели желаемое поведение через примеры. Фокусируйтесь на качестве и разнообразии примеров, явно указывайте формат вывода, и избегайте избыточности. Для интеграции с системами комбинируйте Few-shot с жесткими требованиями к формату (JSON, XML, CSV).