Zero-shot vs Few-shot Prompting
Техники подачи запроса, определяющие, насколько детально мы направляем контекстное обучение (In-Context Learning) модели.
1. Zero-shot Prompting (Нулевой пример)
Определение
Модель выполняет задачу без предварительных примеров, полагаясь исключительно на свои внутренние веса и инструкции.
- Когда использовать: Для простых, стандартных задач или когда вы проверяете базовые возможности модели.
- Пример:
“Классифицируй тональность отзыва: ‘Этот плагин для базы знаний просто спас мою продуктивность!’ Ответ дай одним словом.”
2. Few-shot Prompting (Обучение на примерах)
Определение
Вы предоставляете модели несколько качественных пар «вход-выход» (демонстраций), чтобы задать паттерн поведения, стиль или формат.
- Зачем это в базе: Это мощный инструмент для соблюдения сложной структуры (например, когда вам нужно, чтобы LLM генерировала заметки строго в вашем формате YAML-фронтматтера).
- Пример для базы знаний:
“Преобразуй мысли в формат задачи:
Мысль: Нужно не забыть купить хлеб вечером. Задача: - [ ] Купить хлеб покупки
Мысль: Разобраться с настройками плагина Dataview. Задача: - [ ] Изучить документацию Dataview knowledge-base
Мысль: Проверить статус проекта по вики.” Задача: “
Сравнение и выбор
| Метод | Плюсы | Минусы |
|---|---|---|
| Zero-shot | Экономия токенов, быстрота написания. | Модель может ошибиться в формате или тоне. |
| Few-shot | Высокая точность, предсказуемый формат. | Тратит больше токенов, требует подготовки примеров. |
🛠 Применение на практике
При работе с плагинами вроде Smart Connections или Text Generator, Few-shot идеально подходит для создания шаблонов (Templates).
- Если вы хотите, чтобы ИИ суммаризировал ваши записи в стиле Zettelkasten, дайте ему 2-3 примера ваших лучших «атомарных» заметок в системном промпте.
Связанные концепции
- Chain of Thought (CoT) — когда мы просим модель «рассуждать вслух».
- System Prompts — настройка глобального поведения модели.