Zero-shot и Few-shot Prompting
Оба подхода используют уже обученную модель. Few-shot не переобучает её веса: примеры работают только в текущем контексте.
Zero-shot
Модель получает инструкцию без демонстраций.
Определи тональность отзыва: положительная, нейтральная или отрицательная.
Отзыв: «Плагин работает, но настройка заняла весь вечер».
Ответь одной меткой.Начинай с zero-shot, если задача типовая, критерии ясны и формат прост. Это дешевле и показывает базовую способность модели.
Few-shot
Модель получает несколько качественных пар «вход → желаемый выход». Они задают формат, границы классов, стиль или способ обработки неоднозначности.
Отзыв: «Идеально, всё заработало сразу»
Метка: положительная
Отзыв: «Функции есть, но интерфейс неудобный»
Метка: нейтральная
Отзыв: «После обновления данные пропали»
Метка: отрицательная
Отзыв: «{новый отзыв}»
Метка:Как выбирать примеры
- Показывай корректный результат, а не объяснение ошибки.
- Используй тот же формат и язык, что ожидаются на выходе.
- Включай типовые случаи и важные границы между классами.
- Не подмешивай скрытые правила, которые невозможно вывести из примеров.
- Проверяй порядок примеров: он может влиять на ответ.
- Не включай чувствительные данные и недоверенные инструкции.
Когда переходить к few-shot
Добавляй примеры, если zero-shot систематически ошибается в формате, стиле или трактовке классов. Если нужен гарантированно валидный машинный формат, сначала проверь Structured Output.