Что такое few-shot промпт
Few-shot — это промпт, в котором вы не описываете желаемый результат словами, а показываете его на 1–5 примерах «вход → выход», после чего даёте свой вход. Модель достраивает закономерность и выдаёт ответ в том же формате, тоне и логике. Приём выигрывает у словесных инструкций везде, где формат сложнее пары предложений: описания правил всегда неполны, а пример однозначен.
Сравните. Инструкция «пиши заголовки коротко и с цифрой» оставляет простор для трактовок. Два примера — «Вход: статья про экономию на рекламе → Выход: 5 способов срезать рекламный бюджет» — задают шаблон жёстко: длину, порядок слов, место цифры.
Сколько примеров нужно: 1, 2 или 5
Больше — не значит лучше: каждый пример удлиняет промпт и может «переучить» модель на случайные совпадения. Рабочая шкала выглядит так:
| Примеров | Когда достаточно | Типовые задачи |
|---|---|---|
| 1 (one-shot) | Формат простой, важен стиль | Тон письма, шаблон подписи, структура карточки |
| 2–3 | Формат с вариативностью: нужно показать границы | Заголовки, теги, рерайт, классификация на 2–3 класса |
| 5 | Есть краевые случаи и «ловушки» | Разбор адресов, извлечение полей из текста, классификация с редкими классами |
Практическое правило: начинайте с двух примеров и добавляйте третий-пятый только тогда, когда модель ошибается на конкретном типе входа — и добавляйте пример именно этого типа. Пять похожих примеров бесполезны; пять разнообразных — сильны.
Важный частный случай — «нулевой» вариант (zero-shot): современные флагманы вроде GPT-5.4 со многими форматами справляются вообще без примеров, по одной внятной инструкции. Few-shot нужен не всегда — он нужен, когда без него формат «плывёт».
Как оформить примеры в промпте
Оформление влияет на результат не меньше количества. Четыре правила:
- Единая разметка. Каждая пара — с одинаковыми метками: «Вход:» / «Выход:» (или «Текст:» / «Ответ:»). Модель копирует структуру буквально, любые расхождения между примерами она тоже скопирует.
- Инструкция — до примеров. Сначала одно предложение о задаче, затем примеры, затем ваш вход. Примеры без инструкции работают, но связка «правило + образцы» стабильнее.
- Примеры — эталонные. Модель воспроизведёт всё, включая опечатки и кривые формулировки. В примерах не должно быть ничего, что вы не хотите видеть в ответе.
- Свой вход помечайте так же, как в примерах, и оставляйте метку выхода пустой — это точка, откуда модель продолжит.
Мини-шаблон:
Задача: определи тональность отзыва (позитив/негатив/нейтрально).
Отзыв: Доставили за час, курьер вежливый. Ответ: позитив
Отзыв: Коробка мятая, но товар целый. Ответ: нейтрально
Отзыв: {ваш текст} Ответ:
Ошибки, которые ломают few-shot
- Однобокие примеры. Если все образцы — позитивные отзывы, модель начнёт находить позитив везде. Покрывайте примерами все классы и хотя бы один пограничный случай.
- Противоречивые пары. Два примера с одинаковым входом и разными выходами сбивают закономерность полностью.
- Слишком длинные образцы. Для формата достаточно фрагмента; простыни на тысячу знаков тратят контекст и внимание модели.
- Случайный порядок важности. Модели чуть сильнее опираются на последние примеры — ставьте ближе к концу самый показательный.
Если после пяти хороших примеров ошибки остаются, дело уже не в примерах: уточняйте саму инструкцию или меняйте модель на более сильную.
Где применять уже сегодня
Few-shot окупается на потоковых задачах: описания товаров по одному шаблону, ответы поддержки в фирменном тоне, разбор заявок на поля, единообразные заголовки. Соберите один раз промпт с двумя-тремя эталонами — и дальше меняется только вход. Термин и его формальное определение мы разобрали в словарной статье о few-shot, а отработать приём удобно в чате с нейросетями на ГПТ Россия: десятки моделей в одном окне, оплата за фактическое использование, новичку — 50 ₽ приветственного бонуса. VPN не нужен, карта — российская.
Частые вопросы
Чем few-shot отличается от дообучения модели?
Дообучение меняет саму модель и требует датасета и бюджета. Few-shot ничего не меняет — примеры живут только в промпте и действуют на один запрос. Для абсолютного большинства рабочих задач промпта с примерами достаточно.
Примеры съедают контекст. Это проблема?
Для современных моделей — почти никогда: контекст флагманов измеряется сотнями тысяч и миллионами токенов, а 3–5 коротких примеров — это одна-две тысячи знаков. Следить за объёмом стоит лишь когда вы кормите модель ещё и длинным документом.
Работает ли few-shot с картинками и видео?
В классическом виде — нет: там роль примеров играют референсы и повтор удачных формулировок промпта. Принцип «покажи, а не описывай» сохраняется, но реализуется через изображения-образцы, где модель их поддерживает.
Модель повторяет пример дословно вместо ответа. Что делать?
Обычно виновата разметка: вход не помечен так же, как в примерах, и модель «не видит» задачу. Проверьте единообразие меток и оставьте метку выхода пустой в конце промпта. Если не помогло — сократите примеры: слишком длинные образцы провоцируют копирование.
