Few-shot промптинг — это подход, когда вы даёте нейросети 2–5 примеров решения задачи вместо развёрнутых инструкций. Модель ловит паттерн и применяет его к новым входам. Способ экономит текст в промпте и часто даёт точнее, чем словесное описание. Главный нюанс — качество примеров определяет результат полностью.
Zero-shot — это когда вы просто просите модель выполнить задачу без примеров. Few-shot добавляет 2–5 готовых примеров решения. На практике few-shot часто работает лучше для сложных задач (анализ тональности, извлечение данных, классификация), потому что модель видит конкретный формат ответа. Но для универсальных вопросов разница минимальна.
Обычно достаточно 2–5 примеров. Меньше двух — модель может не уловить паттерн. Больше пяти — часто не даёт выигрыша, только утяжеляет промпт. Параметр зависит от сложности задачи: простая классификация (спам/не спам) — 2 примера; извлечение информации из контракта — 4–5. Проверяйте экспериментально.
Примеры должны быть рутинными и репрезентативными: берите реальные данные из вашей области, а не вымышленные. Форматируйте одинаково для всех примеров (если вход — JSON, все входы — JSON). Включайте пограничные случаи (края диапазона), чтобы модель поняла границы классов. Избегайте слишком простых примеров — они не учат модель ничему.
Да, это обычная практика. Сначала идёт краткая инструкция (1–2 предложения), потом примеры, потом задача. Такой порядок помогает модели сначала понять стратегию, потом увидеть её на деле. Пример: «Извлеки товары из отзыва в формате JSON → [пример входа, пример выхода] → Сейчас извлеки из этого отзыва: [новый отзыв]». Это сильнее, чем только примеры или только инструкции.
Основной минус — промпт становится объёмнее, особенно если примеры большие (длинные тексты, таблицы). Это увеличивает время обработки и стоимость API (у большинства сервисов цена пропорциональна числу токенов). На практике для инвестиционного анализа или обработки контрактов это обычно оправдано: +200 токенов на примеры дают точность +15–20%. Но проверяйте на вашей задаче конкретно.
Для большинства задач — нет. Few-shot даёт 70–85% точности, fine-tuning достигает 85–95%, если данных достаточно (сотни примеров). Few-shot выигрывает скоростью и гибкостью, fine-tuning — точностью. На практике используют оба: сначала few-shot для прототипа, потом fine-tuning, если нужна масштабируемость.
Одинаково: примеры передаются в один промпт наравне с инструкциями и задачей. ChatGPT/Claude видят паттерн и применяют его. Различие в том, что Claude лучше следует формату, ChatGPT иногда выдумывает. Для критичных задач проверяй оба.
| Задача | Кол-во примеров | Формат примера |
|---|---|---|
| Классификация (спам, тональность) | 2–3 | Текст → метка |
| Извлечение данных (цены, даты) | 3–4 | Текст → JSON/таблица |
| Генерация текста (заголовки, описания) | 4–5 | Вход → выход |
| Аналитика (резюме документа, риски) | 3–5 | Документ → выводы |
| Параметр | Few-shot | Инструкции |
|---|---|---|
| Время подготовки | Минуты | Часы |
| Гибкость | Высокая (меняешь примеры) | Средняя |
| Точность на задаче | 70–85% | 65–75% |
| Стоимость | Дешево | Дешево |
| Адаптивность | Легко менять | Переписывать |
Реши, что должна вернуть модель: текст, JSON, таблица, метка. Опиши формат точно (например: «JSON с полями: name, price, риск»). Моделям проще следить за чётким форматом, чем гадать.
Возьми примеры из своих данных: реальные отзывы для анализа, реальные контракты для извлечения, реальные новости для классификации. Примеры должны быть типичными и охватывать основные варианты задачи.
Каждый пример: вход → выход. Один формат для всех. Если используешь теги (Input, Output), применяй их для каждого примера. Модель ориентируется на регулярность паттерна.
Одна-две строки: что делать и зачем. Пример: «Классифицируй фразу по тону: позитивный, нейтральный, негативный.» Затем примеры, потом новая задача.
Протестируй промпт на 5–10 реальных примерах, которые не входили в обучение. Если точность <70%, добавь ещё пример или измени формат. Итерируй.
Для большинства задач — нет. Few-shot даёт 70–85% точности, fine-tuning достигает 85–95%, если данных достаточно (сотни примеров). Few-shot выигрывает скоростью и гибкостью, fine-tuning — точностью. На практике используют оба: сначала few-shot для прототипа, потом fine-tuning, если нужна масштабируемость.
Одинаково: примеры передаются в один промпт наравне с инструкциями и задачей. ChatGPT/Claude видят паттерн и применяют его. Различие в том, что Claude лучше следует формату, ChatGPT иногда выдумывает. Для критичных задач проверяй оба.
Да, помогают экономить. Если вместо инструкции на 1000 токенов дать 200 токенов примеров — промпт дешевле на 80%. А если few-shot даёт точнее и не требует переделок — экономия ещё больше. Но тестируй на конкретной задаче: иногда развёрнутая инструкция дешевле переделок после неточного few-shot.
Да, часто испортит. Если пример содержит ошибку или не репрезентативен (например, одна из категорий представлена только плохими случаями), модель их усвоит. Проверяй примеры перед использованием. Если видишь странный результат — зачастую виноват именно неудачный пример.
Это разные техники. Few-shot — примеры задачи. Chain-of-thought — просьба показать рассуждение перед ответом («Думай пошагово»). Можно комбинировать: примеры с пошаговым разбором внутри + просьба применить то же для новой задачи. На сложных задачах комбинация работает мощнее, чем каждая отдельно.
Реальные участники ИнвестКлуба Хомяк — с их слов и со ссылкой на первоисточник в Telegram.
Точка входазашла пробно на 1 месяц после рекламы
Что изменилосьосталась на 1,5 года — структурированные знания, прямые эфиры с экспертами, освоила ИИ-инструменты
«Когда-то я зашла пробно, на 1 месяц. Прошло 1,5 года, а я по-прежнему там. Один только искусственный интеллект чего стоит.»история в Telegram →
Точка входавозрастной скепсис, долго не решался зайти в закрытый клуб
Что изменилосьгора структурированных материалов, отзывчивое сообщество, которое помогает и подсказывает
«Возрастной скепсис мешал зайти — думал, всё как обычно. Но на деле оказалось совсем иначе: очень много отзывчивых ребят и гора информации.»история в Telegram →
«В Хомяке уже полтора года… кайфовое, живое сообщество. Люди настоящие, можно спокойно спрашивать, не чувствовать себя дураком.»
«Зашла пробно на 1 месяц. Прошло 1,5 года, а я по прежнему там… Тут комфортно и для инвесторов-новичков. Вся информация отлично структурирована.»
Ещё реальные отзывы участников — t.me/traderreviews
