Kui kirjeldus jätab liiga palju tõlgendusruumi, näita mudelile soovitud väljundi näiteid. Väike esinduslik sisendi-väljundi paaride kogum võib muuta tooni, vormingu või liigituspiirid konkreetsemaks kui üksnes omadussõnad.
Seda tehnikat nimetatakse few-shot-promptimiseks. Nimetus pärineb masinõppe uurimistööst: algupärane GPT-3 artikkel uuris mudelite sooritust siis, kui ülesanne ja näited antakse kontekstis ilma ülesandepõhiste parameetriuuendusteta (Brown jt, 2020). Artiklis leidus ka ülesandeid, millega few-shot-lähenemine hätta jäi, seega on näited hindamist vajav võte, mitte universaalne täiustus.
Artikkel selgitab, mis on few-shot-promptimine, millal seda kasutada ja kuidas seda läbitöötatud näidete abil katsetada.
Miks näited töötavad paremini kui kirjeldused
Proovi seda mõtteeksperimenti. Oletame, et soovid, et ma kirjeldaks oma ettevõtte tooni hääle jaoks turundustekstides. Võiksin öelda: “sõbralik, aga professionaalne, soe, aga mitte familiaarne, enesekindel, aga mitte iial üleolev, lihtne keel, aga mitte lapsikuks tehtud”. Pärast nelja fraasi lugemist sa tõenäoliselt noogutaksid ja toodaksid siis midagi, mis on üsna erinev sellest, mida ma tegelikult tahtsin.
Aga kui näitaksin selle asemel kolme lühikest lõiku, mis juba soovitud tooni tabavad, oleks siht palju konkreetsem. Saaksid üksnes omadussõnade tõlgendamise asemel võrrelda sõnavalikut, lausepikkust ja struktuuri.
Mudelid saavad näiteid samal viisil kasutada. Omadussõnadel nagu „sõbralik“, „professionaalne“ ja „enesekindel“ on palju sobivaid tõlgendusi. Konkreetsed näited näitavad valikuid, mida juhis ei pruugi nimetada. OpenAI promptimise juhend kirjeldab few-shot-õpet kui mudeli suunamist mõne sisendi-väljundi näitega ning soovitab näidata mitmekesiseid võimalikke sisendeid koos soovitud väljunditega. See, kas tulemus paraneb, sõltub mudelist, ülesandest, näidetest ja hindamiskriteeriumidest.
Millal kasutada väheste näidetega promptimist
Mõned olukorrad, kus näiteid tasub katsetada:
Konkreetse tooni sobitamine. „Kirjuta meie ettevõtte häälega.“ Kui lühikirjeldus jätab tõlgendusruumi, näita lisaks esinduslikke heakskiidetud näiteid.
Järjepideva vormingu loomine. Kõik, mille väljund peab iga kord ühesugune välja nägema, näiteks tootekirjeldused, veateated, API-vastused, nädalaaruanded või olekuuuendused. Näita vormingut ja kirjelda seda.
Niši- või ebatavalised väljundid. „Kirjuta X-i postituslõim nii, nagu [a specific person you follow] neid kirjutab.“ „Loo pealkirju sisemise tööriista blogile.“ „Kirjuta koodikommentaare nii, nagu meie tiim neid kirjutab.“ Neil on kindlad tavad, mida on raske sõnastada.
Stiili kopeerimine tõlkimiseks, kokkuvõtteks või ümberkirjutamiseks. “Kirjuta see ümber sama stiilis nagu need kolm näidet, mida ma sulle näitan.”
Kõik, mida pidevalt samal viisil parandad. Kui toimetad mudeli väljundit alati ühes suunas, näiteks lühendad, vahetad sõna või tihendad struktuuri, anna mudelile parandatud versiooni näiteid.
Põhistruktuur
Praktilisel few-shot-promptil on kolm osa: lühike juhis, esinduslik näidete kogum ja uus ülesanne.
Genereeri üherealine tootekirjeldus B2B SaaS-tööriistale. Sobita nende näidete stiil.
Näide 1: Toode: ProjectHub Kirjeldus: Ühine tööruum projektitiimidele, kes on tüdinud viie tööriista vahel vahetamisest ühe töö tegemiseks.
Näide 2: Toode: TimeFlow Kirjeldus: Ajaarvestuse rakendus inimestele, kes vihkavad ajaarvestuse rakendusi.
Näide 3: Toode: ClearStack Kirjeldus: Aruandlustööriist, mis muudab tabelid otsusteks.
Nüüd kirjuta üks: Toode: PromptDesk Kirjeldus:
Soovitud muster on lühike, selge seisukohaga, pisut uljas ning ehitatud konkreetse mure või sihtrühma ümber. Kontrolli tulemust nende kriteeriumide järgi. Näited võivad mustrit suunata, kuid ei taga head kirjeldust.
Kolm läbitöötatud näidet
Vaatame kolme olukorda, kus näited võivad soovitud tulemuse selgemaks teha.
1. Veateate kommentaarid su tiimi stiilis
Oletame, et sinu tiim kirjutab Jira pileteid kindlal viisil: lühidalt, kasutaja mõjule keskendudes ja ilma žargoonita. Soovid, et AI koostaks samasuguseid pileteid.
Koosta Jira pileti kirjeldus järgmise vormingu järgi.
Näide 1: Kasutaja, kes logib sisse Google’i kaudu, näeb lühikest vale keele välgatust enne, kui kasutajaliides uueneb. Juhtub järjepidevalt Chrome’i lauaarvutil. Ei blokeeri, aga tundub viltu.
Sammud:
- Logi välja
- Logi tagasi sisse Google’iga
- Vaata algse lehe värisemist
Oodatud: keel jääb järjepidevaks Tegelik: lühike välgatus (näiliselt vaikeväärtuse) inglise keelt
Näide 2: CSV-ekspordi nupp tagastab tühja faili iganädalastel aruannetel, kus on >1000 rida. Väiksemad aruanded eksporditakse õigesti.
Sammud:
- Ava 1000+ reaga iganädalane aruanne
- Klõpsa Export → CSV
- Ava allalaaditud fail
Oodatud: täielikud andmed Tegelik: fail on 0 baiti
Nüüd koosta üks: Probleem: Safari kasutajad ütlevad, et mobiilimenüü ei sulgu pärast lingi puudutamist. Värskendamine parandab selle. Tundub fookuse-lõksu probleem.
Kontrolli mustandi struktuuri, tooni ja faktitruudust. Näited teevad eesmärgi selgeks, kuid mudel võib siiski mõne välja välja jätta või järeldada üksikasja, mida sisendis polnud.
2. Brändihäälele ümberkirjutamine
Oletame, et sul on e-kirja mustand ja soovid selle brändihäälega sobivaks kirjutada. „Ole soojem“ jätab tõlgendusruumi; näited võivad soovitud registri konkreetsemaks muuta.
Kirjuta allolev e-kiri ümber, et see vastaks nende näidete häälele. Hääl on: otsekohene, ei mingit korporatiivset täidist, kergelt eneseteadlik, ei ütle kunagi “sünergia” ega “leverage”.
Näide 1: “Lükkasime väljaande nädala võrra edasi. Autoskaleerimise muudatus oli suurem kui arvasime. Uus saatekuupäev: reede, 22. kuupäev.”
Näide 2: „Kiire palve: kas saaksid selle mustandi üle vaadata? Eriti teise osa. Mulle tundub, et see läheb liiga kaugele, aga ma pole kindel.“
Näide 3: “Märguanne: kavatsen homses koosolekul tähtaja vastu vaielda. Matemaatika ei klapi ja eelistan seda nüüd välja öelda, kui hiljem maha lasta.”
Kirjuta see samas hääles ümber:
[paste your draft]
Võrdle ümberkirjutust enne kasutamist näidete ja lähteteksti faktidega. Kui sinu ChatGPT pakett ja tööruum lubavad GPT-sid luua, võid näited lisada kohandatud GPT juhistesse; OpenAI soovitab seadistatud GPT-d eelvaates testida, sest juhised ei taga igal käivitusel ühesugust väljundit.
3. Struktureeritud ekstraktimine
Oletame, et sul on heakskiidetud PDF-arved ja soovid, et sobilik mudel eraldaks neist andmed puhtasse vormingusse. Kui oled kinnitanud, et tööriist ja andmevoog on nende dokumentide jaoks heaks kiidetud, laadi üles üks arve, esita soovitud väljundi näide ja palu sama teha ülejäänutega.
Ekstraheeri andmed arve PDF-idest täpselt selles JSON-vormingus.
Näide:
Sisend: [invoice PDF where vendor is “Lufthansa”, date is 2026-04-12, total is 423.50 EUR, line items are flight + bag fee]
Väljund:
{ "vendor": "Lufthansa", "date": "2026-04-12", "currency": "EUR", "total": 423.50, "line_items": [ {"description": "Flight TLL-LHR", "amount": 387.00}, {"description": "Checked bag", "amount": 36.50} ], "category": "Travel" }Nüüd eralda andmed sellelt arvelt: [attach new PDF]
Näide määrab sihtskeemi, kuid tulemust tuleb endiselt skeemi järgi valideerida ja arvega võrrelda. Usutava JSON-objekti põhjal ei saa järeldada, et summad, kuupäevad või reakirjed eraldati õigesti.
Levinud vead väheste näidetega lähenemisel
Kolm viga, millele tasub tähelepanu pöörata:
Omavahel vastuolus näited. Kui näited erinevad stiililt või liigitavad sarnaseid sisendeid erinevalt, võib mudel mitmetähenduslikkust korrata. Hoia soovitud reegel järjepidev, kuid kata sisendi tähenduslikku varieeruvust.
Näited, mis ei kata tähenduslikku varieeruvust. Universaalset parimat arvu pole. Alusta väikseimast kogumist, mis näitab mustrit ja olulisi äärejuhtumeid, ning lisa või eemalda näiteid esinduslike testide põhjal. Iga näide kasutab konteksti ja võib lisada uue mustri, mida mudel peab teistega sobitama.
Näited, mis sisaldavad soovimatuid vigu. Mudel võib näidetest korrata trükivigu, kohmakat sõnastust või juhuslikke struktuurivalikuid. Puhasta kogum enne kasutamist ja kontrolli uusi väljundeid, selle asemel et eeldada ainult soovitud mustri ülekandumist.
Eriti salakaval viga on sisendnäidete esitamine ilma väljundnäideteta. „Siin on kolm artiklit, millele tahan pealkirju: [three articles].“ See on zero-shot-, mitte few-shot-promptimine. Mudel pole näinud, milline hea pealkiri välja näeb. Võrdle:
Siin on kolm artiklit selliste pealkirjadega, mida ma sooviksin. Sobita stiili:
Näide 1: [article] → Pealkiri: „…“ Näide 2: [article] → Pealkiri: „…“ Näide 3: [article] → Pealkiri: „…“
Nüüd kirjuta pealkiri: [new article]
Paar (sisend → väljund) on väheste näidetega promptimise põhiühik. Ilma väljundipooleta pole mudelil mustrit, millest õppida.
Kuidas ehitada näidetekogu
Kui hakkad väheste näidetega lähenemist kasutama, koguneb sul „toiminud näidete“ kogu. Hoia ja säilita neid:
- Custom GPT-d / Claude Projects: hoia testitud näiteid piiritletud juhistes, mida saad üle vaadata ja uuendada.
- Tekstikatkendite haldur (TextExpander, Raycast, Espanso): kasuta otseteid, mis laienevad sinu näideteks.
- Märkmete fail, organiseeritud kasutusjuhtude kaupa (“brändihääle näited”, “pileti vormingu näited”, “pealkirja näited”), kust saad kiiresti kleepida.
Aja jooksul võib sellest kujuneda ülesandepõhine kogu, mis tugineb sinu tiimi päriselt heaks kiidetud väljunditele. See on kasulikum kui üldine promptide pakk, mida pole sinu tööga testitud.
Näited löövad omadussõnu
Kui oskad väljundit täpselt kirjeldada, tee seda. Kui tunned stiili ära, kuid ei suuda seda täielikult sõnastada, lisa esinduslikud sisendi-väljundi näited. Seejärel testi prompti tava- ja äärejuhtumitega, enne kui muudad selle korduskasutatavaks töövooks.
Näited võivad selgitada seda, mille omadussõnad mitmetähenduslikuks jätavad. Proovi võtet promptil, kus toon või vorming loeb, ja jäta see kasutusse ainult siis, kui testitud väljundid paranevad.
