Den hurtigste måde at lære AI præcis, hvad du ønsker, er ikke at beskrive det. Det er at vise det. To eller tre konkrete eksempler på det ønskede output giver markant bedre resultater end de samme instruktioner formuleret med ord.
Teknikken kaldes few-shot prompting, og den er et af de mest effektive greb i hele værktøjskassen til prompting. Begyndere bruger den dog alt for lidt. De forsøger at beskrive det ønskede output med tillægsord og bliver frustrerede, når modellen producerer noget, der næsten, men ikke helt, rammer rigtigt.
Denne artikel gennemgår, hvad few-shot prompting er, hvornår du bør bruge teknikken, og hvordan du bruger den godt — med gennemarbejdede eksempler.
Hvorfor eksempler virker bedre end beskrivelser
Prøv dette tankeeksperiment. Antag, at du beder mig beskrive vores virksomheds tone i markedsføringstekster. Jeg kunne sige “venlig, men professionel; varm, men ikke uformel; selvsikker, men aldrig arrogant; enkelt sprog, men ikke nedladende.” Når du havde læst de fire beskrivelser, ville du sandsynligvis nikke og derefter skrive noget helt andet end det, jeg faktisk ønskede.
Hvis jeg i stedet viste dig tre korte afsnit, som vi har skrevet, og som efter min mening rammer tonen — uden at forklare noget — ville du få en langt tydeligere fornemmelse af, hvordan du skulle skrive med den stemme. Du kunne sandsynligvis efterligne den i første forsøg.
Det er præcis sådan, modellen oplever dine instruktioner. Tillægsord som “venlig”, “professionel” og “selvsikker” er vage. Konkrete eksempler er specifikke. Modellen kan genkende mønstre i eksempler; tillægsord skal den fortolke.
Dette mønster er undersøgt i litteraturen om in-context learning: Store sprogmodeller er typisk langt bedre til at generalisere ud fra en håndfuld eksempler end ud fra beskrivelser af den samme adfærd. Det er en del af forklaringen på, at “vis, fortæl ikke” altid har været et godt skriveråd.
Hvornår du bør bruge few-shot
I disse situationer sparer eksempler dig mere arbejde end noget andet prompting-greb:
Når du skal ramme en bestemt tone. “Skriv med vores virksomheds stemme.” Hvis du ikke kan definere stemmen med tre præcise tillægsord, så vis i stedet to eller tre eksempler.
Når du skal producere et ensartet format. Alt, hvor outputtet skal se ens ud hver gang — produktbeskrivelser, fejlmeddelelser, API-svar, ugentlige rapporter og statusopdateringer. Vis formatet; beskriv det ikke.
Ved nicheprægede eller usædvanlige output. “Skriv en Twitter-tråd på samme måde som [en bestemt person, du følger].” “Lav overskrifter til en blog om interne værktøjer.” “Skriv kodekommentarer på samme måde som vores team.” Sådanne output følger bestemte konventioner, som er svære at formulere.
Når du efterligner en stil til oversættelse, opsummering eller omskrivning. “Skriv dette om i samme stil som de tre eksempler, jeg viser dig.”
Når du bliver ved med at rette de samme ting. Hvis du hver gang redigerer modellens output i samme retning — gør det kortere, skifter et ord ud eller strammer strukturen op — så giv den eksempler på den rettede version.
Grundstrukturen
En few-shot-prompt består af tre dele: en kort instruktion, to eller tre eksempler og den nye opgave.
Skriv en produktbeskrivelse på én linje til et B2B SaaS-værktøj. Følg stilen i disse eksempler.
Eksempel 1: Produkt: ProjectHub Beskrivelse: Et fælles arbejdsområde til projektteams, der er trætte af at skifte mellem fem værktøjer for at udføre én opgave.
Eksempel 2: Produkt: TimeFlow Beskrivelse: En tidsregistreringsapp til mennesker, der hader tidsregistreringsapps.
Eksempel 3: Produkt: ClearStack Beskrivelse: Et rapporteringsværktøj, der forvandler regneark til beslutninger.
Skriv nu en til: Produkt: PromptDesk Beskrivelse:
Modellen producerer noget, der matcher stilen: kort, holdningspræget, lettere frækt og bygget op om en konkret irritation eller målgruppe. Uden eksemplerne ville resultatet have været generisk. Med dem får du noget, der passer.
Tre gennemarbejdede eksempler
Lad os gennemgå tre virkelige situationer, hvor few-shot ændrer resultatet markant.
1. Fejlrapporter i dit teams stil
Antag, at dit team skriver Jira-opgaver på en bestemt måde — kort, med fokus på konsekvensen for brugeren og uden fagsprog. Du vil have AI til at skrive opgaver, der følger stilen.
Skriv en beskrivelse til en Jira-opgave i nedenstående format.
Eksempel 1: En bruger, der logger ind via Google, ser kortvarigt det forkerte sprog, før brugerfladen opdateres. Sker konsekvent i Chrome på computer. Det blokerer ikke, men virker sjusket.
Trin:
- Log ud
- Log ind igen med Google
- Observer, at siden kortvarigt flimrer
Forventet: Sproget forbliver det samme Faktisk: Engelsk, som tilsyneladende er standardsproget, vises kortvarigt
Eksempel 2: Knappen til eksport som CSV returnerer en tom fil for ugentlige rapporter med >1000 rækker. Mindre rapporter eksporteres korrekt.
Trin:
- Åbn en ugentlig rapport med 1000+ rækker
- Klik på Eksportér → CSV
- Åbn den downloadede fil
Forventet: Alle data Faktisk: Filen er på 0 byte
Skriv nu én til: Problem: Brugere af Safari fortæller, at mobilmenuen ikke lukker, når de trykker på et link. En genindlæsning løser problemet. Det ligner et problem med fokusfælden.
Modellen producerer hver gang en opgave, der følger præcis samme struktur og tone. Uden eksemplerne ville resultatet være en smule mere omstændeligt og en smule mere formelt.
2. Omskrivning til en brandstemme
Antag, at du har et udkast til en e-mail og vil have det omskrevet, så det følger en brandstemme. Hvis du blot beder modellen om at “skrive varmere”, bliver resultaterne ujævne. Eksempler giver ensartede resultater.
Skriv e-mailen nedenfor om, så den følger stemmen i disse eksempler. Stemmen er direkte, fri for virksomhedsfyld, lettere selvironisk og bruger aldrig ordene “synergy” eller “leverage.”
Eksempel 1: “Vi har udskudt lanceringen med en uge. Ændringen af automatisk skalering var større end forventet. Ny lanceringsdato: fredag den toogtyvende.”
Eksempel 2: “En hurtig tjeneste — vil du foretage et sanity check af dette udkast? Især det andet afsnit. Jeg tror, det lover for meget, men jeg kan ikke helt vurdere det.”
Eksempel 3: “Et lille varsel: Jeg vil gøre indsigelse mod tidsfristen på morgendagens møde. Regnestykket hænger ikke sammen, og jeg vil hellere påpege det nu end overskride fristen.”
Skriv dette om med samme stemme:
[indsæt dit udkast]
Modellen producerer noget, der lyder som eksemplerne og ikke som generisk virksomhedssprog. Du kan gemme prompten som en Custom GPT og bruge den, hver gang du hurtigt vil omskrive noget til din brandstemme.
3. Struktureret udtræk
Antag, at du har fakturaer i PDF-format og vil have modellen til at udtrække oplysningerne i et rent format. Det klassiske greb er at uploade én faktura, indsætte et eksempel på det ønskede output og derefter bede om resten.
Udtræk data fra fakturaer i PDF-format i præcis dette JSON-format.
Eksempel:
Input: [faktura i PDF-format, hvor leverandøren er “Lufthansa”, datoen er 2026-04-12, totalbeløbet er 423.50 EUR, og linjerne er flyrejse + bagagegebyr]
Output:
{ "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" }Udtræk nu data fra denne faktura: [vedhæft ny PDF]
Du får et rent og ensartet output. Uden eksemplet ville JSON-strukturen variere fra faktura til faktura, hvilket er et mareridt i den efterfølgende behandling.
Almindelige fejl ved few-shot
Hold øje med tre fejl:
Eksempler, der modsiger hinanden. Hvis dine tre eksempler varierer i stil, ved modellen ikke, hvilket den skal følge. Vælg en stram og ensartet samling.
For få eksempler. Ét eksempel er ofte ikke nok — modellen kan opfatte det som et enkeltstående tilfælde. To er normalt minimum; tre er det optimale antal til de fleste opgaver. Mere end fem hjælper sjældent og begynder at optage plads i kontekstvinduet.
Eksempler med fejl, du ikke vil have kopieret. Modellen kopierer trofast alle mønstre i dine eksempler — også en slåfejl, en klodset formulering eller et strukturvalg, du traf ved et uheld. Ret eksemplerne, før du deler dem.
En fejl, der er særligt svær at få øje på, er at vise eksempler på input, men ikke på output. “Her er tre artikler, jeg vil have dig til at skrive overskrifter til: [tre artikler].” Det er zero-shot, ikke few-shot. Modellen har ikke set, hvordan en god overskrift ser ud. Sammenlign:
Her er tre artikler med den type overskrifter, jeg ønsker. Følg stilen:
Eksempel 1: [artikel] → Overskrift: ”…” Eksempel 2: [artikel] → Overskrift: ”…” Eksempel 3: [artikel] → Overskrift: ”…”
Skriv nu en overskrift til: [ny artikel]
Parret (input → output) er enheden i few-shot. Uden outputsiden har modellen intet at lære af.
Sådan opbygger du et bibliotek af eksempler
Når du begynder at bruge few-shot, samler du efterhånden sæt af “eksempler, der virkede”. Behold dem. Gem dem i:
- Custom GPTs / Claude Projects — indsæt eksemplerne i instruktionsfeltet, så bliver de liggende permanent.
- Et værktøj til tekststumper (TextExpander, Raycast, Espanso) — genveje, der udvides til dine eksempler.
- En notefil organiseret efter anvendelse (“eksempler på brandstemme”, “eksempler på opgaveformat”, “eksempler på overskrifter”), som du hurtigt kan kopiere fra.
Efter seks måneder med at opbygge dette bibliotek har du en personlig værktøjskasse, som ingen standardiseret “promptpakke” kan matche — fordi den er tilpasset netop dit arbejde.
Eksempler slår tillægsord
Når du kan beskrive outputtet, så beskriv det. Når du ikke kan — når outputstilen er noget, du ville genkende, men ikke helt kan sætte ord på — så vis i stedet to eller tre eksempler. To minutters søgning efter gode eksempler sparer dig tyve minutters rettelser af et output i den forkerte stil, som ingen beskrivelse kunne have forhindret.
Eksempler slår tillægsord. Næsten ingen gør dette. De få, der gør det konsekvent, får bedre AI-output end dem, der skriver længere og mere udspekulerede beskrivelser. Prøv det i din næste prompt, hvor stilen betyder noget — og se, hvad der sker.
