Når en beskrivelse giver for meget plads til fortolkning, kan du vise modellen eksempler på det ønskede output. Et lille sæt repræsentative input-output-par kan gøre tone, format eller klassifikationsgrænser mere konkrete end tillægsord alene.
Teknikken kaldes few-shot prompting. Navnet stammer fra forskning i maskinlæring. Den oprindelige GPT-3-artikel undersøgte, hvordan modeller klarer sig, når en opgave og eksempler gives i konteksten uden opgavespecifikke parameterændringer (Brown et al., 2020). Artiklen fandt også opgaver, hvor few-shot-resultaterne var svage. Eksempler er derfor en teknik, der skal evalueres, ikke en universel forbedring.
Denne artikel gennemgår, hvad few-shot prompting er, hvornår du bør bruge teknikken, og hvordan du tester den med gennemarbejdede eksempler.
Hvorfor eksempler virker bedre end beskrivelser
Prøv dette tankeeksperiment. Antag, at du vil have en anden til at ramme din virksomheds tone i markedsføringstekster. Du kunne sige “venlig, men professionel; varm, men ikke uformel; selvsikker, men aldrig arrogant; klart sprog, men ikke forsimplet.” Efter de fire beskrivelser ville personen sandsynligvis nikke og alligevel skrive noget andet end det, du faktisk ønskede.
Hvis jeg i stedet viste dig tre korte afsnit, som allerede rammer tonen, ville du have et mere konkret mål. Du kunne sammenligne ordvalg, sætningslængde og struktur i stedet for kun at fortolke tillægsordene.
Modeller kan også bruge eksempler på denne måde. Tillægsord som “venlig”, “professionel” og “selvsikker” giver mange gyldige fortolkninger. Konkrete eksempler viser valg, som instruktionen måske ikke nævner. OpenAIs guide til prompt engineering beskriver few-shot-læring som styring af en model med en håndfuld input-output-eksempler og anbefaler et varieret sæt mulige input med de ønskede output. Om det forbedrer dit resultat, afhænger af modellen, opgaven, eksemplerne og evalueringskriterierne.
Hvornår du bør bruge few-shot
Nogle situationer, hvor eksempler er værd at teste:
Når du skal ramme en bestemt tone. “Skriv med vores virksomheds stemme.” Hvis en kort beskrivelse giver plads til fortolkning, kan du også vise repræsentative godkendte eksempler.
Når du skal producere et ensartet format. Alt, hvor outputtet skal se ens ud hver gang, for eksempel produktbeskrivelser, fejlmeddelelser, API-svar, ugentlige rapporter og statusopdateringer. Vis formatet, og beskriv det.
Ved nicheprægede eller usædvanlige output. “Skriv en tråd på X på samme måde som [a specific person you follow].” “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, for eksempel gør det kortere, skifter et ord ud eller strammer strukturen op, så giv den eksempler på den rettede version.
Grundstrukturen
En praktisk few-shot-prompt består af tre dele: en kort instruktion, et repræsentativt eksempelsæt 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:
Det ønskede mønster er kort, holdningspræget, lidt frækt og bygget op om en konkret irritation eller målgruppe. Kontrollér resultatet ud fra disse kriterier. Eksempler kan styre mønsteret, men garanterer ikke en god beskrivelse.
Tre gennemarbejdede eksempler
Lad os gennemgå tre situationer, hvor eksempler kan gøre målet tydeligere.
1. Kommentarer til 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 udkast, 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 en beskrivelse 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.
Gennemgå udkastet for den ønskede struktur, tone og trofasthed mod fakta. Eksemplerne gør målet tydeligt, men modellen kan stadig udelade et felt eller udlede en oplysning, som ikke blev givet.
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. “Skriv varmere” giver plads til fortolkning. Eksempler kan gøre det ønskede register mere konkret.
Skriv e-mailen nedenfor om, så den følger stemmen i disse eksempler. Stemmen er direkte, fri for forretningsfloskler, lidt 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 22.”
Eksempel 2: “En hurtig tjeneste: Vil du læse dette udkast kritisk igennem? Især det andet afsnit. Jeg tror, det lover for meget, men jeg kan ikke helt vurdere det.”
Eksempel 3: “Lige en advarsel: 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:
[paste your draft]
Sammenlign omskrivningen med eksemplerne og kildefakta, før du bruger den. Hvis dit ChatGPT-abonnement og arbejdsområde tillader oprettelse af GPT’er, kan du placere eksemplerne i instruktionerne til en brugerdefineret GPT. OpenAI anbefaler at teste konfigurerede GPT’er i Preview, fordi instruktioner ikke garanterer identisk output ved hver kørsel.
3. Struktureret udtræk
Antag, at du har godkendte fakturaer i PDF-format og vil have en tilladt model til at udtrække oplysningerne i et rent format. Bekræft først, at værktøjet og datastrømmen er godkendt til dokumenterne. Upload derefter én faktura, giv et eksempel på det ønskede output, og bed om resten.
Udtræk data fra fakturaer i PDF-format i præcis dette JSON-format.
Eksempel:
Inddata: [invoice PDF where vendor is “Lufthansa”, date is 2026-04-12, total is 423.50 EUR, line items are flight + bag fee]
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: [attach new PDF]
Eksemplet angiver målskemaet, men du skal stadig validere skemaet og kontrollere oplysningerne mod fakturaen. Betragt ikke et plausibelt JSON-objekt som dokumentation for, at beløb, datoer eller poster er udtrukket korrekt.
Almindelige fejl ved few-shot
Hold øje med tre fejl:
Eksempler, der modsiger hinanden. Hvis eksempler varierer i stil eller tildeler lignende input forskellige etiketter, kan modellen gengive tvetydigheden. Hold den ønskede regel ensartet, samtidig med at du dækker meningsfuld variation i input.
Eksempler, der ikke dækker meningsfuld variation. Der findes ikke ét universelt bedste antal. Begynd med det mindste sæt, der viser mønsteret og vigtige grænsetilfælde, og tilføj eller fjern eksempler ud fra repræsentative tests. Hvert eksempel optager kontekst og kan indføre endnu et mønster, som modellen skal forene.
Eksempler med fejl, du ikke vil have kopieret. En model kan gengive slåfejl, klodsede formuleringer eller utilsigtede strukturelle valg fra eksemplerne. Rens sættet før brug, og kontrollér nye output i stedet for at antage, at kun det ønskede mønster blev overført.
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: [three articles].” 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: [article] → Overskrift: ”…” Eksempel 2: [article] → Overskrift: ”…” Eksempel 3: [article] → Overskrift: ”…”
Skriv nu en overskrift til: [new article]
Parret (input → output) er enheden i few-shot. Uden outputsiden har modellen ikke et målmønster at følge.
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: Gem testede eksempler i afgrænsede instruktioner, som du kan gennemgå og opdatere.
- Et værktøj til tekstblokke (TextExpander, Raycast, Espanso): Brug 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.
Med tiden kan dette blive et opgavespecifikt bibliotek, der bygger på output, som dit team faktisk har godkendt. Det er mere nyttigt end en generisk promptpakke, som ikke er testet på dit arbejde.
Eksempler slår tillægsord
Når du kan beskrive outputtet præcist, så beskriv det. Når stilen er noget, du genkender, men ikke kan formulere fuldt ud, skal du tilføje repræsentative input-output-eksempler. Test derefter prompten på almindelige tilfælde og grænsetilfælde, før du gør den til en genanvendelig arbejdsgang.
Eksempler kan tydeliggøre det, som tillægsord lader stå åbent. Prøv teknikken på en prompt, hvor stil eller format betyder noget, og behold den kun, hvis de testede resultater bliver bedre.
