Если описание оставляет слишком много места для толкования, покажите модели примеры желаемого результата. Небольшой репрезентативный набор пар «входные данные и результат» может задать тон, формат или границы классификации конкретнее, чем одни прилагательные.
Этот приём называется few-shot-промптингом. Название пришло из исследований машинного обучения: в оригинальной статье о GPT-3 изучалось выполнение задач моделями, когда задача и примеры даются в контексте без обновления параметров специально под задачу (Brown et al., 2020). В статье также были задачи, где few-shot-режим давал слабые результаты, поэтому примеры являются приёмом для проверки, а не универсальным улучшением.
В этой статье разберём, что такое few-shot-промптинг, когда его применять и как тестировать на разобранных примерах.
Почему примеры работают лучше описаний
Небольшой мысленный эксперимент. Допустим, я хочу описать вам голос моей компании для маркетинговых текстов. Можно сказать: «дружелюбно, но профессионально, тепло, но без панибратства, уверенно, но без высокомерия, простым языком без примитивизации». Прочитав эти четыре фразы, вы, вероятно, согласитесь, но напишете совсем не то, что я имел в виду.
Но если вместо этого показать три коротких абзаца с нужным тоном, цель станет конкретнее. Можно сравнивать выбор слов, длину предложений и структуру, а не только интерпретировать прилагательные.
Модели тоже могут использовать примеры таким образом. У прилагательных «дружелюбный», «профессиональный» и «уверенный» много допустимых толкований. Конкретные примеры показывают выбор, который может быть не назван в инструкции. Руководство OpenAI по промптингу описывает few-shot-обучение как направление модели несколькими парами «входные данные и результат» и рекомендует показывать разнообразные возможные входные данные с желаемыми результатами. Улучшит ли это ответ, зависит от модели, задачи, примеров и критериев оценки.
Когда обращаться к few-shot
Несколько ситуаций, в которых стоит протестировать примеры:
Соответствие конкретному тону. «Пишите голосом нашей компании». Если краткое описание оставляет место для толкования, покажите также репрезентативные одобренные примеры.
Единообразное форматирование. Всё, где ответ должен каждый раз выглядеть одинаково, например описания продуктов, сообщения об ошибках, ответы API, еженедельные отчёты или обновления статуса. И покажите, и опишите формат.
Нишевые или необычные форматы. «Напишите ветку для X так, как пишет [a specific person you follow]». «Создайте заголовки для внутреннего блога об инструментах». «Пишите комментарии к коду в стиле нашей команды». У таких форматов есть конкретные условности, которые трудно сформулировать.
Воспроизведение стиля для перевода, краткого изложения или переписывания. «Перепиши это в том же стиле, что и три примера, которые я покажу».
Всё, что вы постоянно исправляете одинаково. Если каждый раз редактируете ответ модели в одном направлении, например сокращаете, меняете слово или уплотняете структуру, дайте ей примеры исправленной версии.
Базовая структура
Практичный few-shot-промпт состоит из трёх частей: краткой инструкции, репрезентативного набора примеров и новой задачи.
Сгенерируй однострочное описание продукта для B2B SaaS-инструмента. Подстройся под стиль этих примеров.
Пример 1: Продукт: ProjectHub Описание: Общее рабочее пространство для проектных команд, которым надоело переключаться между пятью инструментами ради одной задачи.
Пример 2: Продукт: TimeFlow Описание: Приложение для учёта времени для тех, кто ненавидит приложения для учёта времени.
Пример 3: Продукт: ClearStack Описание: Инструмент отчётности, который превращает таблицы в решения.
Теперь напиши для: Продукт: PromptDesk Описание:
Запрошенный шаблон должен быть кратким, выражать позицию, звучать немного дерзко и строиться вокруг конкретной жалобы или аудитории. Проверьте результат по этим критериям. Примеры могут направить модель, но не гарантируют хорошего описания.
Три разобранных примера
Рассмотрим три ситуации, где примеры могут сделать цель яснее.
1. Комментарии к багам в стиле вашей команды
Допустим, ваша команда пишет тикеты в Jira определённым образом: кратко, с акцентом на пользовательский эффект и без жаргона. Вы хотите, чтобы ИИ готовил такие же тикеты.
Подготовь описание Jira-тикета в формате ниже.
Пример 1: Пользователь, входящий через Google, на мгновение видит интерфейс не на том языке, прежде чем он обновится. Стабильно воспроизводится в настольной версии Chrome. Работу не блокирует, но выглядит неаккуратно.
Шаги:
- Выйти из системы
- Снова войти через Google
- Обратить внимание на первоначальное мерцание страницы
Ожидается: язык интерфейса не меняется Фактически: на мгновение появляется английский язык, по-видимому заданный по умолчанию
Пример 2: Кнопка экспорта в CSV возвращает пустой файл для еженедельных отчётов объёмом более 1000 строк. Отчёты меньшего размера экспортируются правильно.
Шаги:
- Открыть еженедельный отчёт с более чем 1000 строк
- Нажать Export → CSV
- Открыть загруженный файл
Ожидается: полный набор данных Фактически: размер файла равен 0 байт
Теперь подготовь для: Проблема: пользователи Safari сообщают, что мобильное меню не закрывается после нажатия на ссылку. Обновление страницы помогает. Похоже на ошибку в управлении фокусом.
Проверьте структуру, тон и соответствие черновика фактам. Примеры делают цель явной, но модель всё равно может пропустить поле или вывести деталь, которой не было в исходных данных.
2. Переписывание под бренд-голос
Допустим, у вас есть черновик письма и вы хотите переписать его голосом бренда. Фраза «пишите теплее» допускает разные толкования; примеры могут точнее задать нужный регистр.
Перепишите письмо ниже, чтобы оно соответствовало голосу примеров. Голос: прямой, без корпоративных штампов, с лёгкой самоиронией; никогда не используются слова «синергия» и «задействовать».
Пример 1: «Мы перенесли выпуск на неделю. Изменение автомасштабирования оказалось больше, чем мы думали. Новая дата выпуска: пятница, 22-е число».
Пример 2: «Небольшая просьба: можете проверить этот черновик на здравый смысл? Особенно второй раздел. Кажется, он заходит слишком далеко, но я не уверен».
Пример 3: «Предупреждаю: на завтрашней встрече я буду возражать против срока. Расчёты не сходятся, и лучше сказать об этом сейчас, чем сорвать срок позже».
Перепиши это в том же голосе:
[paste your draft]
Перед использованием сравните переписанный текст с примерами и фактами исходника. Если ваш тариф ChatGPT и рабочее пространство разрешают создавать GPT, примеры можно добавить в инструкции пользовательского GPT; OpenAI рекомендует проверять настроенные GPT в режиме Preview, потому что инструкции не гарантируют одинакового результата при каждом запуске.
3. Структурированное извлечение
Допустим, у вас есть одобренные счета в PDF и вы хотите, чтобы подходящая модель извлекала из них данные в чистый формат. Убедитесь, что инструмент и путь данных одобрены для этих документов, загрузите один счёт, предоставьте пример желаемого результата и попросите обработать остальные.
Извлекай данные из PDF-счетов ровно в этом JSON-формате.
Пример:
Входные данные: [invoice PDF where vendor is “Lufthansa”, date is 2026-04-12, total is 423.50 EUR, line items are flight + bag fee]
Результат:
{ "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" }Теперь извлеките данные из этого счёта: [attach new PDF]
Пример задаёт целевую схему, но результат всё равно нужно проверить по схеме и сверить со счётом. Правдоподобный объект JSON не доказывает, что суммы, даты или позиции извлечены правильно.
Типичные ошибки с few-shot
Три ошибки, на которые стоит обратить внимание:
Примеры, противоречащие друг другу. Если примеры отличаются по стилю или по-разному классифицируют сходные данные, модель может воспроизвести неоднозначность. Сохраняйте целевое правило последовательным, но охватывайте значимые варианты входных данных.
Примеры, не охватывающие значимые варианты. Универсального оптимального количества нет. Начните с минимального набора, показывающего правило и важные крайние случаи, затем добавляйте или удаляйте примеры по результатам репрезентативных тестов. Каждый пример расходует контекст и может внести ещё один шаблон, который модели придётся согласовывать с остальными.
Примеры с ошибками, которые не нужно копировать. Модель может воспроизводить опечатки, неудачные формулировки и случайные структурные решения из примеров. Очистите набор до использования и проверяйте новые результаты, не предполагая, что перенёсся только желаемый шаблон.
Особенно коварная ошибка состоит в том, чтобы показывать примеры входных данных без результатов. «Вот три статьи, для которых нужны заголовки: [three articles]». Это zero-shot-, а не few-shot-промптинг. Модель не видела, как выглядит хороший заголовок. Сравните:
Вот три статьи с такими заголовками, какие мне нравятся. Подстройся под стиль:
Пример 1: [article] → Заголовок: «…» Пример 2: [article] → Заголовок: «…» Пример 3: [article] → Заголовок: «…»
Теперь напишите заголовок для: [new article]
Пара «входные данные → результат» является основной единицей few-shot-промптинга. Без примера результата у модели нет целевого шаблона.
Как собрать библиотеку примеров
Как только начнёте использовать few-shot, у вас накопятся наборы «примеров, которые сработали». Сохраняйте их в:
- Custom GPT / Claude Projects: храните проверенные примеры в ограниченных по области инструкциях, которые можно просматривать и обновлять.
- Менеджер текстовых фрагментов (TextExpander, Raycast, Espanso): используйте сокращения, разворачивающиеся в ваши примеры.
- Файл заметок, организованный по сценариям использования («примеры голоса бренда», «примеры формата тикетов», «примеры заголовков»), откуда легко вставлять.
Со временем может сформироваться библиотека под конкретные задачи, основанная на результатах, которые ваша команда действительно приняла. Она полезнее общего набора промптов, не проверенного на вашей работе.
Примеры сильнее прилагательных
Если результат можно описать точно, опишите его. Если вы узнаёте стиль, но не можете полностью его сформулировать, добавьте репрезентативные пары входных данных и результатов. Затем проверьте промпт на обычных и крайних случаях, прежде чем превращать его в повторяемый процесс.
Примеры могут прояснить то, что прилагательные оставляют неоднозначным. Попробуйте этот приём в промпте, где важен стиль или формат, и сохраняйте его только в том случае, если проверенные результаты улучшаются.
