Det snabbaste sättet att lära AI exakt vad du vill ha är inte att beskriva det. Det är att visa det. Två eller tre konkreta exempel på det resultat du söker ger dramatiskt bättre resultat än motsvarande instruktioner i ord.
Tekniken kallas few-shot-promptning och är ett av de mest effektiva knepen i hela verktygslådan för promptning. Den används också alldeles för sällan av nybörjare, som försöker beskriva det önskade resultatet med adjektiv och blir frustrerade när modellen producerar något som nästan, men inte riktigt, är rätt.
Den här artikeln går igenom vad few-shot-promptning är, när du bör använda den och hur du gör det bra – med genomarbetade exempel.
Varför exempel fungerar bättre än beskrivningar
Prova det här tankeexperimentet. Anta att jag vill beskriva mitt företags tonalitet i marknadstexter. Jag skulle kunna säga ”vänlig men professionell, varm men inte vardaglig, självsäker men aldrig arrogant, enkelt språk men inte överförenklat”. När du har läst de fyra fraserna skulle du förmodligen nicka och sedan skriva något helt annat än det jag egentligen ville ha.
Men om jag i stället visade dig tre korta stycken som vi har skrivit och som jag tycker träffar tonen – utan att förklara någonting – skulle du få en mycket tydligare känsla för hur man skriver med den rösten. Du skulle förmodligen kunna återskapa den på första försöket.
Det är precis så modellen uppfattar dina instruktioner. Adjektiv som ”vänlig”, ”professionell” och ”självsäker” är vaga. Konkreta exempel är specifika. Modellen kan känna igen mönster i exempel, medan adjektiv måste tolkas.
Mönstret har studerats i forskningen om kontextinlärning – stora språkmodeller är vanligtvis mycket bättre på att generalisera från en handfull exempel än från beskrivningar av samma beteende. Det är en del av förklaringen till varför ”visa, berätta inte” alltid har varit ett bra skrivråd.
När du bör välja few-shot
Några situationer där exempel sparar mer tid än något annat promptknep:
Efterlikna en viss ton. ”Skriv med vårt företags röst.” Om du inte kan definiera rösten med tre tydliga adjektiv, visa två eller tre exempel i stället.
Skapa enhetlig formatering. Allt där resultatet behöver se likadant ut varje gång – produktbeskrivningar, felmeddelanden, API-svar, veckorapporter och statusuppdateringar. Visa formatet, beskriv det inte.
Nischade eller ovanliga resultat. ”Skriv en Twitter-tråd på samma sätt som [en viss person du följer].” ”Skapa rubriker till en blogg om interna verktyg.” ”Skriv kodkommentarer på samma sätt som vårt team.” De har särskilda konventioner som är svåra att formulera.
Återskapa en stil vid översättning, sammanfattning eller omskrivning. ”Skriv om det här i samma stil som de tre exempel jag visar.”
Allt som du fortsätter korrigera på samma sätt. Om du märker att du redigerar modellens resultat åt samma håll varje gång – kortar ned, byter ut ett ord eller stramar upp strukturen – ge den exempel på den korrigerade versionen.
Grundstrukturen
En few-shot-prompt har tre delar: en kort instruktion, två eller tre exempel och den nya uppgiften.
Skapa en produktbeskrivning på en rad för ett B2B SaaS-verktyg. Efterlikna stilen i de här exemplen.
Exempel 1: Produkt: ProjectHub Beskrivning: En gemensam arbetsyta för projektteam som är trötta på att växla mellan fem verktyg för att utföra en enda uppgift.
Exempel 2: Produkt: TimeFlow Beskrivning: En tidrapporteringsapp för människor som avskyr tidrapporteringsappar.
Exempel 3: Produkt: ClearStack Beskrivning: Ett rapporteringsverktyg som förvandlar kalkylblad till beslut.
Skriv nu en för: Produkt: PromptDesk Beskrivning:
Modellen skapar något som matchar stilen: kort, åsiktsdrivet, lite kaxigt och uppbyggt kring ett konkret irritationsmoment eller en viss målgrupp. Utan exemplen hade du fått något allmänt hållet. Med dem får du något som passar.
Tre genomarbetade exempel
Låt oss gå igenom tre verkliga situationer där few-shot förändrar resultatet.
1. Kommentarer i felrapporter enligt teamets stil
Anta att ditt team skriver Jira-ärenden på ett visst sätt – kortfattat, med fokus på användarpåverkan och utan jargong. Du vill att AI ska skriva ärenden som följer samma stil.
Skriv en beskrivning till ett Jira-ärende enligt formatet nedan.
Exempel 1: En användare som loggar in via Google ser en kort skymt av fel språk innan gränssnittet uppdateras. Händer konsekvent i Chrome på dator. Inte blockerande, men känns hafsigt.
Steg:
- Logga ut
- Logga in igen med Google
- Observera den inledande flimringen på sidan
Förväntat: språket förblir detsamma Faktiskt: en kort skymt av (det förmodade standardspråket) engelska
Exempel 2: Knappen Exportera till CSV ger en tom fil för veckorapporter med >1000 rader. Mindre rapporter exporteras korrekt.
Steg:
- Öppna en veckorapport med fler än 1000 rader
- Klicka på Exportera → CSV
- Öppna den nedladdade filen
Förväntat: fullständiga data Faktiskt: filen är 0 byte
Skriv nu ett ärende för: Problem: Safari-användare uppger att mobilmenyn inte stängs när de trycker på en länk. En uppdatering av sidan löser problemet. Verkar vara ett problem med fokusfällan.
Modellen skapar varje gång ett ärende som följer exakt samma struktur och ton. Utan exemplen skulle du få en något mer omständlig och formell version.
2. Omskrivning med varumärkets röst
Anta att du har ett mejlutkast som du vill skriva om så att det följer ett varumärkes tonalitet. Om du säger ”var varmare” får du ojämna resultat. Om du visar exempel blir de enhetliga.
Skriv om mejlet nedan så att det efterliknar rösten i de här exemplen. Rösten är rak, fri från företagsmässig utfyllnad, en aning självironisk och använder aldrig ”synergi” eller ”hävstång”.
Exempel 1: ”Vi flyttade fram lanseringen en vecka. Ändringen i autoskalningen var större än vi trodde. Nytt lanseringsdatum: fredag den 22:a.”
Exempel 2: ”En snabb tjänst – kan du rimlighetskontrollera det här utkastet? Framför allt det andra avsnittet. Jag tror att det går för långt, men jag kan inte avgöra det.”
Exempel 3: ”Förvarning: jag kommer att invända mot tidsfristen på morgondagens möte. Kalkylen går inte ihop och jag flaggar hellre nu än missar den senare.”
Skriv om det här med samma röst:
[klistra in ditt utkast]
Modellen skapar något som låter som exemplen, inte som allmän företagstext. Du kan spara prompten som en anpassad GPT och använda den varje gång du snabbt vill skriva om något med varumärkets röst.
3. Strukturerad extrahering
Anta att du har fakturor i PDF-format och vill att modellen ska extrahera dem till ett rent format. Det klassiska tillvägagångssättet är att ladda upp en, klistra in ett exempel på önskat resultat och sedan be modellen behandla resten.
Extrahera data från PDF-fakturor i exakt det här JSON-formatet.
Exempel:
Indata: [PDF-faktura där leverantören är “Lufthansa”, datumet är 2026-04-12, totalsumman är 423.50 EUR och raderna är flygresa + bagageavgift]
Utdata:
{ "vendor": "Lufthansa", "date": "2026-04-12", "currency": "EUR", "total": 423.50, "line_items": [ {"description": "Flyg TLL-LHR", "amount": 387.00}, {"description": "Incheckat bagage", "amount": 36.50} ], "category": "Resor" }Extrahera nu data från den här fakturan: [bifoga ny PDF]
Du får ett rent och enhetligt resultat. Utan exemplet skulle JSON-strukturen variera mellan fakturorna, vilket blir en mardröm i nästa led.
Vanliga misstag med few-shot
Tre misstag att se upp med:
Exempel som motsäger varandra. Om dina tre exempel varierar i stil vet modellen inte vilket den ska följa. Välj en samlad och enhetlig uppsättning.
För få exempel. Ett exempel räcker ofta inte – modellen kan behandla det som ett undantag. Två är vanligtvis miniminivån och tre är lagom för de flesta uppgifter. Fler än fem hjälper sällan och börjar ta upp plats i kontextfönstret.
Exempel som innehåller fel du inte vill kopiera. Modellen kopierar troget alla mönster i exemplen – även stavfel, klumpiga formuleringar och strukturella val som du gjorde av misstag. Rensa exemplen innan du delar dem.
Ett särskilt subtilt misstag är att visa exempel på indata men inte utdata. ”Här är tre artiklar som jag vill att du skriver rubriker till: [tre artiklar].” Det är zero-shot, inte few-shot. Modellen har inte sett hur en bra rubrik ser ut. Jämför med:
Här är tre artiklar med den typ av rubrik jag vill ha. Efterlikna stilen:
Exempel 1: [artikel] → Rubrik: ”…” Exempel 2: [artikel] → Rubrik: ”…” Exempel 3: [artikel] → Rubrik: ”…”
Skriv nu en rubrik till: [ny artikel]
Paret (indata → utdata) är enheten i few-shot. Utan utdatasidan har modellen inget att lära sig av.
Så bygger du ett exempelbibliotek
När du börjar använda few-shot samlar du på dig uppsättningar av ”exempel som fungerade”. Behåll dem. Spara dem i:
- Anpassade GPT:er/Claude-projekt – klistra in exemplen i instruktionsfältet, så finns de kvar permanent.
- En textexpanderare (TextExpander, Raycast, Espanso) – genvägar som expanderas till dina exempel.
- En anteckningsfil som är organiserad efter användningsområde (”exempel på varumärkesröst”, ”exempel på ärendeformat”, ”rubrikexempel”) och som du snabbt kan kopiera från.
Efter sex månader av biblioteksbyggande har du en personlig verktygslåda som inget färdigt ”promptpaket” kan mäta sig med – eftersom den är anpassad efter just ditt arbete.
Exempel slår adjektiv
När du kan beskriva resultatet ska du göra det. När du inte kan – när resultatets stil är något du skulle känna igen men inte riktigt kan formulera – visar du två eller tre exempel i stället. Två minuter för att hitta bra exempel sparar tjugo minuters korrigering av ett resultat med fel stil som ingen beskrivning hade kunnat förhindra.
Exempel slår adjektiv. Nästan ingen gör detta. De få som gör det konsekvent får bättre AI-resultat än de som skriver längre och smartare beskrivningar. Prova det i nästa prompt där stilen spelar roll – och se vad som händer.
