När en beskrivning lämnar för stort utrymme för tolkning kan du visa modellen exempel på önskade utdata. En liten uppsättning representativa par av indata och utdata kan göra ton, format eller klassificeringsgränser mer konkreta än enbart adjektiv.
Tekniken kallas few-shot-promptning. Namnet kommer från maskininlärningsforskningen. Den ursprungliga GPT-3-artikeln undersökte hur modeller presterar när en uppgift och exempel ges i kontexten utan uppgiftsspecifika parameteruppdateringar (Brown m.fl., 2020). Artikeln fann också uppgifter där few-shot-prestandan var svag, så exempel är en teknik att utvärdera, inte en universell förbättring.
Den här artikeln går igenom vad few-shot-promptning är, när du bör använda den och hur du testar den med genomarbetade exempel.
Varför exempel fungerar bättre än beskrivningar
Prova det här tankeexperimentet. Anta att du vill att någon ska träffa ditt företags tonalitet i marknadstexter. Du skulle kunna säga ”vänlig men professionell, varm men inte vardaglig, självsäker men aldrig arrogant, enkelt språk men inte överförenklat”. Efter de fyra fraserna skulle personen förmodligen nicka och ändå skriva något annat än det du faktiskt ville ha.
Men om du i stället visade tre korta stycken som redan träffar tonen hade personen ett mer konkret mål. Hen kunde jämföra ordval, meningslängd och struktur i stället för att enbart tolka adjektiven.
Modeller kan också använda exempel på det sättet. Adjektiv som ”vänlig”, ”professionell” och ”självsäker” lämnar många giltiga tolkningar. Konkreta exempel visar val som instruktionen kanske inte nämner. OpenAI:s guide till promptteknik beskriver few-shot-inlärning som att styra en modell med en handfull par av indata och utdata och rekommenderar en varierad uppsättning möjliga indata med önskade utdata. Om det förbättrar resultatet beror på modellen, uppgiften, exemplen och utvärderingskriterierna.
När du bör välja few-shot
Några situationer där det är värt att testa exempel:
Efterlikna en viss ton. ”Skriv med vårt företags röst.” Om en kort beskrivning lämnar utrymme för tolkning visar du också representativa godkända exempel.
Skapa enhetlig formatering. Allt där resultatet behöver se likadant ut varje gång, till exempel produktbeskrivningar, felmeddelanden, API-svar, veckorapporter och statusuppdateringar. Visa formatet och beskriv det.
Nischade eller ovanliga resultat. ”Skriv en tråd för X på samma sätt som [a specific person you follow].” ”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 praktisk few-shot-prompt har tre delar: en kort instruktion, en representativ exempeluppsättning 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:
Det efterfrågade mönstret är kort, åsiktsdrivet, lite kaxigt och uppbyggt kring ett konkret irritationsmoment eller en viss målgrupp. Kontrollera resultatet mot de kriterierna. Exempel kan styra mönstret men garanterar inte en bra beskrivning.
Tre genomarbetade exempel
Låt oss gå igenom tre situationer där exempel kan göra målet tydligare.
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 utkast 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 >1 000 rader. Mindre rapporter exporteras korrekt.
Steg:
- Öppna en veckorapport med fler än 1 000 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.
Granska utkastets begärda struktur, ton och faktatrohet. Exemplen gör målet uttryckligt, men modellen kan ändå utelämna ett fält eller dra en slutsats om en uppgift som inte angavs.
2. Omskrivning med varumärkets röst
Anta att du har ett mejlutkast som du vill skriva om så att det följer ett varumärkes tonalitet. ”Var varmare” lämnar utrymme för tolkning. Exempel kan göra det avsedda registret mer specifikt.
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:
[paste your draft]
Jämför omskrivningen med exemplen och källfakta före användning. Om ditt ChatGPT-abonnemang och din arbetsyta tillåter att GPT:er skapas kan du lägga exemplen i instruktionerna för en anpassad GPT. OpenAI rekommenderar att konfigurerade GPT:er testas i förhandsgranskningen, eftersom instruktioner inte garanterar identiska utdata vid varje körning.
3. Strukturerad extrahering
Anta att du har godkända fakturor i PDF-format och vill att en godkänd modell ska extrahera dem till ett rent format. Bekräfta först att verktyget och dataflödet är godkända för dokumenten. Ladda sedan upp en faktura, visa ett exempel på önskat resultat och be modellen behandla resten.
Extrahera data från PDF-fakturor i exakt det här JSON-formatet.
Exempel:
Indata: [invoice PDF where vendor is “Lufthansa”, date is 2026-04-12, total is 423.50 EUR, line items are flight + bag fee]
Utdata:
{ "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" }Extrahera nu data från den här fakturan: [attach new PDF]
Exemplet anger målschemat, men du behöver fortfarande schemavalidering och kontroller mot fakturan. Behandla inte ett rimligt JSON-objekt som belägg för att belopp, datum eller rader har extraherats korrekt.
Vanliga misstag med few-shot
Tre misstag att se upp med:
Exempel som motsäger varandra. Om exempel varierar i stil eller märker liknande indata olika kan modellen återge tvetydigheten. Håll den avsedda regeln enhetlig samtidigt som du täcker meningsfull variation i indata.
Exempel som inte täcker meningsfull variation. Det finns inget universellt bästa antal. Börja med den minsta uppsättning som visar mönstret och viktiga randfall, och lägg till eller ta bort exempel utifrån representativa tester. Varje exempel tar kontext och kan tillföra ännu ett mönster som modellen måste förena.
Exempel som innehåller fel du inte vill kopiera. En modell kan återge stavfel, klumpiga formuleringar och strukturella val som gjordes av misstag. Rensa uppsättningen före användning och granska nya utdata i stället för att anta att bara det avsedda mönstret överfördes.
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: [three articles].” 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: [article] → Rubrik: ”…” Exempel 2: [article] → Rubrik: ”…” Exempel 3: [article] → Rubrik: ”…”
Skriv nu en rubrik till: [new article]
Paret (indata → utdata) är enheten i few-shot. Utan utdatasidan har modellen inget målmönster att följa.
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: spara testade exempel i avgränsade instruktioner som du kan granska och uppdatera.
- Ett verktyg för textexpansion (TextExpander, Raycast, Espanso): använd 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.
Med tiden kan detta bli ett uppgiftsspecifikt bibliotek som bygger på utdata som ditt team faktiskt har godkänt. Det är mer användbart än ett generiskt promptpaket som inte har testats på ditt arbete.
Exempel slår adjektiv
När du kan beskriva resultatet exakt ska du göra det. När stilen är något du känner igen men inte kan formulera fullt ut lägger du till representativa exempel på indata och utdata. Testa sedan prompten på vanliga fall och randfall innan du gör den till ett återanvändbart arbetsflöde.
Exempel kan förtydliga sådant som adjektiv lämnar öppet. Prova tekniken på en prompt där stil eller format spelar roll, och behåll den bara om testade utdata förbättras.
