Few-shot: Учене чрез примери
На тази страница
Идва момент, в който самото описание не е достатъчно. Описали сте стила си с пет прилагателни, уточнили сте формата си в осем реда, а ChatGPT все пак не уцелва целта. Решението не е да описвате по-добре – а да покажете. Подходът few-shot (обучение с малко примери) означава да предоставите примери за желания изход, за да може моделът да извлече шаблона и да го приложи. Това е най-надеждната техника, с която разполагате, за да получавате последователни резултати всеки път.
Принципът
„Few-shot“ се отнася до подкана (prompt), придружена от няколко примера, за разлика от „zero-shot“, която няма такива. Предоставяте един, два или три примера за това, което искате, и след това молите модела да продължи, следвайки същия шаблон. Разликата личи най-вече при субективни преценки, където правилният отговор зависи от Вашата скала, а не от универсална истина. При zero-shot – тоест без никакви примери – следващата заявка оставя модела да се колебае между неутрално и негативно: нищо не му подсказва дали забавянето на доставка се брои за инцидент или за незначителна подробност във Вашата книга.
Classify this customer comment as positive, neutral, or negative:
"The delivery took 3 days longer than expected but the product is fine."
Същите думи, предшествани от четири калибрирани примера, водят до класификация, съобразена с Вашите критерии. Четвъртият пример е най-полезен от всички: той показва точно, че бавната доставка не анулира удовлетворителната оценка.
Classify each customer comment as positive, neutral, or negative.
Examples:
- "Excellent product, fast delivery, highly recommend!" -> Positive
- "The product works but nothing exceptional." -> Neutral
- "Disappointed, the quality doesn't match the photos." -> Negative
- "Good value for money, delivery a bit slow." -> Neutral
Now classify:
- "The delivery took 3 days longer than expected but the product is fine."
Кога техниката прави разликата
Подходът few-shot е от съществено значение, когато една инструкция е по-лесна за показване, отколкото за формулиране. Това важи, когато искате ChatGPT да пише с Вашия глас, когато Вашата форма не съответства на никой съществуващ стандарт или когато класификацията разчита на критерии, които бихте затруднили да дефинирате с едно правило. Той също така се справя отлично с конвертирането на данни от един формат в друг и при масово производство, където двадесет части съдържание трябва да си приличат, без да се повтарят.
Възпроизвеждане на стил на писане
Вашите най-добри предишни работи представляват най-добрата възможна спецификация. Двете описания по-долу предават много повече от тона: ритъм на къси изречения, започване с полза, вмъкване на число в средата и завършване с конкретен случай на употреба. Никое прилагателно не би могло да предаде всичко това.
Here's how I write my product descriptions:
Example 1:
Product: Wireless headphones
Description: Say goodbye to tangled wires. These Bluetooth headphones
connect in 2 seconds, last 30 hours on a charge, and block out noise
as if you were alone in the world. Perfect for the office, the train, or the couch.
Example 2:
Product: Compact mechanical keyboard
Description: 65 keys, zero compromise. Tactile switches deliver
precise feedback without waking the neighbors. RGB backlighting
adjusts with a single gesture. Compact yet complete, it slips
into any bag.
Following the same pattern, write the description for:
Product: Vertical ergonomic mouse
Това е точно ходът, който трябва да опитате върху съдържание, което произвеждате всяка седмица. Поставете две от Вашите най-добри предишни доставки, добавете Вашите сурови бележки и оставете модела да се справи с форматирането, което преди правехте сами.
Here are 2 examples of weekly summaries I send to my manager:
[Paste your week 1 summary]
[Paste your week 2 summary]
Following this exact format and style, write this week's summary
from these raw notes:
[Paste your week notes]
Трансформиране на данни
За да нормализирате дезорганизирана информация, покажете двойката вход/изход. Моделът прави извод за две неща едновременно: кои полета да извлече и как да преведе разговорния език в структурирани етикети – „няма нищо против да прави малко бекенд от време на време“ се превръща в ред „Гъвкавост“, нещо, което никоя обща инструкция не би могла да постигне.
Transform these informal job descriptions into structured profiles.
Input: "Looking for a React frontend dev, 3-5 years exp, knows
TypeScript and doesn't mind doing some backend occasionally.
Remote OK, between 45 and 55K."
Output:
- Role: Frontend Developer
- Stack: React, TypeScript
- Experience: 3-5 years
- Versatility: Occasional backend
- Remote: Yes
- Range: 45-55K EUR
Input: "Need a senior PM to lead our SaaS product,
ideally someone who's worked in a scale-up before, we're in Paris
but hybrid 3 days/week, budget 65-75K."
Output:
- Role: Senior Product Manager
- Domain: SaaS
- Experience: Senior (scale-up environment)
- Location: Paris, hybrid 3 days/week
- Range: 65-75K EUR
Now transform:
"We need a data analyst who knows SQL and Python, someone
junior-mid who wants to build ML skills. Fully remote,
35-42K, start ASAP."
Генериране на съдържание на партиди
За повтарящи се редакционни формати един анотиран шаблон побеждава описанието. Скелетът по-долу задава реда на блоковете и дължината на всеки от тях; суровите данни от случая на клиента просто го запълват. Получавате серия от хомогенни публикации, готови за публикуване без редакционни дебати всеки път.
Here's the format for our LinkedIn posts presenting a client case:
Example:
[Relevant emoji] [Catchy key figure]
[Client name] had a problem: [one-line problem].
In [duration], we implemented [brief solution].
Result:
- [Metric 1]
- [Metric 2]
- [Metric 3]
[One-sentence lesson or takeaway]
---
Case to write: our client DataViz (BI dashboard publisher)
had a churn rate of 15%/month. In 4 months, we redesigned
their onboarding. Churn dropped to 6%, NPS rose from 23 to 52,
and time-to-value went from 14 days to 3 days.
Колко примера да предоставите
Един единствен пример – one-shot – е достатъчен за прост формат. Два или три покриват повечето често срещани задачи; четири до пет стават полезни, когато шаблонът е фин. Отвъд това, проверете дали всеки пример носи нещо ново: излишните примери удължават подканата, без да я подобряват. Две качества са по-важни от количеството: последователност и разнообразие. Примери в хетерогенни формати пречат на модела да знае кой да имитира; примери, които са твърде сходни, го карат да научи конкретен случай, а не принципа, и тогава той ще произвежда вариации на един и същи текст.
Започване без примери
Центърът за помощ и ръководството на OpenAI за модели за разсъждаване дават един и същи съвет: опитайте първо без примери, след това ги добавете, ако резултатът не е задоволителен. Текущите модели често се справят без примери, когато инструкцията е ясна, а лошо избран пример може да насочи отговора в посока, която не сте предвидили. Същото ръководство предупреждава срещу специфичен капан: Вашите примери трябва точно да съответстват на Вашите инструкции. Ако инструкцията иска три точки, а примерът показва пет, резултатът вероятно ще бъде лош.
Контрастни примери
За задачи за класификация или оценяване включете гранични случаи, които дефинират скалата и обосновават всяка оценка в скоби. Тогава моделът прилага Вашата рубрика, а не своята – тук разликата между 3 и 5 идва от наличието на числено доказателство, което обосновката прави изрична.
Rate the quality of these sales hooks (score from 1 to 5).
1/5: "Hello, we sell software." (too vague, no hook)
3/5: "Your teams lose 5 hours a week on admin tasks." (good angle but no proof)
5/5: "Carrefour cut admin costs by 34% in 3 months. Here's how." (number, social proof, curiosity)
Now rate:
"What if you could automate 80% of your reporting?"
Ваш ред
Преминете от zero към few-shot. Вземете задача за класификация или писане, която повтаряте често. Изпълнете я първо без пример и отбележете какво не е наред. След това добавете два примера, взети от Вашата най-добра работа, като проверите дали те следват точно Вашата инструкция, и добавете граничен случай, ако класификацията се колебае. Сравнете трите резултата и запазете най-кратката версия, която Ви удовлетворява.
Официални източници: Best practices for prompt engineering with the OpenAI API (Център за помощ на OpenAI) · Prompt engineering · Reasoning best practices (Документация на API на OpenAI)
Ключови изводи
- Few-shot означава да покажете няколко примера, за да може ChatGPT да възпроизведе очаквания шаблон
- Опитайте първо без примери, след това ги добавете, ако резултатът не е задоволителен
- Два до три примера са достатъчни за повечето задачи; те трябва точно да следват Вашата инструкция
- Използвайте few-shot за стил, формат, класификация и масово производство
- Контрастните, обосновани примери калибрират скалата за задачи за оценяване