Премини към основното съдържание
Български— Изберете език
Меню

Few-shot: Учене чрез примери

Урок 6 от 16 Обновен 5 ноември 2026 г. Начинаещ
На тази страница
  1. Принципът
  2. Кога техниката прави разликата
  3. Възпроизвеждане на стил на писане
  4. Трансформиране на данни
  5. Генериране на съдържание на партиди
  6. Колко примера да предоставите
  7. Започване без примери
  8. Контрастни примери
  9. Ваш ред
  10. Ключови изводи

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.

От zero към few-shot Три стъпки: опитайте без примери, използвайки ясна инструкция; добавете два примера, верни на инструкцията, ако резултатът не е задоволителен; добавете граничен случай, ако класификацията се колебае. Запазете най-кратката версия, която Ви удовлетворява. ДОБАВЯЙТЕ ПРИМЕРИ САМО АКО Е НЕОБХОДИМО От zero към few-shot 1 Без примери Само ясна инструкция 2 Два примера Верни на инструкцията 3 Граничен случай Ако класификацията се колебае Запазете най-кратката версия, която Ви удовлетворява.
Based on the article "Best practices for prompt engineering with the OpenAI API" from the OpenAI Help Center and the Reasoning best practices guide from the OpenAI API documentation (November 2026).

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