Few-shot: Lær ved eksempler
På denne side
Der kommer et tidspunkt, hvor beskrivelser alene ikke er nok. Du har beskrevet din stil med fem tillægsord, specificeret dit format i otte linjer, og ChatGPT rammer stadig ved siden af. Løsningen er ikke at beskrive bedre – det er at vise. Few-shot prompting betyder, at du giver eksempler på det ønskede output, så modellen kan udlede mønsteret og anvende det. Dette er den mest pålidelige teknik, du har til at opnå konsistente resultater hver gang.
Princippet
“Few-shot” refererer til en prompt ledsaget af nogle få eksempler, i modsætning til “zero-shot”, som ikke har nogen. Du giver ét, to eller tre eksempler på, hvad du ønsker, og beder derefter modellen om at fortsætte efter samme mønster. Forskellen viser sig tydeligst ved subjektive vurderinger, hvor det rigtige svar afhænger af din skala snarere end en universel sandhed. Ved zero-shot – altså uden eksempler – efterlader følgende forespørgsel modellen i tvivl mellem neutral og negativ: intet fortæller den, om en leveringsforsinkelse tæller som en hændelse eller en mindre detalje i din bog.
Classify this customer comment as positive, neutral, or negative:
"The delivery took 3 days longer than expected but the product is fine."
De samme ord, indledt af fire kalibrerede eksempler, giver en klassificering, der er i overensstemmelse med dine kriterier. Det fjerde eksempel er det mest nyttige af alle: det viser præcist, at en langsom levering ikke udligner en tilfredsstillende anmeldelse.
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."
Hvornår teknikken gør forskellen
Few-shot prompting er afgørende, når en instruktion er lettere at vise end at formulere. Dette gælder, når du vil have ChatGPT til at skrive i din stemme, når dit format ikke matcher nogen eksisterende standard, eller når klassificering hviler på kriterier, du ville have svært ved at definere i en enkelt regel. Det excellerer også i at konvertere data fra ét format til et andet og ved batch-produktion, hvor tyve stykker indhold skal ligne hinanden uden at gentage sig selv.
At replikere en skrivestil
Dit bedste tidligere arbejde udgør den bedst mulige specifikation. De to beskrivelser nedenfor formidler langt mere end tone: rytmen i korte sætninger, at starte med en fordel, at placere et tal midt i teksten og at slutte med et konkret brugstilfælde. Intet tillægsord kunne have kommunikeret alt dette.
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
Dette er præcis det træk, du skal prøve på indhold, du producerer hver uge. Indsæt to af dine bedste tidligere leverancer, tilføj dine rå noter, og lad modellen håndtere det format, du plejede at gøre selv.
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]
Transformering af data
For at normalisere uorganiseret information skal du vise input/output-parret. Modellen udleder to ting på én gang: hvilke felter der skal udtrækkes, og hvordan uformelle formuleringer oversættes til strukturerede labels – “doesn’t mind doing some backend occasionally” bliver til en linje om “Versatility”, noget ingen generel instruktion kunne have opnået.
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."
Generering af indhold i batches
Til tilbagevendende redaktionelle formater slår en annoteret skabelon en beskrivelse. Skelettet nedenfor fastsætter blok-rækkefølgen og længden for hver; rådataene fra kundecasen udfylder blot skabelonen. Du får en serie homogene opslag, klar til publicering uden redaktionel diskussion hver gang.
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.
Hvor mange eksempler skal du give?
Et enkelt eksempel – one-shot – er nok til et simpelt format. To eller tre dækker de fleste almindelige opgaver; fire til fem bliver nyttige, når mønsteret er subtilt. Ud over det bør du tjekke, at hvert eksempel bidrager med noget nyt: redundante eksempler forlænger prompten uden at forbedre den. To kvaliteter er vigtigere end kvantitet: konsistens og diversitet. Eksempler i heterogene formater forhindrer modellen i at vide, hvilken den skal efterligne; eksempler, der er for ens, får den til at lære et specifikt tilfælde snarere end princippet, og den vil derefter producere varianter af den samme tekst.
Start uden eksempler
Help Center og OpenAIs guide om ræsonnementsmodeller giver det samme råd: prøv uden eksempler først, og tilføj dem derefter, hvis resultatet ikke er tilfredsstillende. Nuværende modeller klarer sig ofte uden eksempler, når instruktionen er klar, og et dårligt valgt eksempel kan trække svaret i en retning, du ikke havde til hensigt. Samme guide advarer mod en specifik fælde: dine eksempler skal matche dine instruktioner nøjagtigt. Hvis instruktionen beder om tre punktopstillinger, og eksemplet viser fem, vil resultatet sandsynligvis være dårligt.
Kontrasterende eksempler
Til klassificerings- eller vurderingsopgaver skal du inkludere grænsetilfælde, der definerer skalaen, og begrunde hver vurdering i parentes. Modellen anvender derefter din rubrik, ikke sin egen – her kommer kløften mellem 3 og 5 af tilstedeværelsen af numerisk bevis, hvilket begrundelsen gør eksplicit.
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?"
Din tur
Gå fra zero til few-shot. Tag en klassificerings- eller skriveopgave, du gentager ofte. Kør den først uden et eksempel og noter, hvad der er galt. Tilføj derefter to eksempler hentet fra dit bedste arbejde, og tjek at de følger din instruktion nøjagtigt, og tilføj derefter et grænsetilfælde, hvis klassificeringen er i tvivl. Sammenlign de tre resultater og behold den korteste version, der tilfredsstiller dig.
Officielle kilder: Best practices for prompt engineering with the OpenAI API (OpenAI Help Center) · Prompt engineering · Reasoning best practices (OpenAI API-dokumentation)
Vigtige pointer
- Few-shot betyder at vise nogle få eksempler, så ChatGPT reproducerer det forventede mønster
- Prøv uden eksempler først, og tilføj dem derefter, hvis resultatet ikke er tilfredsstillende
- To til tre eksempler er nok til de fleste opgaver; de skal følge din instruktion nøjagtigt
- Brug few-shot til stil, format, klassificering og batch-produktion
- Kontrasterende, begrundede eksempler kalibrerer skalaen til vurderingsopgaver