Spring til hovedindhold
Dansk— Vælg et sprog
Menu

Few-Shot Prompting

Lektion 5 af 16 Opdateret 28. juli 2026 Begynder
På denne side
  1. Lær ved eksempler
  2. Zero-shot, one-shot, few-shot: tre niveauer af vejledning
  3. Implementér few-shot med Mistral API
  4. Hvornår skal du bruge few-shot?
  5. Hvor mange eksempler skal du give?
  6. Byg gode eksempler
  7. Vigtige pointer

Lær ved eksempler

Few-shot prompting går ud på at give modellen én eller flere eksempler på den opgave, den skal løse, før du sender selve anmodningen. I stedet for abstrakt at forklare, hvad du forventer, viser du det konkret – ligesom en træner, der i stedet for at bruge tyve minutter på at beskrive en god mødereferat, uddeler to velskrevne eksemplarer og lader deltagerne absorbere dem. Denne teknik er en af de mest effektive måder at opnå præcise og konsistente resultater med Mistral-modeller.

Princippet er simpelt: Modellen bruger de medfølgende eksempler til at forstå det forventede format, tone, detaljeringsgrad og logik, hvorefter den reproducerer dette mønster for din anmodning. Et velvalgt eksempel erstatter ofte et helt afsnit med forklaring – og gør det bedre.

Zero-shot, one-shot, few-shot: tre niveauer af vejledning

Fagterminologien skelner mellem tre varianter baseret på antallet af eksempler. Ved zero-shot giver du en instruktion uden eksempler, og modellen stole udelukkende på sin viden:

Classify the sentiment of this text as positive, neutral, or negative:
"Customer service was responsive but delivery was late."

Zero-shot fungerer til simple, almindelige opgaver, som modellen har stødt på tusindvis af gange under træningen. Til opgaver, der er specifikke for din virksomhed, er det ofte utilstrækkeligt: Modellen vil klassificere, men ikke nødvendigvis efter dine kriterier.

Ved one-shot er et enkelt eksempel nogle gange nok til at vejlede modellen. Eksemplet viser både output-formatet og hvordan svaret skal begrundes:

Classify the sentiment and justify in one sentence.

Example:
Text: "Excellent product, highly recommended!"
Sentiment: positive
Justification: Expression of enthusiasm and explicit recommendation.

To classify:
Text: "Customer service was responsive but delivery was late."
Sentiment:
Justification:

Med few-shot reducerer flere eksempler tvetydighed og styrker konsistensen. Dette er særligt nyttigt, når grænsetilfælde er mange – som denne blandede anmeldelse, der kombinerer et positivt og et negativt punkt:

Classify the sentiment and justify in one sentence.

Example 1:
Text: "Excellent product, highly recommended!"
Sentiment: positive
Justification: Expression of enthusiasm and explicit recommendation.

Example 2:
Text: "The price is fair for what it is."
Sentiment: neutral
Justification: Factual evaluation without strong emotion.

Example 3:
Text: "Three weeks of waiting for a defective product."
Sentiment: negative
Justification: Delay issue combined with a quality defect.

To classify:
Text: "Customer service was responsive but delivery was late."
Sentiment:
Justification:

Med tre eksempler, der dækker de tre kategorier, har modellen set, hvordan hvert tilfælde ser ud, og vil kalibrere sit svar derefter.

Implementér few-shot med Mistral API

I en tekst-prompt stables eksemplerne ovenpå hinanden som vist ovenfor. Men med API’en findes en renere metode: Brug rollerne user og assistant til at skabe kunstige udvekslinger, der fungerer som eksempler. Du opretter en samtalehistorik fra bunden, hvor modellen allerede har svaret perfekt:

messages = [
    {
        "role": "system",
        "content": "You classify customer reviews. Respond only with the indicated format."
    },
    # Example 1
    {
        "role": "user",
        "content": "Classify: \"Excellent product, highly recommended!\""
    },
    {
        "role": "assistant",
        "content": "Sentiment: positive\nJustification: Expression of enthusiasm and explicit recommendation."
    },
    # Example 2
    {
        "role": "user",
        "content": "Classify: \"Three weeks of waiting for a defective product.\""
    },
    {
        "role": "assistant",
        "content": "Sentiment: negative\nJustification: Delay issue combined with a quality defect."
    },
    # Actual request
    {
        "role": "user",
        "content": "Classify: \"Customer service was responsive but delivery was late.\""
    }
]

Ved at sende eksempler som user/assistant-beskeder behandler modellen dem som en succesfuld samtalehistorik, som den skal fortsætte i samme stil. Dette er det mønster, du bør prioritere, så snart du skalerer til produktion: Eksemplerne holdes adskilt fra dataene, hvilket gør dem nemme at vedligeholde og berige.

Hvornår skal du bruge few-shot?

Few-shot excellerer i fire typer situationer. Først og fremmest ved tilpasset klassificering: Når dine kategorier ikke er standard – f.eks. interne billettyper specifikke for din virksomhed – slår ingen beskrivelse et par allerede klassificerede billetter. Dernæst dataekstraktion, når output-formatet er specifikt for din organisation. Også skrivning med en bestemt tone: Hvis du vil have modellen til at adoptere din redaktionelle stil, så vis den to eller tre af dine egne tekster i stedet for at forsøge at beskrive din stil med adjektiver. Endelig generelt tvetydige opgaver: Så snart tekstbeskrivelsen ikke er nok til at afklare tvivl, rydder et eksempel op i det.

Hvor mange eksempler skal du give?

Det optimale antal afhænger af opgavens kompleksitet. Til en simpel opgave med et klart format – binær klassificering, ekstraktion af et enkelt felt – er ét eller to eksempler nok. Til en opgave med flere kategorier eller et komplekst format bør du regne med tre til fem eksempler, ideelt ét pr. kategori. Ud over fem eksempler befinder du dig i territoriet for meget specifikke opgaver eller opgaver rig på grænsetilfælde, der skal dækkes eksplicit.

Hold dog øje med omkostningerne: Hvert eksempel forbruger input-tokens, og med Mistral-modeller faktureres input-tokens. En klassificerings-prompt, der kaldes ti tusind gange om dagen med otte redundante eksempler, koster betydeligt mere end den samme med tre velvalgte eksempler, ofte uden nogen kvalitetsgevinst. Find den rette balance mellem præcision og effektivitet.

Byg gode eksempler

Her er nogle bedste praksis til afrunding. Variér dine eksempler, så de dækker forskellige mulige tilfælde, herunder grænsetilfælde: Tre udelukkende positive eksempler lærer ingenting om håndtering af negative anmeldelser. Behold et strengt identisk format fra det ene eksempel til det næste – den mindste variation i struktur vil blive fortolket som signifikant og reproduceret. Brug realistiske eksempler, der ligner dine rigtige data: En model trænet på dine rigtige kundeanmeldelser vil klassificere dine rigtige kundeanmeldelser bedre, end hvis den kun har set lærebogssætninger. Og placér altid selve anmodningen sidst: Modellen lægger mest vægt på begyndelsen og slutningen af prompten.

Vigtige pointer

  • Few-shot prompting viser modellen, hvad du forventer, ved hjælp af eksempler
  • Brug user/assistant-roller til at skabe eksempler i Mistral API
  • 1 til 5 eksempler er nok i de fleste tilfælde
  • Variér eksemplerne for at dække forskellige scenarier, men behold formatet identisk overalt
  • Few-shot er ideelt til klassificering, ekstraktion og skrivning med et specifikt format