Μετάβαση στο κύριο περιεχόμενο
Ελληνικά— Επιλέξτε γλώσσα
Μενού

Few-shot: Μάθετε μέσω παραδειγμάτων

Μάθημα 6 / 16 Ενημερώθηκε 5 Νοεμβρίου 2026 Αρχάριος
Σε αυτήν τη σελίδα
  1. Η αρχή
  2. Πότε κάνει η τεχνική τη διαφορά
  3. Αναπαραγωγή ενός συγγραφικού ύφους
  4. Μετατροπή δεδομένων
  5. Δημιουργία περιεχομένου σε παρτίδες
  6. Πόσα παραδείγματα να παρέχετε
  7. Ξεκινώντας χωρίς παραδείγματα
  8. Αντιθετικά παραδείγματα
  9. Η σειρά σας
  10. Βασικά σημεία

Έρχεται μια στιγμή που η περιγραφή από μόνη της δεν αρκεί. Έχετε περιγράψει το ύφος σας με πέντε επιθέτα, έχετε καθορίσει τη μορφή σας σε οκτώ γραμμές και το ChatGPT εξακολουθεί να αστοχεί. Η λύση δεν είναι να περιγράψετε καλύτερα, αλλά να δείξετε. Η τεχνική few-shot prompting σημαίνει ότι παρέχετε παραδείγματα της επιθυμητής εξόδου, ώστε το μοντέλο να εξάγει το μοτίβο και να το εφαρμόσει. Αυτή είναι η πιο αξιόπιστη τεχνική που διαθέτετε για να λαμβάνετε συνεπή αποτελέσματα κάθε φορά.

Η αρχή

Ο όρος «few-shot» αναφέρεται σε μια εντολή (prompt) που συνοδεύεται από λίγα παραδείγματα, σε αντίθεση με το «zero-shot», που δεν έχει κανένα. Παρέχετε ένα, δύο ή τρία παραδείγματα του τι θέλετε και στη συνέχεια ζητάτε από το μοντέλο να συνεχίσει ακολουθώντας το ίδιο μοτίβο. Η διαφορά φαίνεται κυρίως σε υποκειμενικές κρίσεις, όπου η σωστή απάντηση εξαρτάται από τη δική σας κλίμακα και όχι από μια καθολική αλήθεια. Στο zero-shot —δηλαδή χωρίς κανένα παράδειγμα— το ακόλουθο αίτημα αφήνει το μοντέλο να διστάζει μεταξύ ουδέτερου και αρνητικού: τίποτα δεν του λέει αν μια καθυστέρηση στην παράδοση μετράει ως περιστατικό ή ως λεπτομέρεια για εσάς.

Classify this customer comment as positive, neutral, or negative:
"The delivery took 3 days longer than expected but the product is fine."

Οι ίδιες λέξεις,preceded by τέσσερα βαθμονομημένα παραδείγματα, παράγετε μια ταξινόμηση ευθυγραμμισμένη με τα κριτήριά σας. Το τέταρτο παράδειγμα είναι το πιο χρήσιμο απ’ όλα: δείχνει με ακρίβεια ότι μια αργή απόκριση δεν ακυρώνει ένα ικανοποιητικό review.

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."

Πότε κάνει η τεχνική τη διαφορά

Το few-shot prompting είναι απαραίτητο όταν μια οδηγία είναι ευκολότερο να δειχθεί παρά να διατυπωθεί. Αυτό ισχύει όταν θέλετε το ChatGPT να γράφει με το δικό σας ύφος, όταν η μορφή σας δεν ταιριάζει με κανένα υπάρχον πρότυπο ή όταν η ταξινόμηση βασίζεται σε κριτήρια που θα δυσκολευόσασταν να ορίσετε σε έναν μόνο κανόνα. Διακρίνεται επίσης στη μετατροπή δεδομένων από τη μία μορφή στην άλλη και στην ομαδική παραγωγή, όπου είκοσι κομμάτια περιεχομένου πρέπει να μοιάζουν μεταξύ τους χωρίς να επαναλαμβάνονται.

Αναπαραγωγή ενός συγγραφικού ύφους

Το καλύτερο παρελθόν έργο σας αποτελεί την καλύτερη δυνατή προδιαγραφή. Οι δύο περιγραφές παρακάτω μεταφέρουν πολύ περισσότερα από τον τόνο: ρυθμό σύντομων προτάσεων, ξεκίνημα με ένα όφελος, εισαγωγή ενός αριθμού στη μέση και τέλος με μια συγκεκριμένη περίπτωση χρήσης. Κανένα επίθετο δεν θα μπορούσε να τα εκφράσει όλα αυτά.

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

Αυτή είναι ακριβώς η κίνηση που πρέπει να δοκιμάσετε σε περιεχόμενο που παράγετε κάθε εβδομάδα. Επικολλήστε δύο από τις καλύτερες προηγούμενες παραδόσεις σας, προσθέστε τις ακατέργαστες σημειώσεις σας και αφήστε το μοντέλο να χειριστεί τη μορφοποίηση που κάνατε εσείς οι ίδιοι.

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]

Μετατροπή δεδομένων

Για να κανονικοποιήσετε ανοργάνωτες πληροφορίες, δείξτε το ζεύγος εισόδου/εξόδου. Το μοντέλο συνάγει δύο πράγματα ταυτόχρονα: ποια πεδία να εξάγει και πώς να μεταφράσει την casual διατύπωση σε δομημένες ετικέτες —το «δεν πειράζει να κάνει λίγο backend περιστασιακά» γίνεται μια γραμμή «Πολυμέρεια», κάτι που καμία γενική οδηγία δεν θα μπορούσε να επιτύχει.

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."

Δημιουργία περιεχομένου σε παρτίδες

Για επαναλαμβανόμενες συντακτικές μορφές, ένα σχολιασμένο πρότυπο κερδίζει μια περιγραφή. Ο σκελετός παρακάτω ορίζει τη σειρά των μπλοκ και το μήκος για το καθένα· τα ακατέργαστα δεδομένα από την περίπτωση του πελάτη απλώς το συμπληρώνουν. Λαμβάνετε μια σειρά ομοιογενών αναρτήσεων, έτοιμων για δημοσίευση χωρίς συντακτική συζήτηση κάθε φορά.

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.

Πόσα παραδείγματα να παρέχετε

Ένα μόνο παράδειγμα —one-shot— αρκεί για μια απλή μορφή. Δύο ή τρία καλύπτουν τις περισσότερες κοινές εργασίες· τέσσερα έως πέντε γίνονται χρήσιμα όταν το μοτίβο είναι λεπτό. Πέρα από αυτό, ελέγξτε ότι κάθε παράδειγμα φέρνει κάτι νέο: τα πλεονάζοντα παραδείγματα επιμηκύνουν την εντολή χωρίς να τη βελτιώνουν. Δύο ποιότητες έχουν μεγαλύτερη σημασία από την ποσότητα: η συνέπεια και η ποικιλομορφία. Παραδείγματα σε ετερογενείς μορφές εμποδίζουν το μοντέλο να ξέρει ποιο να μιμηθεί· παραδείγματα που είναι πολύ όμοια το κάνουν να μαθαίνει μια συγκεκριμένη περίπτωση αντί για την αρχή, και στη συνέχεια θα παράγει παραλλαγές του ίδιου κειμένου.

Ξεκινώντας χωρίς παραδείγματα

Το κέντρο βοήθειας και ο οδηγός της OpenAI για τα μοντέλα συλλογισμού δίνουν την ίδια συμβουλή: δοκιμάστε πρώτα χωρίς παραδείγματα και προσθέστε τα μόνο αν το αποτέλεσμα δεν είναι ικανοποιητικό. Τα τρέχοντα μοντέλα συχνά τα καταφέρνουν χωρίς παραδείγματα όταν η οδηγία είναι σαφής, και ένα κακώς επιλεγμένο παράδειγμα μπορεί να τραβήξει την απάντηση προς μια κατεύθυνση που δεν intended. Ο ίδιος οδηγός προειδοποιεί για μια συγκεκριμένη παγίδα: τα παραδείγματά σας πρέπει να ταιριάζουν ακριβώς με τις οδηγίες σας. Αν η οδηγία ζητά τρεις κουκκίδες και το παράδειγμα δείχνει πέντε, το αποτέλεσμα πιθανότατα θα είναι κακό.

Από το zero στο few-shot Τρία βήματα: δοκιμάστε χωρίς παραδείγματα χρησιμοποιώντας μια σαφή οδηγία· προσθέστε δύο παραδείγματα πιστά στην οδηγία αν το αποτέλεσμα δεν είναι ικανοποιητικό· προσθέστε μια οριακή περίπτωση αν η ταξινόμηση διστάζει. Κρατήστε την πιο σύντομη εκδοχή που σας ικανοποιεί. ΠΡΟΣΘΕΣΤΕ ΠΑΡΑΔΕΙΓΜΑΤΑ ΜΟΝΟ ΑΝ ΧΡΕΙΑΖΕΤΑΙ Από το zero στο few-shot 1 Χωρίς παραδείγματα Μια σαφής οδηγία από μόνη της 2 Δύο παραδείγματα Πιστά στην οδηγία 3 Οριακή περίπτωση Αν η ταξινόμηση διστάζει Κρατήστε την πιο σύντομη εκδοχή που σας ικανοποιεί.
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).

Αντιθετικά παραδείγματα

Για εργασίες ταξινόμησης ή βαθμολόγησης, συμπεριλάβετε οριακές περιπτώσεις που ορίζουν την κλίμακα και δικαιολογούν κάθε βαθμολογία σε παρένθεση. Το μοντέλο εφαρμόζει τότε το δικό σας rubric, όχι το δικό του —εδώ, η διαφορά μεταξύ 3 και 5 προέρχεται από την παρουσία αριθμητικής απόδειξης, την οποία η δικαιολογία καθιστά ρητή.

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?"

Η σειρά σας

Μετάβαση από το zero στο few-shot. Πάρτε μια εργασία ταξινόμησης ή συγγραφής που επαναλαμβάνετε συχνά. Εκτελέστε την πρώτα χωρίς παράδειγμα και σημειώστε τι πάει στραβά. Στη συνέχεια, προσθέστε δύο παραδείγματα αντλημένα από το καλύτερο έργο σας, ελέγχοντας ότι ακολουθούν ακριβώς την οδηγία σας, και προσθέστε μια οριακή περίπτωση αν η ταξινόμηση διστάζει. Συγκρίνετε τα τρία αποτελέσματα και κρατήστε την πιο σύντομη εκδοχή που σας ικανοποιεί.

Επίσημες πηγές: Best practices for prompt engineering with the OpenAI API (Κέντρο Βοήθειας OpenAI) · Prompt engineering · Reasoning best practices (Τεκμηρίωση API OpenAI)

Βασικά σημεία

  • Το few-shot σημαίνει ότι δείχνετε λίγα παραδείγματα ώστε το ChatGPT να αναπαράγει το αναμενόμενο μοτίβο
  • Δοκιμάστε πρώτα χωρίς παραδείγματα και προσθέστε τα μόνο αν το αποτέλεσμα δεν είναι ικανοποιητικό
  • Δύο έως τρία παραδείγματα αρκούν για τις περισσότερες εργασίες· πρέπει να ακολουθούν ακριβώς την οδηγία σας
  • Χρησιμοποιήστε το few-shot για ύφος, μορφή, ταξινόμηση και ομαδική παραγωγή
  • Τα αντιθετικά, δικαιολογημένα παραδείγματα βαθμονομούν την κλίμακα για εργασίες αξιολόγησης