Μετάβαση στο κύριο περιεχόμενο
Ελληνικά— Επιλέξτε γλώσσα
Μενού

Few-Shot Prompting

Μάθημα 5 / 14 Ενημερώθηκε 30 Ιουλίου 2026 Αρχάριος
Σε αυτήν τη σελίδα
  1. Μάθηση μέσω παραδειγμάτων
  2. Παραλλαγές Few-shot
  3. Πότε να χρησιμοποιήσετε το few-shot
  4. Κανόνες για αποτελεσματικά παραδείγματα
  5. Συνδυασμός few-shot και μηνυμάτων συστήματος
  6. Εξάσκηση
  7. Βασικά σημεία

Μάθηση μέσω παραδειγμάτων

Το Few-shot prompting περιλαμβάνει την παροχή ζευγών εισόδου/εξόδου στο prompt σας για να καθοδηγήσετε το μοντέλο. Αντί να περιγράφετε αφηρημένα τι αναμένετε, δείχνετε συγκεκριμένα το επιθυμητό αποτέλεσμα μέσω ενός ή περισσότερων παραδειγμάτων.

Αυτή η προσέγγιση βασίζεται στην ικανότητα του Grok να εντοπίζει μοτίβα και να τα αναπαράγει. Συχνά αποτελεί την πιο αποτελεσματική τεχνική για την επίτευξη μιας ακριβούς μορφής εξόδου ή μιας συγκεκριμένης συμπεριφοράς.

Παραλλαγές Few-shot

Zero-shot: χωρίς παραδείγματα

Παρέχετε μόνο την οδηγία, χωρίς παραδείγματα. Αυτή είναι η προεπιλεγμένη συμπεριφορά.

[
  {"role": "system", "content": "Classify customer reviews as 'positive', 'negative', or 'neutral'."},
  {"role": "user", "content": "The product arrived broken, very disappointed."}
]

One-shot: ένα μόνο παράδειγμα

Ένα παράδειγμα συχνά αρκεί για να ορίσετε τη μορφή εξόδου.

[
  {"role": "system", "content": "Classify customer reviews using the format shown in the example."},
  {"role": "user", "content": "Great quality, I recommend it!"},
  {"role": "assistant", "content": "{\"sentiment\": \"positive\", \"confidence\": 0.95, \"keywords\": [\"quality\", \"recommend\"]}"},
  {"role": "user", "content": "The product arrived broken, very disappointed."}
]

Few-shot: πολλαπλά παραδείγματα

Με 2 έως 5 παραδείγματα, καλύπτετε περισσότερες περιπτώσεις και το μοντέλο κατανοεί καλύτερα τις αποχρώσεις.

[
  {"role": "system", "content": "Classify customer reviews in JSON format."},
  {"role": "user", "content": "Great quality, I recommend it!"},
  {"role": "assistant", "content": "{\"sentiment\": \"positive\", \"confidence\": 0.95}"},
  {"role": "user", "content": "Meh, nothing special."},
  {"role": "assistant", "content": "{\"sentiment\": \"neutral\", \"confidence\": 0.70}"},
  {"role": "user", "content": "Horrible, doesn't work at all."},
  {"role": "assistant", "content": "{\"sentiment\": \"negative\", \"confidence\": 0.98}"},
  {"role": "user", "content": "Fast delivery but damaged packaging."}
]
0
Zero-shot (χωρίς παραδείγματα)
1
One-shot (γρήγορη μορφοποίηση)
2-5
Few-shot (βέλτιστη κάλυψη)

Πότε να χρησιμοποιήσετε το few-shot

Το Few-shot είναι ιδιαίτερα κατάλληλο στις ακόλουθες περιπτώσεις:

  • Αυστηρή μορφή εξόδου: JSON, CSV, δομημένο Markdown, προσαρμοσμένη μορφή
  • Κατηγοριοποίηση: συναισθήματος, κατηγορίας, προτεραιότητας, γλώσσας
  • Μετασχηματισμός κειμένου: αναδιατύπωση, μετάφραση με συγκεκριμένο ύφος, εξαγωγή οντοτήτων
  • Συνέπεια τόνου: όταν έχετε ένα συγκεκριμένο συγγραφικό ύφος προς αναπαραγωγή

Κανόνες για αποτελεσματικά παραδείγματα

Ποικιλία παραδειγμάτων

Τα παραδείγματά σας πρέπει να καλύπτουν τις κύριες περιπτώσεις. Για μια ταξινόμηση τριών κατηγοριών, συμπεριλάβετε τουλάχιστον ένα παράδειγμα για κάθε κατηγορία.

Συνέπεια μορφής

Όλα τα παραδείγματά σας πρέπει να ακολουθούν ακριβώς την ίδια μορφή εξόδου. Εάν ένα παράδειγμα επιστρέφει JSON με κλειδιά σε πεζά, όλα τα άλλα πρέπει να κάνουν το ίδιο.

Σχετικότητα

Επιλέξτε παραδείγματα κοντά στις πραγματικές περιπτώσεις που θα διαχειριστεί το μοντέλο. Παραδείγματα που είναι υπερβολικά απλά ή υπερβολικά εξωτικά μπορούν να υποβαθμίσουν την ποιότητα των αποτελεσμάτων.

Λογική ποσότητα

Περισσότερα παραδείγματα καταναλώνουν περισσότερα tokens εισόδου. Βρείτε τη σωστή ισορροπία: 2 έως 5 παραδείγματα είναι γενικά αρκετά. Πέρα από αυτό το σημείο, η προσθήκη παραδειγμάτων έχει φθίνουσες αποδόσεις.

Συνδυασμός few-shot και μηνυμάτων συστήματος

Ο πιο αποτελεσματικός συνδυασμός ζευγαρώνει ένα μήνυμα συστήματος που περιγράφει την εργασία με παραδείγματα few-shot που δείχνουν τη μορφή:

[
  {
    "role": "system",
    "content": "You are an assistant that extracts named entities (people, places, organizations) from text and returns them in JSON format. Each entity has a type and a value."
  },
  {
    "role": "user",
    "content": "Marie Curie worked at the University of Paris."
  },
  {
    "role": "assistant",
    "content": "{\"entities\": [{\"type\": \"person\", \"value\": \"Marie Curie\"}, {\"type\": \"organization\", \"value\": \"University of Paris\"}]}"
  },
  {
    "role": "user",
    "content": "The CEO of TotalEnergies met the minister in Lyon."
  }
]

Το μήνυμα συστήματος εξηγεί την εργασία, ενώ το παράδειγμα δείχνει την ακριβή μορφή. Το μοντέλο θα αναπαράγει αυτή τη μορφή για τη νέα είσοδο.

Εξάσκηση

Δημιουργήστε ένα prompt few-shot για τη μετατροπή περιγραφών προϊόντων σε δομημένα δελτία. Ορίστε τη μορφή εξόδου σας με 2-3 παραδείγματα και στη συνέχεια δοκιμάστε με ένα νέο προϊόν.

Ξεκινήστε με ένα one-shot για να επαληθεύσετε τη μορφή και στη συνέχεια προσθέστε παραδείγματα εάν το αποτέλεσμα απαιτεί προσαρμογές.

Βασικά σημεία

  • Το Few-shot περιλαμβάνει την παροχή παραδειγμάτων για να καθοδηγήσετε το μοντέλο μέσω μίμησης
  • Ένα μόνο παράδειγμα (one-shot) συχνά αρκεί για να ορίσετε τη μορφή εξόδου
  • 2 έως 5 παραδείγματα καλύπτουν τις περισσότερες περιπτώσεις χωρίς σπατάλη tokens
  • Τα παραδείγματά σας πρέπει να είναι ποικίλα, συνεπή ως προς τη μορφή και αντιπροσωπευτικά
  • Συνδυάστε το μήνυμα συστήματος (περιγραφή) με τα παραδείγματα (επίδειξη) για βέλτιστα αποτελέσματα