Few-shot: opi esimerkeistä
Tällä sivulla
Tulee piste, jossa pelkkä kuvaus ei riitä. Olet määritellyt tyylisi viidellä adjektiivilla, tarkentanut muotoilun kahdeksalla rivillä, mutta ChatGPT osuu silti harhaan. Ratkaisu ei ole kuvata paremmin, vaan näyttää. Few-shot-kehottaminen tarkoittaa halutun lopputuloksen esimerkkien tarjoamista, jotta malli voi tunnistaa kaavan ja soveltaa sitä. Tämä on luotettavin tekniikkasi johdonmukaisten tulosten saamiseksi joka kerta.
Periaate
“Few-shot” viittaa kehotteeseen, jonka mukana on muutama esimerkki, toisin kuin “zero-shot”, jossa niitä ei ole lainkaan. Annat yhden, kaksi tai kolme esimerkkiä siitä, mitä haluat, ja pyydät mallia jatkamaan samaa kaavaa. Ero näkyy selvimmin subjektiivisissa arvioinneissa, joissa oikea vastaus riippuu mittakaavastasi eikä yleispätevästä totuudesta. Zero-shot-tilanteessa – eli ilman esimerkkejä – seuraava pyyntö jättää mallin epäröimään neutraalin ja negatiivisen välillä: mikään ei kerro sille, lasketaanko toimitusviive tapaukseksi vai pieneksi yksityiskohdaksi sinun kirjassasi.
Classify this customer comment as positive, neutral, or negative:
"The delivery took 3 days longer than expected but the product is fine."
Samat sanat, joita edeltää neljä kalibroitua esimerkkiä, tuottavat kriteereihisi sopivan luokittelun. Neljäs esimerkki on kaikista hyödyllisin: se osoittaa täsmällisesti, ettei hidas toimitus kumoa tyydyttävää arviota.
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."
Milloin tekniikka ratkaisee
Few-shot-kehottaminen on välttämätöntä aina, kun ohje on helpompi näyttää kuin formuloida. Tämä pätee, kun haluat ChatGPT:n kirjoittavan äänelläsi, kun muotoilusi ei vastaa mitään olemassa olevaa standardia tai kun luokittelu perustuu kriteereihin, joita olisi vaikea määritellä yhdellä säännöllä. Se loistaa myös datan muuntamisessa muodosta toiseen ja sarjatuotannossa, jossa kahdenkymmenen sisältökappaleen tulee muistuttaa toisiaan toistamatta itseään.
Kirjoitustyylin jäljentäminen
Paras aiempi työsi on paras mahdollinen määritelmä. Alla olevat kaksi kuvausta välittävät paljon enemmän kuin pelkän sävyn: lyhyiden lauseiden rytmin, aloituksen hyödystä, numeron sijoittamisen keskelle ja lopetuksen konkreettiseen käyttötarkoitukseen. Yksikään adjektiivi ei olisi pystynyt välittämään kaikkea tätä.
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
Tämä on juuri se liike, joka kannattaa kokeilla viikoittain tuottamallesi sisällölle. Liitä kaksi parasta aiempaa tuotostasi, lisää raakamuistiinpanosi ja anna mallin hoitaa muotoilu, jonka teit aiemmin itse.
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]
Datan muuntaminen
Jäsentelemättömän tiedon normalisoimiseksi näytä syöte/tuotos-pari. Malli päättelee samanaikaisesti kaksi asiaa: mitkä kentät poimia ja miten puhekieliset ilmaukset käännetään strukturoiduiksi otsikoiksi – “doesn’t mind doing some backend occasionally” muuttuu “Versatility”-riviksi, mihin mikään yleinen ohje ei olisi pystynyt.
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."
Sisällön tuottaminen erissä
Toistuville toimituksellisille muodoille annotoitu malli voittaa kuvauksen. Alla oleva runko määrittää lohkojen järjestyksen ja pituuden kullekin; asiakastapauksen raakadata täyttää sen vain. Saat sarjan yhtenäisiä julkaisuja, valmiina julkaistavaksi ilman toistuvia toimituksellisia väittelyitä.
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.
Kuinka monta esimerkkiä antaa
Yksi esimerkki – one-shot – riittää yksinkertaiseen muotoiluun. Kaksi tai kolme kattaa useimmat yleiset tehtävät; neljästä viiteen tulee hyödylliseksi, kun kaava on hienovarainen. Sen jälkeen tarkista, tuoako jokainen esimerkki jotain uutta: päällekkäiset esimerkit pidentävät kehotetta parantamatta sitä. Määrää tärkeämpiä ovat kaksi laatua: johdonmukaisuus ja monimuotoisuus. Heterogeenisissä muodoissa olevat esimerkit estävät mallia tietämästä, kumpaa jäljitellä; liian samankaltaiset esimerkit saavat sen oppimaan tietyn tapauksen eikä periaatetta, jolloin se tuottaa vain variaatioita samasta tekstistä.
Aloittaminen ilman esimerkkejä
Ohjekeskus ja OpenAI:n opas päättelymalleille antavat saman neuvon: kokeile ensin ilman esimerkkejä ja lisää niitä vasta, jos tulos ei ole tyydyttävä. Nykyiset mallit selviävät usein ilman esimerkkejä, kun ohje on selkeä, ja huonosti valittu esimerkki voi vetää vastauksen suuntaan, jota et tarkoittanut. Sama opas varoittaa tietystä sudenkuopasta: esimerkkiesi on vastattava ohjeitasi täsmällisesti. Jos ohje pyytää kolmea luettelokohtaa ja esimerkki näyttää viisi, tulos on todennäköisesti heikko.
Kontrastiset esimerkit
Luokittelu- tai arvostelutehtäviin sisällytä rajatapauksia, jotka määrittelevät asteikon ja perustelevat jokaisen arvion sulkeissa. Malli soveltaa tällöin arvosteluperustettasi eikä omaansa – tässä ero arvosanojen 3 ja 5 välillä johtuu numeerisen näytön olemassaolosta, jonka perustelu tekee eksplisiittiseksi.
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?"
Sinun vuorosi
Siirry nollasta few-shotiin. Ota luokittelu- tai kirjoitustehtävä, jota toistat usein. Suorita se ensin ilman esimerkkiä ja kirjaa ylös, mikä meni pieleen. Lisää sitten kaksi esimerkkiä parhaasta työstäsi varmistaen, että ne noudattavat ohjettasi täsmällisesti, ja lisää rajatapaus, jos luokittelu epäröi. Vertaa kolmea tulosta ja säilytä lyhin versio, joka tyydyttää sinut.
Viralliset lähteet: Best practices for prompt engineering with the OpenAI API (OpenAI Help Center) · Prompt engineering · Reasoning best practices (OpenAI API documentation)
Keskeiset asiat
- Few-shot tarkoittaa muutaman esimerkin näyttämistä, jotta ChatGPT toistaa odotetun kaavan
- Kokeile ensin ilman esimerkkejä ja lisää niitä vasta, jos tulos ei ole tyydyttävä
- Useimpiin tehtäviin riittää kaksi tai kolme esimerkkiä; niiden on noudatettava ohjettasi täsmällisesti
- Käytä few-shotia tyyliin, muotoiluun, luokitteluun ja sarjatuotantoon
- Kontrastiset, perustellut esimerkit kalibroivat asteikon arviointitehtäviä varten