Léim go dtí an príomhábhar
Gaeilge— Roghnaigh teanga
Roghchlár

Few-shot tríd an API

Ceacht 10 as 16 Nuashonraithe 2 Samhain 2026 Forbróir
Ar an leathanach seo
  1. Múin le samplaí
  2. Cé mhéad sampla a sholáthar
  3. Dhá úsáid a athraíonn an t-aschur
  4. Few-shot dinimiciúil
  5. Cad a dhéanann sraith mhaith samplaí
  6. Príomhphointí

Múin le samplaí

Ciallaíonn few-shot prompting go dtugann tú cúpla sampla ionchur-aschur don mhúnla sula seolann tú d’iarratas iarbhír. Leis an Chat Completions API, níl aon sliotán speisialta ag na samplaí seo: insteallann tú iad isteach i stair an chomhrá mar phéirí bréige de theachtaireachtaí user/assistant, amhail is dá dtarlódh an malartú i ndáiríre. Ní féidir leis an múnla idirdhealú a dhéanamh idir casadh fíor agus ceann a chruthaigh tú féin, agus is é sin díreach a fhágann go bhfuil an teicníc chomh héifeachtach sin. Gan mionchoigeartú (fine-tuning), is é seo an bealach is iontaofa chun formáid aschuir chruinn a fháil.

Is é an cleas ná inbhéartú: in ionad cur síos fada a dhéanamh ar an bhformáid a bhfuiltear ag súil léi sa chóras-phrompt, taispeánann tú í. I gcás tasc aicmithe mothúchán, tá trí shampla go leor chun a thuiscint a thabhairt don mhúnla go gcaithfidh sé freagairt le lipéad in litreacha móra agus aon rud eile seachas sin.

from mistralai.client import Mistral
import os

client = Mistral(api_key=os.getenv("MISTRAL_API_KEY"))

response = client.chat.complete(
    model="mistral-large-latest",
    messages=[
        {
            "role": "system",
            "content": "You classify the sentiment of customer reviews."
        },
        # Example 1
        {"role": "user", "content": "Review: Fast delivery, product as described. Very satisfied!"},
        {"role": "assistant", "content": "POSITIVE"},
        # Example 2
        {"role": "user", "content": "Review: Package arrived damaged, customer service unreachable."},
        {"role": "assistant", "content": "NEGATIVE"},
        # Example 3
        {"role": "user", "content": "Review: The product is fine but a bit pricey for what it is."},
        {"role": "assistant", "content": "MIXED"},
        # Actual request
        {"role": "user", "content": "Review: Excellent quality, I highly recommend this store."}
    ],
    temperature=0.0
)

print(response.choices[0].message.content)
# POSITIVE

D’aimsigh an múnla an patrún—léirmheas mar ionchur, lipéad in litreacha móra mar aschur—agus chuir sé i bhfeidhm é ar an ionchur nua. Níor scríobhadh aon treoir formáidithe go sainráite: bhí an trí phéire go leor.

Cé mhéad sampla a sholáthar

Braitheann líon na samplaí ar dhea-chastacht an tasc, agus buailfidh tú laghduithe géara ar an toradh go luath.

LíonCathain é a úsáid
0 (zero-shot)Tascanna simplí, a láimhseálann an múnla go nádúrtha
1–2Formáid aschuir chaighdeánach (JSON, lipéad)
3–5Aicmiú le catagóirí iolracha
5–10Tascanna casta nó formáidí an-sonrach

Thar deich sampla, dóann tú go leor tócan ionchur gan gnóthachan comhréireach: tarraingíonn gach iarratas an bloc céanna samplaí leis, agus gearrtar táille orthu ar gach glao. Ag an bpointe sin, is é an mionchoigeartú (fine-tuning) an rogha atá ciallmhar go heacnamaíoch.

Dhá úsáid a athraíonn an t-aschur

Léiríonn eastóscadh ainmnithe (named entity extraction) cad a chuireann samplaí leis thar scéma a thuairiscítear go hiomlán. Glasálann siad ní hamháin eochracha JSON, ach an chaoi a láimhseáiltear catagóirí folamh freisin—taispeánann an dara sampla go sainráite liostaí folamh in ionad réimse atá in easnamh, rud a choinníonn do pharsálaí ó bhuailt le struchtúr gan choinne.

response = client.chat.complete(
    model="mistral-large-latest",
    messages=[
        {
            "role": "system",
            "content": "Extract named entities in JSON format."
        },
        # Example 1
        {
            "role": "user",
            "content": "Pierre Martin joined Google France in Paris in January 2025."
        },
        {
            "role": "assistant",
            "content": '{"personnes": ["Pierre Martin"], "organisations": ["Google France"], "lieux": ["Paris"], "dates": ["janvier 2025"]}'
        },
        # Example 2
        {
            "role": "user",
            "content": "The VivaTech conference organized by Publicis will take place in June."
        },
        {
            "role": "assistant",
            "content": '{"personnes": [], "organisations": ["Publicis"], "lieux": [], "dates": ["juin"]}'
        },
        # Actual request
        {
            "role": "user",
            "content": "Sophie Leclerc, director at Mistral AI, announced a partnership with Microsoft at the AI Paris show on March 15, 2026."
        }
    ],
    temperature=0.0
)

import json
result = json.loads(response.choices[0].message.content)
print(json.dumps(result, indent=2, ensure_ascii=False))

Leanann claochlú téacs loighic eile: ní scéma atá á tharchur agat, ach clár teanga. Múineann sampla amháin simpliúcháin—aistriú ailtireacht transformer go dtí abairt inrochtana—an leibhéal abstractaithe atá ag teastáil don mhúnla, rud nach bhféadfadh aon treoir cosúil le “bí oideachasúil” a bhaint amach leis an chruinneas céanna.

response = client.chat.complete(
    model="mistral-large-latest",
    messages=[
        {
            "role": "system",
            "content": "Transform technical text into a layperson summary."
        },
        # Example
        {
            "role": "user",
            "content": "The model uses a transformer encoder-decoder architecture with multi-head attention and pre-layer RMS normalization."
        },
        {
            "role": "assistant",
            "content": "This AI system uses advanced technology that lets it understand and generate text by analyzing relationships between words in parallel and efficiently."
        },
        # Actual request
        {
            "role": "user",
            "content": "The API uses nucleus sampling with top_p to truncate the probability distribution of candidate tokens during autoregressive generation."
        }
    ]
)

print(response.choices[0].message.content)

Few-shot dinimiciúil

Sa táirgeadh, déanann sraith sheasta samplaí dochar do leath d’iarratais ar a laghad: déanann samplaí teicniúla méadú gan ghá ar cheist bhilleála. Is é an réiteach ná bonn samplaí a thógáil de réir catagóire, agus ansin na cinn sin amháin a instealladh a oireann don chomhthéacs a braitheadh thuas. Cuireann an fheidhm thíos an córas-phrompt, na samplaí don chatagóir, agus an cheist iarbhír le chéile san ord ceart.

# Example base
EXAMPLES = {
    "technical": [
        {"user": "How do I configure a VPN?", "assistant": "Here are the steps..."},
        {"user": "My server is returning a 502 error.", "assistant": "Error 502..."},
    ],
    "sales": [
        {"user": "What are your rates?", "assistant": "Our plans start at..."},
        {"user": "Is there a trial period?", "assistant": "Yes, 14 days..."},
    ],
    "billing": [
        {"user": "I haven't received my invoice.", "assistant": "Check your..."},
        {"user": "How do I change plans?", "assistant": "Go to..."},
    ]
}

def build_messages(category: str, user_question: str) -> list:
    """Build messages with dynamic few-shot."""
    messages = [
        {"role": "system", "content": "Technical support assistant."}
    ]

    # Add examples for the category
    for ex in EXAMPLES.get(category, []):
        messages.append({"role": "user", "content": ex["user"]})
        messages.append({"role": "assistant", "content": ex["assistant"]})

    # Add the actual question
    messages.append({"role": "user", "content": user_question})
    return messages

# Usage
messages = build_messages("technical", "My Docker deployment is failing.")
response = client.chat.complete(
    model="mistral-large-latest",
    messages=messages
)

Cad a dhéanann sraith mhaith samplaí

Is minic a theipeann ar few-shot mar gheall ar easpa éagsúlachta: trí léirmheas dearfach go hiomlán agus aicmeoidh an múnla gach rud mar POSITIVE. Clúdaigh gnáthchásanna agus cásanna imeallacha, lena n-áirítear sampla de rud nach mór don mhúnla a dhéanamh—go minic is éifeachtaí diúltú a thaispeáint ná é a thoirmeasc le riail. Tá comhsheasmhacht sa fhoirm chomh tábhachtach céanna: má thugann sampla amháin POSITIVE ar ais agus ceann eile Positive, tá tú tar éis a mhúineadh don mhúnla go bhfuil an cás litrithe saor in aisce.

Cuireann dhá nós an cleachtadh i gcrích. Comhair na tócan, óir gearrtar táille ar gach sampla mar ionchur ar gach glao—is é tacar ocht bpéire go tapa an príomhthiomántóir costais d’API aicmithe ardtoirte. Agus déan tástáil gan samplaí ar dtús: láimhseálann múnlaí le déanaí tascanna zero-shot a d’éiligh cúig shampla dhá bhliain ó shin, agus sábhálfaidh tú an rud nár ghá duit a scríobh.

Príomhphointí

  • Insteallann Few-shot péirí bréige user/assistant roimh an iarraidh iarbhír
  • Tá 3–5 sampla go leor do chuid is mó na dtascanna aicmithe agus eastósctha
  • Úsáid temperature=0 le few-shot chun comhsheasmhacht a uasmhéadú
  • Roghnaíonn Few-shot dinimiciúil samplaí ábhartha bunaithe ar chomhthéacs
  • Thar 10 sampla, smaoinigh ar mhionchoigeartú in ionad few-shot