Few-shot: Uči kroz primjere
Na ovoj stranici
Dođe trenutak kada sam opis više nije dovoljan. Opisao si svoj stil s pet pridjeva, specificirao format u osam redaka, a ChatGPT i dalje promašuje cilj. Rješenje nije bolje opisivanje – već pokazivanje. Few-shot prompting znači pružanje primjera željenog izlaza kako bi model mogao izvući obrazac i primijeniti ga. Ovo je najpouzdanija tehnika koju imaš za postizanje dosljednih rezultata svaki put.
Načelo
„Few-shot“ odnosi se na upit (prompt) popraćen s nekoliko primjera, za razliku od „zero-shot“ koji ih nema. Pružiš jedan, dva ili tri primjera onoga što želiš, a zatim tražiš od modela da nastavi slijediti isti taj obrazac. Razlika je najuočljivija kod subjektivnih procjena, gdje ispravan odgovor ovisi o tvojoj ljestvici, a ne o univerzalnoj istini. Kod zero-shot pristupa – dakle, bez ikakvih primjera – sljedeći zahtjev ostavlja model u nedoumici između neutralnog i negativnog: ništa mu ne govori računa li se kašnjenje isporuke kao incident ili sitnica u tvojoj knjizi.
Classify this customer comment as positive, neutral, or negative:
"The delivery took 3 days longer than expected but the product is fine."
Iste riječi, prethođene s četiri kalibrirana primjera, daju klasifikaciju usklađenu s tvojim kriterijima. Četvrti primjer je od svih najkorisniji: pokazuje precizno da spora isporuka ne poništava zadovoljavajuću recenziju.
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."
Kada tehnika čini razliku
Few-shot prompting je ključan kad god je uputu lakše pokazati nego formulirati. To vrijedi kada želiš da ChatGPT piše tvojim glasom, kada tvoj format ne odgovara nijednom postojećem standardu ili kada se klasifikacija oslanja na kriterije koje bi teško bilo definirati jednim pravilom. Također izvrsno funkcionira pri pretvorbi podataka iz jednog formata u drugi te kod serijske proizvodnje, gdje dvadeset komada sadržaja mora međusobno nalikovati, a da se pritom ne ponavlja.
Repliciranje stila pisanja
Tvoj najbolji dosadašnji rad čini najbolju moguću specifikaciju. Dva opisa u nastavku prenose mnogo više od tona: ritam kratkih rečenica, početak s koristí, ubacivanje broja u sredinu i završetak konkretnim slučajem upotrebe. Nijedan pridjev ne bi mogao prenijeti sve to.
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
Ovo je točno potez koji trebaš isprobati na sadržaju koji proizvodiš svaki tjedan. Zalijepi dva svoja najbolja dosadašnja rada, dodaj svoje sirove bilješke i prepusti modelu formatiranje koje si ranije radio sam.
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]
Transformacija podataka
Za normalizaciju neorganiziranih informacija prikaži par ulaz/izlaz. Model istovremeno zaključuje dvije stvari: koja polja izvući i kako prevesti ležeran izraz u strukturirane oznake – „povremeno radi i na backendu“ postaje redak „Svestranost“, što nijedna opća uputa ne bi mogla postići.
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."
Generiranje sadržaja u serijama
Za ponavljajuće uredničke formate, anotirani predložak vrijedi više od opisa. Donji kostur postavlja redoslijed blokova i duljinu za svaki; sirovi podaci iz slučaja klijenta jednostavno ih popunjavaju. Dobivaš niz homogenih objava, spremnih za objavu bez potrebe za uredničkom raspravom svaki put.
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.
Koliko primjera pružiti
Jedan primjer – one-shot – dovoljan je za jednostavan format. Dva ili tri pokrivaju većinu uobičajenih zadataka; četiri do pet postaju korisni kada je obrazac suptilan. Iznad toga, provjeri donosi li svaki primjer nešto novo: redundantni primjerci produžuju upit bez poboljšanja rezultata. Dvije kvalitete važnije su od količine: dosljednost i raznolikost. Primjeri u heterogenim formatima sprječavaju model da zna koji od njih oponašati; primjeri koji su previše slični tjerau ga da nauči specifičan slučaj umjesto načela, pa će potom proizvoditi varijacije istog teksta.
Početak bez primjera
Centar za pomoć i OpenAI-jev vodič o modelima za zaključivanje daju isti savjet: prvo pokušaj bez primjera, a zatim ih dodaj ako rezultat nije zadovoljavajući. Trenutni modeli često upravljaju bez primjera kada je uputa jasna, a loše odabran primjer može povući odgovor u smjeru koji nisi namjeravao. Isti vodič upozorava na specifičnu zamku: tvoji primjeri moraju točno odgovarati tvojim uputama. Ako uputa traži tri nabrajanja, a primjer prikazuje pet, rezultat će vjerojatno biti loš.
Kontrastni primjeri
Za zadatke klasifikacije ili ocjenjivanja uključi granične slučajeve koji definiraju ljestvicu i opravdavaju svaku ocjenu u zagradi. Model tada primjenjuje tvoju rubriku, a ne svoju – ovdje razlika između 3 i 5 proizlazi iz prisutnosti numeričkog dokaza, što opravdanje čini eksplicitnim.
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?"
Tvoj red
Prijeđi s nule na few-shot. Uzmi zadatak klasifikacije ili pisanja koji često ponavljaš. Prvo ga pokreni bez primjera i zabilježi što nije u redu. Zatim dodaj dva primjera izvučena iz svog najboljeg rada, provjeravajući točno slijede li tvoju uputu, a zatim dodaj granični slučaj ako klasifikacija oklijeva. Usporedi tri rezultata i zadrži najkraću verziju koja te zadovoljava.
Službeni izvori: Best practices for prompt engineering with the OpenAI API (OpenAI Help Center) · Prompt engineering · Reasoning best practices (dokumentacija OpenAI API-ja)
Ključne točke
- Few-shot znači pokazati nekoliko primjera kako bi ChatGPT reproducirao očekivani obrazac
- Prvo pokušaj bez primjera, a zatim ih dodaj ako rezultat nije zadovoljavajući
- Dva do tri primjera dovoljna su za većinu zadataka; moraju točno slijediti tvoju uputu
- Koristi few-shot za stil, format, klasifikaciju i serijsku proizvodnju
- Kontrastni, obrazloženi primjeri kalibriraju ljestvicu za zadatke evaluacije