Few-shot putem API-ja
Na ovoj stranici
Poučavanje primjerima
Few-shot prompting znači da modelu daješ nekoliko primjera ulaz-izlaz prije slanja stvarnog zahtjeva. Kod Chat Completions API-ja, ti primjeri nemaju posebno mjesto: ubacuješ ih u povijest razgovora kao lažne parove poruka user/assistant, kao da se razmjena stvarno dogodila. Model ne može razlikovati stvarni odgovor od onoga koji si izmislio, i upravo to čini tehniku toliko učinkovitom. Bez fino podešavanja (fine-tuning), ovo je najpouzdaniji način za dobivanje preciznog formata izlaza.
Trik je u obrnutom pristupu: umjesto da u sistemskom promptu opširno opisuješ očekivani format, ti ga pokazuješ. Za zadatak klasifikacije sentimenta, tri primjera dovoljna su da model shvati kako mora odgovoriti velikim slovima i ničim drugim.
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
Model je izvukao uzorak – recenzija kao ulaz, oznaka velikim slovima kao izlaz – i primijenio ga na novi ulaz. Nijedna uputa za formatiranje nije bila eksplicitno napisana: tri para bila su dovoljna.
Koliko primjera pružiti
Broj primjera ovisi o težini zadatka, a brzo nailaziš na zakon opadajućih prinosa.
| Broj | Kada ga koristiti |
|---|---|
| 0 (zero-shot) | Jednostavni zadaci koje model prirodno obrađuje |
| 1–2 | Standardni format izlaza (JSON, oznaka) |
| 3–5 | Klasifikacija s više kategorija |
| 5–10 | Složeni zadaci ili vrlo specifični formati |
Preko deset primjera trošiš mnogo ulaznih tokena bez proporcionalne dobiti: svaki zahtjev vuče isti blok primjera, koji se naplaćuje pri svakom pozivu. U tom trenutku, fino podešavanje (fine-tuning) postaje ekonomski smislena opcija.
Dvije uporabe koje mijenjaju izlaz
Ekstrakcija imenovanih entiteta pokazuje što primjeri dodaju uz shemu u potpunosti opisanu u tekstu. Oni zaključavaju ne samo JSON ključeve, već i način rukovanja praznim kategorijama – drugi primjer eksplicitno prikazuje prazne liste umjesto nedostajućeg polja, što sprječava tvoj parser da naiđe na neočekivanu strukturu.
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))
Transformacija teksta slijedi drugačiju logiku: ne prenosiš shemu, već registar jezika. Jedan primjer pojednostavljenja – prijevod arhitekture transformatora u pristupačnu rečenicu – uči model željenoj razini apstrakcije, što nijedna uputa poput „budi pedagoški“ ne bi postigla s ovom preciznošću.
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)
Dinamički few-shot
U proizvodnji, fiksni skup primjera na kraju šteti polovici tvojih zahtjeva: tehnički primjeri nepotrebno napuhuju upit o naplati. Rješenje je izgraditi bazu primjera po kategorijama, a zatim ubaciti samo one koji odgovaraju kontekstu otkrivenom unaprijed. Donja funkcija sastavlja sistemski prompt, primjere za kategoriju i stvarno pitanje ispravnim redoslijedom.
# 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
)
Što čini dobar skup primjera
Few-shot najčešće ne uspijeva zbog nedostatka raznolikosti: tri izričito pozitivne recenzije i model će sve klasificirati kao POSITIVE. Pokrij normalne slučajeve i rubne slučajeve, uključujući primjer onoga što model NE SMIJE učiniti – pokazivanje odbijanja često je učinkovitije od zabrane pravilom. Dosljednost u obliku jednako je važna: ako jedan primjer vraća POSITIVE, a drugi Positive, upravo si naučio model da veličina slova nije bitna.
Dvije navike zaokružuju vježbu. Broji tokene, jer se svaki primjer naplaćuje kao ulaz pri svakom pozivu – skup od osam parova brzo postaje glavni pokretač troškova za API za klasifikaciju velikog obujma. I testiraj prvo bez primjera: noviji modeli u zero-shot načinu rješavaju zadatke za koje su prije dvije godine bila potrebna četiri primjera, pa ćeš uštedjeti ono što nisi trebao ni pisati.
Ključne točke
- Few-shot ubacuje lažne parove user/assistant prije stvarnog zahtjeva
- 3–5 primjera dovoljno je za većinu zadataka klasifikacije i ekstrakcije
- Koristi
temperature=0s few-shotom za maksimalnu dosljednost - Dinamički few-shot odabire relevantne primjere na temelju konteksta
- Preko 10 primjera, razmisli o finom podešavanju umjesto few-shota