Ugrás a főtartalomra
Magyar— Nyelv kiválasztása
Menü

Few-shot: Tanulj példákból

6. lecke 16 közül Frissítve 2026. november 5. Kezdő
Ezen az oldalon
  1. Az elv
  2. Amikor a technika döntő jelentőségű
  3. Írási stílus másolása
  4. Adatok transzformálása
  5. Tartalom kötegelt generálása
  6. Hány példát érdemes megadni?
  7. Kezdés példák nélkül
  8. Kontrasztos példák
  9. Rajtad a sor
  10. Főbb megállapítások

Eljön az a pont, amikor a puszta leírás már nem elég. Öt melléknévvel írtad le a stílusodat, nyolc sorban specifikáltad a formátumot, a ChatGPT mégis mellélő. A megoldás nem a jobb leírás, hanem a mutatás. A few-shot (néhány példa alapú) promptolást úgy alkalmazod, hogy példákat adsz meg a kívánt kimenetről, így a modell képes felismerni a mintázatot és alkalmazni azt. Ez a legmegbízhatóbb technika, ha minden alkalommal konzisztens eredményt szeretnél elérni.

Az elv

A „few-shot“ olyan promptot jelent, amelyet néhány példa kísér, szemben a „zero-shot“ megközelítéssel, ahol nincs példa. Megadsz egyet, kettőt vagy hármat abból, amit szeretnél, majd arra kéred a modellt, hogy folytassa ugyanazon minta alapján. A különbség leginkább szubjektív megítélést igénylő feladatoknál mutatkozik meg, ahol a helyes válasz a te skáládtól függ, nem pedig egy univerzális igazságtól. Zero-shot esetén – vagyis példák nélkül – az alábbi kérés bizonytalanságban hagyja a modellt a semleges és a negatív között: semmi nem árulja el számára, hogy a kézbesítési késés incidensnek számít-e nálad, vagy csupán apró részletnek.

Classify this customer comment as positive, neutral, or negative:
"The delivery took 3 days longer than expected but the product is fine."

Ugyanezek a szavak, négy kalibrált példával megelőzve, a te kritériumaidnak megfelelő osztályozást eredményeznek. A negyedik példa a leghasznosabb: pontosan azt mutatja meg, hogy a lassú kézbesítés nem vonja le a megfelelő értékelést.

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."

Amikor a technika döntő jelentőségű

A few-shot promptolás elengedhetetlen whenever egy utasítást könnyebb megmutatni, mint megfogalmazni. Ez akkor alkalmazandó, ha azt szeretnéd, hogy a ChatGPT a te hangnemedben írjon, amikor a formátumod nem felel meg egyetlen létező szabványnak sem, vagy amikor az osztályozás olyan kritériumokon alapul, amelyeket egyetlen szabályban nehéz lenne definiálni. Kiválóan alkalmas továbbá adatok egyik formátumból a másikba történő konvertálására és kötegelt tartalomgyártásra, ahol húsz tartalmi elemnek hasonlónak kell lennie egymáshoz anélkül, hogy ismételnék önmagukat.

Írási stílus másolása

A legjobb korábbi munkáid jelentik a lehető legjobb specifikációt. Az alábbi két leírás sokkal többet közvetít, mint a puszta hangnem: rövid mondatritmus, előnyökkel való kezdés, egy szám beillesztése a közepébe, és egy konkrét használati esettel való zárás. Egyetlen melléknév sem tudta volna mindezt közvetíteni.

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

Ezt pontosan így érdemes kipróbálni azokon a tartalmakon, amelyeket hetente készítesz. Illeszd be a két legjobb korábbi munkádat, add hozzá a nyers jegyzeteidet, és hagyd, hogy a modell elvégezze azt a formázást, amit eddig te csináltál.

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]

Adatok transzformálása

A rendezetlen információk normalizálásához mutasd meg a bemenet/kimenet párost. A modell egyszerre két dolgot következtet ki: mely mezőket kell kinyerni, és hogyan fordítsa le a laza megfogalmazásokat strukturált címkékké – a „néha nem bánja, ha backend feladatot is végez“ kifejezésből „Sokoldalúság“ sor lesz, amit egyetlen általános utasítással sem lehetett volna elérni.

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."

Tartalom kötegelt generálása

Ismétlődő szerkesztői formátumok esetén egy annotált sablon többet ér, mint egy leírás. Az alábbi váz meghatározza a blokkok sorrendjét és hosszát; az ügyféleset nyers adatai egyszerűen kitöltik azt. Homogén bejegyzések sorozatát kapod eredményül, amelyek minden egyes alkalommal, szerkesztői vita nélkül, készen állnak a közzétételre.

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.

Hány példát érdemes megadni?

Egyetlen példa – one-shot – elég egy egyszerű formátumhoz. Kettő vagy három lefedi a legtöbb gyakori feladatot; négy-öt pedig akkor válik hasznossá, ha a minta finom részleteket rejt. Ezen felül ellenőrizd, hogy minden példa újat hoz-e: a redundáns példák meghosszabbítják a promptot anélkül, hogy javítanák azt. Két tulajdonság fontosabb a mennyiségnél: a konzisztencia és a diverzitás. A heterogén formátumú példák megakadályozzák, hogy a modell tudja, melyiket utánozza; a túlságosan hasonló példák pedig arra késztetik, hogy egy konkrét esetet tanuljon meg a principium helyett, így csak ugyanannak a szövegnek a variációit fogja előállítani.

Kezdés példák nélkül

A súgóközpont és az OpenAI érvelő modellekről szóló útmutatója ugyanazt tanácsolja: először próbáld meg példák nélkül, és csak akkor adj hozzá őket, ha az eredmény nem kielégítő. A jelenlegi modellek gyakran boldogulnak példák nélkül is, ha az utasítás világos, és egy rosszul megválasztott példa olyan irányba terelheti a választ, amit nem szándékoztál. Ugyanez az útmutató egy specifikus buktatóra is figyelmeztet: a példáidnak pontosan egyezniük kell az utasításaiddal. Ha az utasítás három felsorolást kér, a példa pedig ötöt mutat, az eredmény valószínűleg gyenge lesz.

A zero-shot-tól a few-shot-ig Három lépés: próbáld meg példák nélkül, világos utasítással; ha az eredmény nem kielégítő, adj hozzá két, az utasításnak hű példát; ha az osztályozás bizonytalan, vegyél fel egy határesetet. Tartsd meg a legrövidebb, számodra kielégítő verziót. CSAK SZÜKSÉG ESETÉN ADJ MEG PÉLDÁKAT A zero-shot-tól a few-shot-ig 1 Példák nélkül Csak egy világos utasítás 2 Két példa Hűek az utasításhoz 3 Határeset Ha az osztályozás bizonytalan Tartsd meg a legrövidebb, számodra kielégítő verziót.
Az „Best practices for prompt engineering with the OpenAI API“ cikk alapján az OpenAI Súgóközpontjából, valamint a Reasoning best practices útmutatóból az OpenAI API dokumentációjából (2026. november).

Kontrasztos példák

Osztályozási vagy értékelési feladatoknál érdemes határeseteket is includálni, amelyek meghatározzák a skálát, és zárójelben indokolják az egyes osztályzatokat. Így a modell a te értékelési rendszeredet alkalmazza, nem a sajátját – itt a 3-as és az 5-ös közötti különbség a numerikus bizonyíték jelenlétéből adódik, amit az indoklás explicit módon kiemel.

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?"

Rajtad a sor

Lépj a zero-shot-tól a few-shot-ig. Vegyél egy gyakran ismételt osztályozási vagy írási feladatot. Futtasd le először példa nélkül, és jegyezd fel, mi a probléma. Ezután adj hozzá két példát a legjobb munkáid közül, ügyelve arra, hogy pontosan kövessék az utasításodat, majd adj hozzá egy határesetet is, ha az osztályozás bizonytalan. Hasonlítsd össze a három eredményt, és tartsd meg a legrövidebb verziót, amely kielégít.

Hivatalos források: Best practices for prompt engineering with the OpenAI API (OpenAI Help Center) · Prompt engineering · Reasoning best practices (OpenAI API documentation)

Főbb megállapítások

  • A few-shot azt jelenti, hogy mutatsz néhány példát, így a ChatGPT reprodukálja a várt mintázatot
  • Először próbáld meg példák nélkül, és csak akkor adj hozzá őket, ha az eredmény nem kielégítő
  • A legtöbb feladathoz két-három példa elég; ezeknek pontosan követniük kell az utasításodat
  • Alkalmazd a few-shot technikát stílus, formátum, osztályozás és kötegelt gyártás esetén
  • A kontrasztos, indokolt példák kalibrálják a skálát az értékelési feladatokhoz