Pereiti prie pagrindinio turinio
Lietuvių— Pasirinkite kalbą
Meniu

Few-shot: mokymasis iš pavyzdžių

Paskaita 6 iš 16 Atnaujinta 2026 m. lapkričio 5 d. Pradedantisiems
Šiame puslapyje
  1. Principas
  2. Kada šis metodas lemia skirtumą
  3. Rašymo stiliaus kopijavimas
  4. Duomenų transformavimas
  5. Turinio generavimas serijomis
  6. Kiek pavyzdžių pateikti
  7. Pradžia be pavyzdžių
  8. Kontrastingi pavyzdžiai
  9. Tavo eilė
  10. Svarbiausi punktai

Ateina momentas, kai vien aprašymo nepakanka. Apibūdinai savo stilių penkiais būdvardžiais, nurodei formatą aštuoniomis eilutėmis, o ChatGPT vis tiek nepataikė į taikinį. Sprendimas – ne geriau aprašyti, o parodyti. „Few-shot“ (mokymasis iš kelių pavyzdžių) reiškia norimo rezultato pavyzdžių pateikimą, kad modelis galėtų išskirti šabloną ir jį pritaikyti. Tai patikimiausias būdas gauti nuoseklius rezultatus kiekvieną kartą.

Principas

„Few-shot“ reiškia užklausą, papildytą keliais pavyzdžiais, priešingai nei „zero-shot“, kur jų nėra. Pateiki vieną, du ar tris norimo rezultato pavyzdžius, o tada prašai modelio tęsti tą patį šabloną. Skirtumas labiausiai pastebimas atliekant subjektyvias užduotis, kai teisingas atsakymas priklauso nuo tavo vertinimo skalės, o ne nuo universalios tiesos. Vykdant „zero-shot“ – tai yra, be jokių pavyzdžių – ši užklausa palieka modelį abejoti tarp neutralaus ir neigiamo vertinimo: niekas jam nepasako, ar pristatymo vėlavimas tavo supratimu yra incidentas, ar tik smulkmena.

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

Tie patys žodžiai, prieš kuriuos pateikti keturi sureguliuoti pavyzdžiai, duoda klasifikaciją, atitinkančią tavo kriterijus. Ketvirtasis pavyzdys yra naudingiausias: jis tiksliai parodo, kad lėtas pristatymas nepanaikina patenkinamo įvertinimo.

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 šis metodas lemia skirtumą

„Few-shot“ raginimas yra būtinas tada, kai instrukciją lengviau parodyti nei suformuluoti. Tai taikoma, kai nori, kad ChatGPT rašytų tavo stiliumi, kai tavo formatas neatitinka jokio esamo standarto arba kai klasifikacija remiasi kriterijais, kuriuos sunku apibrėžti viena taisykle. Šis metodas taip pat puikiai tinka konvertuoti duomenis iš vieno formato į kitą ir vykdyti serijinę gamybą, kai dvidešimt turinio vienetų turi būti panašūs vienas į kitą, bet nesikartoti.

Rašymo stiliaus kopijavimas

Tavo geriausi ankstesni darbai yra geriausia galima specifikacija. Toliau pateikti du aprašymai perteikia daug daugiau nei tik toną: trumpų sakinių ritmą, pradėjimą nuo naudos, skaičiaus įterpimą viduryje ir baigimą konkrečiu naudojimo atveju. Joks būdvardis nebūtų galėjęs to viso perteikti.

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

Būtent tai verta išbandyti su turiniu, kurį kuri kiekvieną savaitę. Įklijuok du savo geriausius ankstesnius darbus, pridėk savo juodraščio pastabas ir leisk modeliui atlikti formatavimą, kurį anksčiau darydavai pats.

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]

Duomenų transformavimas

Norint sutvarkyti netvarkingą informaciją, parodyk įvesties ir išvesties porą. Modelis vienu metu daro dvi išvadas: kuriuos laukus išgauti ir kaip paversti laisvą frazę į struktūrizuotas etiketes – „kartais nenori užsiimti backend’u“ tampa eilute „Lankstumas“, ko nebūtų pasiekusi jokia bendro pobūdžio instrukcija.

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."

Turinio generavimas serijomis

Pasikartojantiems redakciniams formatams anotacija papildytas šablonas yra geriau nei aprašymas. Toliau pateiktas skeletas nustato blokų eiliškumą ir kiekvieno ilgį; žali kliento atvejo duomenys tiesiog užpildo šią struktūrą. Gauni vienodų įrašų seriją, paruoštą publikuoti be redakcinių diskusijų kiekvieną kartą.

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.

Kiek pavyzdžių pateikti

Vieno pavyzdžio („one-shot“) pakanka paprastam formatui. Du ar trys padengia daugumą įprastų užduočių; keturi–penki tampa naudingi, kai šablonas yra subtilus. Viršijus šį skaičių, patikrink, ar kiekvienas pavyzdys atneša ką nors naujo: besikartojantys pavyzdžiai pailgina užklausą, bet jos negerina. Svarbesnės už kiekį yra dvi savybės: nuoseklumas ir įvairovė. Pavyzdžiai nevienodais formatais suklaidina modelį, kurį imituoti; per daug panašūs pavyzdžiai verčia jį išmokti konkretų atvejį, o ne principą, ir tuomet jis kurs to paties teksto variacijas.

Pradžia be pavyzdžių

Pagalbos centras ir OpenAI vadovas apie samprotavimo modelius pateikia tą patį patarimą: pirmiausia bandyk be pavyzdžių, o pridėk jų tik tada, jei rezultatas netenkina. Dabartiniai modeliai dažnai gerai susitvarko be pavyzdžių, kai instrukcija aiški, o netinkamai parinktas pavyzdys gali nukreipti atsakymą linkme, kurios neplanavai. Tas pats vadovas įspėja apie specifinę spąstus: tavo pavyzdžiai turi tiksliai atitikti tavo instrukcijas. Jei instrukcijoje prašoma trijų punktų sąrašo, o pavyzdyje jų penki, rezultatas greičiausiai bus prastas.

Nuo zero iki few-shot Trys žingsniai: bandyk be pavyzdžių naudodamas aiškią instrukciją; jei rezultatas netenkina, pridėk du instrukciją atitinkančius pavyzdžius; jei klasifikacija svyruoja, pridėk ribinį atvejį. Pasilik trumpiausią versiją, kuri tave tenkina. PRIDĖK PAVYZDŽIŲ TIK JEI REIKIA Nuo zero iki few-shot 1 Be pavyzdžių Tik aiški instrukcija 2 Du pavyzdžiai Atitinkantys instrukciją 3 Ribinis atvejis Jei klasifikacija svyruoja Pasilik trumpiausią versiją, kuri tave tenkina.
Remiantis straipsniu „Best practices for prompt engineering with the OpenAI API“ iš OpenAI pagalbos centro ir „Reasoning best practices“ vadovu iš OpenAI API dokumentacijos (2026 m. lapkritis).

Kontrastingi pavyzdžiai

Klasifikavimo ar vertinimo užduotims įtrauk ribinius atvejus, kurie apibrėžia skalę, ir skliaustuose pagrįsk kiekvieną įvertinimą. Tuomet modelis taiko tavo vertinimo taisykles, o ne savąsias – čia skirtumas tarp 3 ir 5 atsiranda dėl skaitmeninio įrodymo buvimo, ką pagrindimas aiškiai išryškina.

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?"

Tavo eilė

Perjunk nuo „zero“ prie „few-shot“. Paimk klasifikavimo ar rašymo užduotį, kurią kartoji dažnai. Pirmiausia ją atlik be pavyzdžio ir užsirašyk, kas negerai. Tada pridėk du pavyzdžius iš savo geriausių darbų, įsitikinęs, kad jie tiksliai atitinka tavo instrukciją, o jei klasifikacija svyruoja – pridėk ribinį atvejį. Palygink tris rezultatus ir pasilik trumpiausią versiją, kuri tave tenkina.

Oficialūs šaltiniai: Best practices for prompt engineering with the OpenAI API (OpenAI pagalbos centras) · Prompt engineering · Reasoning best practices (OpenAI API dokumentacija)

Svarbiausi punktai

  • „Few-shot“ reiškia kelių pavyzdžių rodymą, kad ChatGPT atkartotų laukiamą šabloną
  • Pirmiausia bandyk be pavyzdžių, o pridėk jų tik tada, jei rezultatas netenkina
  • Daugumai užduočių pakanka dviejų ar trijų pavyzdžių; jie turi tiksliai atitikti tavo instrukciją
  • Naudok „few-shot“ stiliui, formatui, klasifikacijai ir serijinei gamybai
  • Kontrastingi, pagrįsti pavyzdžiai sureguliuoja skalę vertinimo užduotims