Pāriet uz galveno saturu
Latviešu— Izvēlēties valodu
Izvēlne

Few-Shot Prompting

Nodarbība 5 no 16 Atjaunota 2026. gada 28. jūlijs Iesācējs
Šajā lapā
  1. Mācies no piemēriem
  2. Zero-shot, one-shot, few-shot: trīs vadlīniju līmeņi
  3. Few-shot ieviešana, izmantojot Mistral API
  4. Kad izmantot few-shot
  5. Cik daudz piemēru sniegt
  6. Veido labus piemērus
  7. Galvenās atziņas

Mācies no piemēriem

Few-shot prompting (uzdevuma veikšana, sniedzot dažus piemērus) nozīmē, ka pirms faktiskā pieprasījuma nosūtīšanas tu sniedz modelim vienu vai vairākus uzdevuma izpildes piemērus. Abstraktu skaidrojumu vietā par to, ko tu sagaidi, tu parādi to konkrēti — tieši tāpat kā apmācītājs, kurš divdesmit minūšu vietā, stāstot par labu sanāksmes protokolu, izdala divus kvalitatīvus paraugus un ļauj dalībniekiem tos apgūt. Šī metode ir viena no efektīvākajām, lai ar Mistral modeļiem iegūtu precīzus un konsekventus rezultātus.

Princips ir vienkāršs: modelis izmanto sniegtos piemērus, lai saprastu paredzēto formātu, toni, detalizācijas līmeni un loģiku, un pēc tam atkārto šo shēmu tavam pieprasījumam. Labi izvēlēts piemērs bieži vien aizstāj veselu skaidrojuma rindkopu — un dara to vēl labāk.

Zero-shot, one-shot, few-shot: trīs vadlīniju līmeņi

Nozares terminoloģijā izšķir trīs variantus atkarībā no piemēru skaita. Pieejā zero-shot tu sniedz instrukciju bez jebkādiem piemēriem, un modelis paļaujas tikai uz savām zināšanām:

Classify the sentiment of this text as positive, neutral, or negative:
"Customer service was responsive but delivery was late."

Zero-shot darbojas vienkāršiem, izplatītiem uzdevumiem, kurus modelis apmācības laikā ir sastapis tūkstošiem reižu. Uzdevumiem, kas ir specifiski tavam biznesam, tas bieži vien nav pietiekami: modelis veiks klasifikāciju, bet ne obligāti atbilstoši taviem kritērijiem.

Pieejā one-shot dažkārt pietiek ar vienu piemēru, lai virzītu modeli. Piemērs parāda gan izvades formātu, gan to, kā pamatot atbildi:

Classify the sentiment and justify in one sentence.

Example:
Text: "Excellent product, highly recommended!"
Sentiment: positive
Justification: Expression of enthusiasm and explicit recommendation.

To classify:
Text: "Customer service was responsive but delivery was late."
Sentiment:
Justification:

Ar few-shot vairāki piemēri samazina neskaidrības un nostiprina konsekvenci. Tas ir īpaši noderīgi, kad ir daudz robežgadījumu — piemēram, šī jauktā atsauksme, kas apvieno pozitīvu un negatīvu aspektu:

Classify the sentiment and justify in one sentence.

Example 1:
Text: "Excellent product, highly recommended!"
Sentiment: positive
Justification: Expression of enthusiasm and explicit recommendation.

Example 2:
Text: "The price is fair for what it is."
Sentiment: neutral
Justification: Factual evaluation without strong emotion.

Example 3:
Text: "Three weeks of waiting for a defective product."
Sentiment: negative
Justification: Delay issue combined with a quality defect.

To classify:
Text: "Customer service was responsive but delivery was late."
Sentiment:
Justification:

Ar trim piemēriem, kas aptver visas trīs kategorijas, modelis ir redzējis, kā izskatās katrs gadījums, un attiecīgi kalibrēs savu atbildi.

Few-shot ieviešana, izmantojot Mistral API

Teksta promptā piemēri tiek sakrauti viens virs otra, kā parādīts augstāk. Taču, strādājot ar API, pastāv tīrāka metode: izmanto lomas user un assistant, lai izveidotu mākslīgas sarunas, kas kalpo kā piemēri. Tu no nulles izveido sarunas vēsturi, kurā modelis it kā „jau” ir atbildējis perfekti:

messages = [
    {
        "role": "system",
        "content": "You classify customer reviews. Respond only with the indicated format."
    },
    # Example 1
    {
        "role": "user",
        "content": "Classify: \"Excellent product, highly recommended!\""
    },
    {
        "role": "assistant",
        "content": "Sentiment: positive\nJustification: Expression of enthusiasm and explicit recommendation."
    },
    # Example 2
    {
        "role": "user",
        "content": "Classify: \"Three weeks of waiting for a defective product.\""
    },
    {
        "role": "assistant",
        "content": "Sentiment: negative\nJustification: Delay issue combined with a quality defect."
    },
    # Actual request
    {
        "role": "user",
        "content": "Classify: \"Customer service was responsive but delivery was late.\""
    }
]

Ievadot piemērus kā ziņojumus ar lomām user un assistant, modelis tos uztver kā veiksmīgu sarunas vēsturi, kas jāturpina tajā pašā garā. Šī ir prioritārā shēma, tiklīdz pāriet uz ražošanas vidi: piemēri paliek atdalīti no datiem, tos ir viegli uzturēt un papildināt.

Kad izmantot few-shot

Few-shot izceļas četros situāciju veidos. Pirmkārt, pielāgota klasifikācija: kad tavas kategorijas nav standarta — piemēram, tavam uzņēmumam specifiski iekšējo biļešu veidi — neviens apraksts nepārspēs dažas jau klasificētas biļetes. Otrkārt, datu ieguve, kad izvades formāts ir specifisks tavai organizācijai. Treškārt, rakstīšana ar specifisku toni: ja vēlies, lai modelis pieņemtu tavu redakcionālo stilu, parādi tam divus vai trīs savus tekstus, nevis mēģini aprakstīt savu stilu ar īpašības vārdiem. Visbeidzot, vispārīgi neskaidri uzdevumi: tiklīdz teksta apraksts nav pietiekams, lai novērstu šaubas, piemērs visu atrisina.

Cik daudz piemēru sniegt

Optimālais skaits ir atkarīgs no uzdevuma sarežģītības. Vienkāršam uzdevumam ar skaidru formātu — bināra klasifikācija, viena lauka ieguve — pietiek ar vienu vai diviem piemēriem. Uzdevumam ar vairākām kategorijām vai sarežģītu formātu rēķinies ar trim līdz pieciem piemēriem, ideālā gadījumā vienu uz katru kategoriju. Pārsniedzot piecus piemērus, tu nonāc ļoti specifisku uzdevumu teritorijā vai tādos, kas bagāti ar robežgadījumiem, kuri jāaptver eksplicīti.

Tomēr ņem vērā izmaksas: katrs piemērs patērē ievades tokenus, un Mistral modeļiem ievades tokeni ir apmaksājami. Klasifikācijas prompts, ko izsauc desmit tūkstoš reižu dienā ar astoņiem liekiem piemēriem, izmaksā ievērojami vairāk nekā tas pats prompts ar trim labi izvēlētiem piemēriem, bieži vien nedodot nekādu kvalitātes pieaugumu. Atrodi pareizo līdzsvaru starp precizitāti un efektivitāti.

Veido labus piemērus

Nobeigumā — daži labās prakses principi. Variē savus piemērus, lai aptvertu dažādus iespējamos gadījumus, tostarp robežgadījumus: trīs tikai pozitīvi piemēri nemāca, kā apstrādāt negatīvas atsauksmes. Saglabā stingri identisku formātu no viena piemēra līdz nākamajam — mazākās struktūras variācijas tiks interpretētas kā nozīmīgas un atkārtotas. Izmanto reālistiskus piemērus, kas ir tuvi taviem reālajiem datiem: modelis, kas apmācīts uz taviem reālajiem klientu vērtējumiem, klasificēs tavus reālos klientu vērtējumus labāk nekā tad, ja tas būtu redzējis tikai mācību grāmatu frāzes. Un vienmēr novieto faktisko pieprasījumu pašā beigās: modelis pievērš lielāku uzmanību prompta sākumam un beigām.

Galvenās atziņas

  • Few-shot prompting parāda modelim, ko tu sagaidi, izmantojot piemērus
  • Izmanto lomas user un assistant, lai izveidotu piemērus Mistral API vidē
  • Vairumā gadījumu pietiek ar 1 līdz 5 piemēriem
  • Variē piemērus, lai aptvertu dažādus scenārijus, visur saglabājot identisku formātu
  • Few-shot ir ideāli piemērots klasifikācijai, datu ieguvei un rakstīšanai ar specifisku formātu