Few-shot permezz tal-API
F'din il-paġna
Għallem permezz tal-eżempji
Il-few-shot prompting ifisser li tagħti lill-mudell ftit eżempji ta’ input–output qabel ma tibgħat it-talba attwali tiegħek. Mal-API tal-Chat Completions, dawn l-eżempji ma jkollhomx slot speċjali: inti tinjettahom fl-istorja tal-konversazzjoni bħala pari ta’ messagi ffabbrikati bejn user u assistant, daqslikieku l-iskambju seħħ verament. Il-mudell ma jistax jagħmel distinzjoni bejn dawra ġenwina u waħda li ffabbrikajt int, u dan huwa preċiżament dak li jagħmel din it-teknika daqshekk effettiva. Mingħajr fine-tuning, din hija l-aktar mod affidabbli biex tikseb format ta’ output preċiż.
Il-qerq huwa inverżjoni: minflok tiddeskrivi l-format mistenni fit-tul fil-prompt tas-sistema, inti twrih. Għal kompitu ta’ klassifikazzjoni tas-sentiment, tliet eżempji huma biżżejjed biex il-mudell jifhem li għandu jwieġeb b’tikketta b’ittri kbar u xejn aktar.
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
Il-mudell estratta l-mudell—review bħala input, tikketta b’ittri kbar bħala output—u applikah għall-input il-ġdid. L-ebda istruzzjoni ta’ ffurmar ma nkitbet b’mod espliċitu: it-tliet pari kienu biżżejjed.
Kemm-il eżempju għandek tipprovdi
In-numru ta’ eżempji jiddependi fuq id-diffikultà tal-kompitu, u tiltaqa’ ma’ ritorni dejjem jonqsu b’mod qawwi.
| Numru | Meta tużah |
|---|---|
| 0 (zero-shot) | Kompiti sempliċi, immaniġġjati naturalment mill-mudell |
| 1–2 | Format standard tal-output (JSON, tikketta) |
| 3–5 | Klassifikazzjoni b’diversi kategoriji |
| 5–10 | Kompiti kumplessi jew formati speċifiċi ħafna |
Wara għaxar eżempji, taħraq ħafna tokens tal-input mingħajr qligħ proporzjonali: kull talba tiġbed l-istess blokk ta’ eżempji, fatturati fuq kull sejħa. F’dak il-punt, il-fine-tuning isir l-għażla ekonomikament sensata.
Żewġ użi li jbiddlu l-output
L-estrazzjoni ta’ entitajiet imsemmija turi x’jżidu l-eżempji lil hinn minn skema deskritta bis-sħiħ. Dawn jissakkaw mhux biss iċ-ċwievet JSON, iżda wkoll kif jiġu ttrattati l-kategoriji vojta—it-tieni eżempju juri b’mod espliċitu listi vojta minflok qasam nieqes, li jżomm il-parser tiegħek milli jiltaqa’ ma’ struttura mhux mistennija.
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))
It-trasformazzjoni tat-test issegwi loġika differenti: m’intix qed tittrażmetti skema, iżda reġistru ta’ lingwa. Eżempju wieħed ta’ simplifikazzjoni—li tittraduċi l-arkitettura tat-transformer f’sentenza aċċessibbli—jgħallem lill-mudell il-livell mixtieq ta’ astrazzjoni, xi ħaġa li l-ebda istruzzjoni bħal “kun pedagoġiku” ma tikseb b’din il-preċiżjoni.
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)
Few-shot dinamiku
Fil-produzzjoni, sett fiss ta’ eżempji jispiċċa jagħmel ħsara lin-nofs tat-talbiet tiegħek: eżempji tekniċi jneffħu bla bżonn mistoqsija dwar il-fatturar. Is-soluzzjoni hija li tibni bażi ta’ eżempji skont il-kategorija, imbagħad tinjetta biss dawk li jaqblu mal-kuntest skopert minn qabel. Il-funzjoni hawn taħt tikkumbina l-prompt tas-sistema, l-eżempji għall-kategorija, u l-mistoqsija attwali fl-ordni t-tajba.
# 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
)
X’jagħmel sett tajjeb ta’ eżempji
Il-few-shot ifalli l-aktar spiss minħabba nuqqas ta’ diversità: tliet reviews pożittivi ċari u l-mudell se jikklassifika kollox bħala POSITIVE. Kopri każijiet normali u każijiet limitu, inkluż eżempju ta’ dak li l-mudell M’GĦANDUX jagħmel—li turi rifjut spiss ikun aktar effettiv milli tipprojbixxih b’regola. Il-konsistenza fil-forma hija importanti daqqs ieħor: jekk eżempju wieħed jirritorna POSITIVE u ieħor Positive, għadek kemm għallimt lill-mudell li l-kaxxa tal-ittri hija ħielsa.
Żewġ drawwiet jikkompletaw l-eżerċizzju. Għodd it-tokens, peress li kull eżempju huwa fatturat bħala input fuq kull sejħa—sett ta’ tmien pari malajr isir l-aktar sewwieq tal-ispejjeż għal API ta’ klassifikazzjoni b’volum għoli. U ttestja mingħajr eżempji l-ewwel: mudelli reċenti jittrattaw kompiti zero-shot li kienu jeħtieġu ħames eżempji sentejn ilu, u tiffranka dak li ma kellekx bżonn tikteb.
Punti Ewlenin
- Il-few-shot jinjetta pari ffabbrikati ta’ user/assistant qabel it-talba attwali
- 3–5 eżempji huma biżżejjed għall-biċċa l-kbira tal-kompiti ta’ klassifikazzjoni u estrazzjoni
- Uża
temperature=0mal-few-shot biex timmassimizza l-konsistenza - Il-few-shot dinamiku jagħżel eżempji rilevanti bbażati fuq il-kuntest
- Wara 10 eżempji, ikkunsidra l-fine-tuning minflok il-few-shot