Few-shot: leren door voorbeelden
Op deze pagina
Er komt een moment waarop beschrijven alleen niet meer volstaat. U hebt uw stijl met vijf bijvoeglijke naamwoorden omschreven, uw opmaak in acht regels gespecificeerd, en ChatGPT mist nog steeds het doel. De oplossing is niet beter beschrijven, maar laten zien. Few-shot prompting betekent dat u voorbeelden van de gewenste uitvoer verstrekt, zodat het model het patroon kan extraheren en toepassen. Dit is de meest betrouwbare techniek die u hebt om telkens weer consistente resultaten te krijgen.
Het principe
“Few-shot” verwijst naar een prompt die wordt vergezeld van een paar voorbeelden, in tegenstelling tot “zero-shot”, waarbij geen voorbeelden zijn. U geeft één, twee of drie voorbeelden van wat u wilt, en vraagt het model vervolgens om datzelfde patroon te volgen. Het verschil komt het meest naar voren bij subjectieve oordelen, waarbij het juiste antwoord afhangt van uw schaal in plaats van van een universele waarheid. Bij zero-shot – dat wil zeggen zonder voorbeelden – laat het volgende verzoek het model aarzelen tussen neutraal en negatief: niets vertelt het of een leveringsvertraging voor u een incident is of een klein detail.
Classify this customer comment as positive, neutral, or negative:
"The delivery took 3 days longer than expected but the product is fine."
Dezelfde woorden, voorafgegaan door vier gekalibreerde voorbeelden, leveren een classificatie op die aansluit bij uw criteria. Het vierde voorbeeld is het nuttigst van allemaal: het laat precies zien dat een trage levering een tevreden beoordeling niet tenietdoet.
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."
Wanneer de techniek het verschil maakt
Few-shot prompting is essentieel wanneer een instructie makkelijker te tonen is dan te formuleren. Dit geldt wanneer u wilt dat ChatGPT in uw stem schrijft, wanneer uw opmaak niet overeenkomt met een bestaande standaard, of wanneer classificatie berust op criteria die u moeilijk in één regel kunt definiëren. Het blinkt ook uit in het converteren van gegevens van het ene formaat naar het andere en bij batchproductie, waarbij twintig contentstukken op elkaar moeten lijken zonder zich te herhalen.
Een schrijfstijl repliceren
Uw beste eerdere werk vormt de best mogelijke specificatie. De twee onderstaande beschrijvingen geven veel meer weer dan alleen toon: het ritme van korte zinnen, beginnen met een voordeel, halverwege een getal noemen en eindigen met een concrete use case. Geen enkel bijvoeglijk naamwoord had dat allemaal kunnen overbrengen.
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
Dit is precies de zet die u moet proberen op content die u elke week produceert. Plak twee van uw beste eerdere leveringen, voeg uw ruwe notities toe en laat het model de opmaak afhandelen die u eerder zelf deed.
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]
Gegevens transformeren
Om ongeorganiseerde informatie te normaliseren, toont u het input/output-paar. Het model leidt twee dingen tegelijk af: welke velden moeten worden geëxtraheerd en hoe informele formuleringen worden vertaald naar gestructureerde labels. “Doesn’t mind doing some backend occasionally” wordt zo een regel “Versatility”, iets wat geen enkele algemene instructie voor elkaar had gekregen.
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."
Content in batches genereren
Voor terugkerende redactionele formaten verslaat een geannoteerd sjabloon een beschrijving. Het onderstaande skelet legt de blokvolgorde en lengte voor elk vast; de ruwe data uit de klantcase vult het simpelweg in. U krijgt een reeks homogene posts, klaar om te publiceren zonder elke keer redactioneel overleg.
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.
Hoeveel voorbeelden moet u geven?
Eén voorbeeld – one-shot – volstaat voor een eenvoudig formaat. Twee of drie dekken de meeste gangbare taken; vier tot vijf worden nuttig wanneer het patroon subtiel is. Ga daarboven na of elk voorbeeld iets nieuws toevoegt: redundante voorbeelden verlengen de prompt zonder deze te verbeteren. Twee kwaliteiten zijn belangrijker dan kwantiteit: consistentie en diversiteit. Voorbeelden in heterogene formaten voorkomen dat het model weet welk het moet imiteren; voorbeelden die te veel op elkaar lijken, laten het een specifiek geval leren in plaats van het principe, waarna het varianten van dezelfde tekst produceert.
Beginnen zonder voorbeelden
Het helpcentrum en de handleiding van OpenAI over reasoning-modellen geven hetzelfde advies: probeer het eerst zonder voorbeelden en voeg ze pas toe als het resultaat niet bevredigend is. Huidige modellen redden het vaak zonder voorbeelden wanneer de instructie helder is, en een slecht gekozen voorbeeld kan de respons in een richting trekken die u niet bedoelde. Dezelfde handleiding waarschuwt voor een specifieke valkuil: uw voorbeelden moeten exact overeenkomen met uw instructies. Als de instructie om drie opsommingstekens vraagt en het voorbeeld er vijf toont, is het resultaat waarschijnlijk slecht.
Gecontrasteerde voorbeelden
Neem voor classificatie- of beoordelingstaken randgevallen op die de schaal definiëren en rechtvaardig elke beoordeling tussen haakjes. Het model past dan uw rubriek toe, niet de zijne. Hier komt het verschil tussen 3 en 5 door de aanwezigheid van numeriek bewijs, wat de rechtvaardiging expliciet maakt.
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?"
Aan de slag
Ga van zero naar few-shot. Neem een classificatie- of schrijftaak die u vaak herhaalt. Voer deze eerst uit zonder voorbeeld en noteer wat er misgaat. Voeg vervolgens twee voorbeelden toe uit uw beste werk, waarbij u controleert of ze uw instructie exact volgen, en voeg een randgeval toe als de classificatie aarzelt. Vergelijk de drie resultaten en houd de kortste versie die u bevalt.
Officiële bronnen: Best practices for prompt engineering with the OpenAI API (OpenAI Help Center) · Prompt engineering · Reasoning best practices (OpenAI API-documentatie)
Belangrijkste punten
- Few-shot betekent dat u een paar voorbeelden toont zodat ChatGPT het verwachte patroon reproduceert
- Probeer het eerst zonder voorbeelden en voeg ze pas toe als het resultaat niet bevredigend is
- Twee tot drie voorbeelden volstaan voor de meeste taken; ze moeten uw instructie exact volgen
- Gebruik few-shot voor stijl, opmaak, classificatie en batchproductie
- Gecontrasteerde, gerechtvaardigde voorbeelden kalibreren de schaal voor evaluatietaken