Przejdź do głównej treści
Polski— Wybierz język
Menu

Few-shot: Nauka na przykładach

Lekcja 6 z 16 Zaktualizowano 5 listopada 2026 Początkujący
Na tej stronie
  1. Zasada działania
  2. Kiedy ta technika robi różnicę
  3. Odwzorowanie stylu pisania
  4. Transformacja danych
  5. Generowanie treści wsadowo
  6. Ile przykładów podać?
  7. Start bez przykładów
  8. Przykłady kontrastowe
  9. Twoja kolej
  10. Kluczowe wnioski

Nadchodzi moment, gdy sam opis przestaje wystarczać. Opisałeś swój styl pięcioma przymiotnikami, określiłeś format w ośmiu liniach, a ChatGPT nadal nie trafia w sedno. Rozwiązaniem nie jest lepszy opis – to pokazanie przykładu. Promptowanie few-shot polega na dostarczeniu przykładów pożądanej odpowiedzi, aby model mógł wyodrębnić wzorzec i go zastosować. To najskuteczniejsza technika, jaką masz do dyspozycji, by za każdym razem uzyskiwać spójne rezultaty.

Zasada działania

„Few-shot“ odnosi się do promptu uzupełnionego o kilka przykładów, w przeciwieństwie do „zero-shot“, który ich nie zawiera. Podajesz jeden, dwa lub trzy przykłady tego, czego oczekujesz, a następnie prosisz model o kontynuowanie zgodnie z tym samym wzorcem. Różnica jest najbardziej widoczna w przypadkach wymagających subiektywnej oceny, gdzie prawidłowa odpowiedź zależy od Twojej skali, a nie od uniwersalnej prawdy. W podejściu zero-shot – czyli bez żadnych przykładów – poniższe polecenie pozostawia model w wahaniu między oceną neutralną a negatywną: nic nie wskazuje mu, czy opóźnienie dostawy to w Twoich oczach incydent, czy drobiazg.

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

Te same słowa, poprzedzone czterema skalibrowanymi przykładami, dają klasyfikację zgodną z Twoimi kryteriami. Czwarty przykład jest najważniejszy: pokazuje precyzyjnie, że wolna dostawa nie niweluje zadowalającej opinii o produkcie.

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."

Kiedy ta technika robi różnicę

Promptowanie few-shot jest niezbędne zawsze, gdy instrukcję łatwiej pokazać niż sformułować. Dotyczy to sytuacji, w których chcesz, by ChatGPT pisał Twoim stylem, gdy Twój format nie odpowiada żadnemu istniejącemu standardowi lub gdy klasyfikacja opiera się na kryteriach, których trudno byłoby nie dać się zamknąć w jednej regule. Technika ta sprawdza się również doskonale przy konwersji danych z jednego formatu na drugi oraz przy produkcji wsadowej, gdzie dwadzieścia elementów treści musi do siebie pasować, nie powtarzając się jednocześnie.

Odwzorowanie stylu pisania

Twoje najlepsze dotychczasowe prace stanowią najlepszą możliwą specyfikację. Poniższe dwa opisy przekazują znacznie więcej niż sam ton: rytm krótkich zdań, rozpoczęcie od korzyści, umieszczenie liczby w środku i zakończenie konkretnym przypadkiem użycia. Żaden przymiotnik nie byłby w stanie przekazać tego wszystkiego.

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

To dokładnie ten ruch, który warto wypróbować przy treściach produkowanych co tydzień. Wklej dwie swoje najlepsze wcześniejsze realizacje, dodaj swoje surowe notatki i pozwól modelowi zająć się formatowaniem, które dotychczas wykonywałeś samodzielnie.

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]

Transformacja danych

Aby ujednolicić nieuporządkowane informacje, pokaż parę wejście/wyjście. Model wnioskuję dwie rzeczy jednocześnie: które pola wyodrębnić i jak przełożyć swobodne sformułowania na ustrukturyzowane etykiety – fraza „nie ma nic przeciwko okazjonalnej pracy nad backendem“ staje się linią „Wszechstronność“, czego żadna ogólna instrukcja nie byłaby w stanie osiągnąć.

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."

Generowanie treści wsadowo

W przypadku cyklicznych formatów redakcyjnych szablon z adnotacjami sprawdza się lepiej niż opis. Poniższy szkielet ustala kolejność bloków i ich długość; surowe dane z przypadku klienta po prostu je wypełniają. Otrzymujesz serię jednorodnych postów, gotowych do publikacji bez konieczności prowadzenia za każdym razem dyskusji redakcyjnych.

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.

Ile przykładów podać?

Jeden przykład (one-shot) wystarcza przy prostym formacie. Dwa lub trzy pokrywają większość typowych zadań; cztery do pięciu staje się przydatne, gdy wzorzec jest subtelny. Powyżej tej liczby sprawdź, czy każdy przykład wnosi coś nowego: przykłady redundantne wydłużają prompt, nie poprawiając go. Dwie cechy są ważniejsze niż ilość: spójność i różnorodność. Przykłady w niejednorodnych formatach uniemożliwiają modelowi decyzję, który z nich naśladować; przykłady zbyt podobne sprawiają, że uczy się on konkretnego przypadku, a nie zasady, przez co będzie generował warianty tego samego tekstu.

Start bez przykładów

Centrum pomocy i przewodnik OpenAI dotyczący modeli rozumujących udzielają tej samej rady: najpierw spróbuj bez przykładów, a dodaj je dopiero, jeśli wynik nie będzie zadowalający. Obecne modele często radzą sobie bez przykładów, gdy instrukcja jest jasna, a źle dobrany przykład może skierować odpowiedź w stronę, której nie zamierzałeś. Ten sam przewodnik ostrzega przed konkretną pułapką: Twoje przykłady muszą dokładnie odpowiadać Twoim instrukcjom. Jeśli instrukcja żąda trzech punktów wypunktowanych, a przykład pokazuje pięć, wynik prawdopodobnie będzie słaby.

Od zera do few-shot Trzy kroki: spróbuj bez przykładów, używając jasnej instrukcji; jeśli wynik nie jest zadowalający, dodaj dwa przykłady wiernie realizujące instrukcję; jeśli klasyfikacja się waha, dodaj przypadek brzegowy. Zachowaj najkrótszą wersję, która Cię satysfakcjonuje. DODAWAJ PRZYKŁADY TYLKO W RAZIE POTRZEBY Od zera do few-shot 1 Bez przykładów Sama jasna instrukcja 2 Dwa przykłady Wiernie realizujące instrukcję 3 Przypadek brzegowy Jeśli klasyfikacja się waha Zachowaj najkrótszą wersję, która Cię satysfakcjonuje.
Na podstawie artykułu „Best practices for prompt engineering with the OpenAI API“ z Centrum pomocy OpenAI oraz przewodnika „Reasoning best practices“ z dokumentacji API OpenAI (listopad 2026).

Przykłady kontrastowe

W zadaniach klasyfikacji lub oceniania uwzględnij przypadki brzegowe, które definiują skalę i uzasadniają każdą ocenę w nawiasie. Model stosuje wtedy Twoje kryteria, a nie swoje własne – tutaj różnica między 3 a 5 wynika z obecności dowodu liczbowego, co uzasadnienie wyraźnie wskazuje.

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?"

Twoja kolej

Przejdź od zera do few-shot. Weź zadanie klasyfikacji lub pisania, które często powtarzasz. Wykonaj je najpierw bez przykładu i zanotuj, co jest nie tak. Następnie dodaj dwa przykłady zaczerpnięte z Twoich najlepszych prac, sprawdzając, czy dokładnie realizują Twoją instrukcję, a jeśli klasyfikacja się waha – dodaj przypadek brzegowy. Porównaj trzy wyniki i zachowaj najkrótszą wersję, która Cię satysfakcjonuje.

Źródła oficjalne: Best practices for prompt engineering with the OpenAI API (Centrum pomocy OpenAI) · Prompt engineering · Reasoning best practices (dokumentacja API OpenAI)

Kluczowe wnioski

  • Few-shot oznacza pokazanie kilku przykładów, aby ChatGPT odtworzył oczekiwany wzorzec
  • Najpierw spróbuj bez przykładów, a dodaj je dopiero, jeśli wynik nie będzie zadowalający
  • Do większości zadań wystarczą dwa lub trzy przykłady; muszą one dokładnie realizować Twoją instrukcję
  • Stosuj few-shot przy stylizacji, formatowaniu, klasyfikacji i produkcji wsadowej
  • Przykłady kontrastowe i uzasadnione kalibrują skalę w zadaniach oceniających