Przejdź do głównej treści
Polski— Wybierz język
Menu

Few-Shot Prompting

Lekcja 5 z 16 Zaktualizowano 28 lipca 2026 Początkujący
Na tej stronie
  1. Nauka na przykładach
  2. Zero-shot, one-shot, few-shot: trzy poziomy prowadzenia
  3. Implementacja few-shot z API Mistral
  4. Kiedy stosować few-shot
  5. Ile przykładów dostarczyć
  6. Budowanie dobrych przykładów
  7. Kluczowe wnioski

Nauka na przykładach

Few-shot prompting polega na dostarczeniu modelowi jednego lub kilku przykładów zadania do wykonania przed przesłaniem właściwego zlecenia. Zamiast abstrakcyjnie wyjaśniać, czego oczekujesz, pokazujesz to konkretnie – tak jak trener, który zamiast przez dwadzieścia minut opisywać, jak powinien wyglądać dobry raport ze spotkania, rozdaje dwa wzorcowe egzemplarze i pozwala uczestnikom się z nimi zapoznać. Technika ta jest jedną z najskuteczniejszych metod uzyskiwania precyzyjnych i spójnych wyników w modelach Mistral.

Zasada jest prosta: model opiera się na dostarczonych przykładach, aby zrozumieć oczekiwany format, ton, poziom szczegółowości i logikę, a następnie odwzorowuje ten schemat dla Twojego zlecenia. Dobrze dobrany przykład często zastępuje cały akapit wyjaśnień – i robi to lepiej.

Zero-shot, one-shot, few-shot: trzy poziomy prowadzenia

Słownictwo branżowe wyróżnia trzy warianty w zależności od liczby przykładów. W podejściu zero-shot podajesz instrukcję bez żadnych przykładów, a model polega wyłącznie na swojej wiedzy:

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

Zero-shot sprawdza się w przypadku prostych, powszechnych zadań, które model napotkał tysiące razy podczas treningu. W przypadku zadań specyficznych dla Twojej branży często jest to niewystarczające: model dokona klasyfikacji, ale niekoniecznie zgodnie z Twoimi kryteriami.

W podejściu one-shot pojedynczy przykład czasem wystarcza, aby poprowadzić model. Przykład pokazuje zarówno format wyjścia, jak i sposób uzasadnienia odpowiedzi:

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:

Dzięki few-shot wiele przykładów redukuje niejednoznaczność i wzmacnia spójność. Jest to szczególnie przydatne, gdy aboundują przypadki brzegowe – jak ta mieszana opinia, łącząca punkt pozytywny i negatywny:

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:

Mając trzy przykłady obejmujące trzy kategorie, model „zobaczył“, jak wygląda każdy przypadek, i odpowiednio skalibruje swoją odpowiedź.

Implementacja few-shot z API Mistral

W prompcie tekstowym przykłady układa się jeden nad drugim, jak powyżej. Jednak korzystając z API, istnieje czystsza metoda: wykorzystaj role user i assistant, aby stworzyć sztuczne wymiany zdań służące jako przykłady. Budujesz od zera historię konwersacji, w której model „już“ odpowiedział perfekcyjnie:

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.\""
    }
]

Przekazując przykłady jako wiadomości user/assistant, model traktuje je jako udaną historię konwersacji, którą musi kontynuować w tym samym duchu. Jest to wzorzec, który należy优先 stosować, gdy skalujesz rozwiązanie do produkcji: przykłady pozostają oddzielone od danych, co ułatwia ich utrzymanie i wzbogacanie.

Kiedy stosować few-shot

Few-shot sprawdza się znakomicie w czterech typach sytuacji. Po pierwsze: niestandardowa klasyfikacja. Gdy Twoje kategorie nie są standardowe – na przykład specyficzne typy zgłoszeń wewnętrznych w Twojej firmie – żaden opis nie zastąpi kilku już sklasyfikowanych zgłoszeń. Po drugie: ekstrakcja danych, gdy format wyjścia jest specyficzny dla Twojej organizacji. Po trzecie: pisanie w określonym tonie. Jeśli chcesz, aby model przyjął Twój styl redakcyjny, pokaż mu dwa lub trzy Twoje własne teksty, zamiast próbować opisywać swój styl za pomocą przymiotników. Wreszcie: zadania niejednoznaczne ogólnie. Gdy opis tekstowy nie wystarcza do rozwiania wątpliwości, przykład natychmiast je rozwiązuje.

Ile przykładów dostarczyć

Optymalna liczba zależy od złożoności zadania. W przypadku prostego zadania z jasnym formatem – klasyfikacja binarna, ekstrakcja pojedynczego pola – wystarczą jeden lub dwa przykłady. Dla zadań z wieloma kategoriami lub złożonym formatem przygotuj od trzech do pięciu przykładów, idealnie po jednym na kategorię. Powyżej pięciu przykładów wkraczasz na teren zadań bardzo specyficznych lub takich, które obfitują w przypadki brzegowe wymagające explicitnego omówienia.

Miej jednak na uwadze koszt: każdy przykład zużywa tokeny wejściowe, a w modelach Mistral tokeny wejściowe są płatne. Prompt do klasyfikacji wywoływany dziesięć tysięcy razy dziennie z ośmioma redundantnymi przykładami kosztuje znacznie więcej niż ten sam prompt z trzema dobrze dobranymi przykładami, często bez żadnej gains w jakości. Znajdź właściwy balans między precyzją a efektywnością.

Budowanie dobrych przykładów

Kilka najlepszych praktyk na zakończenie. Urozmaicaj swoje przykłady, aby obejmowały różne możliwe przypadki, w tym przypadki brzegowe: trzy przykłady wyłącznie pozytywne niczego nie nauczą modelu w zakresie obsługi negatywnych opinii. Zachowaj rygorystycznie identyczny format od jednego przykładu do drugiego – najmniejsza zmiana w strukturze zostanie zinterpretowana jako znacząca i odwzorowana. Używaj realistycznych przykładów, bliskich Twoim rzeczywistym danym: model wytrenowany na Twoich prawdziwych opiniach klientów będzie lepiej klasyfikował Twoje prawdziwe opinie klientów niż gdyby widział tylko książkowe frazy. I zawsze umieszczaj właściwe zlecenie na końcu: model poświęca więcej uwagi początkowi i końcowi promptu.

Kluczowe wnioski

  • Few-shot prompting pokazuje modelowi na przykładach, czego oczekujesz
  • Używaj ról user/assistant, aby tworzyć przykłady w API Mistral
  • W większości przypadków wystarczy od 1 do 5 przykładów
  • Urozmaicaj przykłady, aby pokryć różne scenariusze, zachowując wszędzie identyczny format
  • Few-shot jest idealny do klasyfikacji, ekstrakcji i pisania w określonym formacie