Prejsť na hlavný obsah
Slovenčina— Vyberte jazyk
Menu

Few-shot: Učenie z príkladov

Lekcia 6 z 16 Aktualizované 5. novembra 2026 Začiatočník
Na tejto strane
  1. Princíp
  2. Keď táto technika rozhoduje
  3. Replikovanie štýlu písania
  4. Transformácia údajov
  5. Hromadná generácia obsahu
  6. Koľko príkladov poskytnúť
  7. Začínanie bez príkladov
  8. Kontrastné príklady
  9. Teraz si na rade ty
  10. Kľúčové poznatky

Nastáva moment, keď samotný opis nestačí. Opísal si svoj štýl piatimi prídavnými menami, špecifikoval formát v ôsmich riadkoch a ChatGPT stále netrafí cieľ. Riešením nie je opisovať lepšie – ale ukázať. Few-shot prompting znamená poskytnúť príklady požadovaného výstupu, aby model mohol extrahovať vzor a aplikovať ho. Je to najspoľahlivejšia technika, ktorú máš k dispozícii na dosiahnutie konzistentných výsledkov zakaždým.

Princíp

„Few-shot“ označuje prompt sprevádzaný niekoľkými príkladmi, na rozdiel od „zero-shot“, ktorý žiadne nemá. Poskytneš jeden, dva alebo tri príklady toho, čo chceš, a potom požiadaš model, aby pokračoval podľa toho istého vzoru. Rozdiel je najviditeľnejší pri subjektívnych úsudkoch, kde správna odpoveď závisí od tvojej mierky, nie od univerzálnej pravdy. Pri zero-shot – teda bez akýchkoľvek príkladov – nasledujúca požiadavka nechá model váhať medzi neutrálnym a negatívnym hodnotením: nič mu nepovie, či oneskorenie dodávky počítaš za incident, alebo len za malý detail.

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

Tie isté slová, pred ktorými sú štyri kalibrované príklady, vytvoria klasifikáciu v súlade s tvojimi kritériami. Štvrtý príklad je zo všetkých najužitočnejší: presne ukazuje, že pomalé doručenie neruší spokojné hodnotenie.

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."

Keď táto technika rozhoduje

Few-shot prompting je nevyhnutný vždy, keď je inštrukciu jednoduchšie ukázať než sformulovať. Platí to, keď chceš, aby ChatGPT písal tvojím štýlom, keď tvoj formát nezodpovedá žiadnemu existujúcemu štandardu, alebo keď klasifikácia závisí od kritérií, ktoré by si ťažko definoval jediným pravidlom. Vyniká aj pri konverzii údajov z jedného formátu do druhého a pri hromadnej tvorbe, kde sa dvadsať kusov obsahu musí navzájom podobať, bez opakovania.

Replikovanie štýlu písania

Tvoja najlepšia doterajšia práca predstavuje najlepšiu možnú špecifikáciu. Dva nižšie uvedené opisy conveyujú oveľa viac než len tón: rytmus krátkych viet, začiatok benefitom, vloženie čísla do stredu a zakončenie konkrétnym prípadom použitia. Žiadne prídavné meno by nedokázalo komunikovať všetko toto.

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

Presne toto je krok, ktorý máš vyskúšať na obsahu, ktorý tvoríš každý týždeň. Vlož dva svoje najlepšie minulé výstupy, pridaj svoje surové poznámky a nechaj model vybaviť formátovanie, ktoré si robieval sám.

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]

Transformácia údajov

Na normalizáciu neusporiadaných informácií ukáž pár vstup/výstup. Model odvodí dve veci naraz: ktoré polia extrahovať a ako preložiť neformálne vyjadrenia do štruktúrovaných označení – „nevadí mu občas robiť backend“ sa stane riadkom „Všestrannosť“, čo by žiadna všeobecná inštrukcia nedokázala dosiahnuť.

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."

Hromadná generácia obsahu

Pre opakujúce sa editorské formáty porazí anotovaná šablóna každý opis. Nižšie uvedená kostra nastavuje poradie blokov a dĺžku pre každý z nich; surové údaje z prípadu klienta ich jednoducho vyplnia. Získaš sériu homogénnych príspevkov, pripravených na publikovanie bez potreby editorskej debaty zakaždým.

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.

Koľko príkladov poskytnúť

Jediný príklad – one-shot – stačí na jednoduchý formát. Dva alebo tri pokryjú väčšinu bežných úloh; štyri až päť sa stávajú užitočnými, keď je vzor jemný. Nad touto hranicou skontroluj, či každý príklad prináša niečo nové: redundantné príklady predlžujú prompt bez toho, aby ho zlepšovali. Dve vlastnosti sú dôležitejšie než kvantita: konzistentnosť a diverzita. Príklady v heterogénnych formátoch zabránia modelu vedieť, ktorý má napodobniť; príklady, ktoré sú príliš podobné, ho naučia konkrétny prípad namiesto princípu a následne bude produkovať varianty toho istého textu.

Začínanie bez príkladov

Centrum pomoci a sprievodca OpenAI pre modely založené na uvažovaní dávajú rovnakú radu: najprv skús bez príkladov a pridaj ich až vtedy, ak výsledok nie je uspokojivý. Aktuálne modely sa často zaobídu bez príkladov, keď je inštrukcia jasná, a zle zvolený príklad môže strhnúť odpoveď smerom, ktorý si nezamýšľal. Ten istý sprievodca varuje pred špecifickou pascou: tvoje príklady musia presne zodpovedať tvojim inštrukciám. Ak inštrukcia žiada tri odrážky a príklad ukazuje päť, výsledok bude pravdepodobne zlý.

From zero to few-shot Three steps: try without examples using a clear instruction; add two examples faithful to the instruction if the result isn't satisfactory; add an edge case if classification hesitates. Keep the shortest version that satisfies you. ADD EXAMPLES ONLY IF NEEDED From zero to few-shot 1 Without examples A clear instruction alone 2 Two examples Faithful to the instruction 3 Edge case If classification hesitates Keep the shortest version that satisfies you.
Based on the article "Best practices for prompt engineering with the OpenAI API" from the OpenAI Help Center and the Reasoning best practices guide from the OpenAI API documentation (November 2026).

Kontrastné príklady

Pre úlohy klasifikácie alebo hodnotenia zahrň hraničné prípady, ktoré definujú mierku a odôvodňujú každé hodnotenie v zátvorkách. Model potom aplikuje tvoju rubriku, nie tú svoju – tu pramení rozdiel medzi 3 a 5 z prítomnosti numerického dôkazu, čo odôvodnenie explicitne vyjadruje.

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?"

Teraz si na rade ty

Prejdi od nuly k few-shot. Vezmi si klasifikačnú alebo písaciu úlohu, ktorú často opakuješ. Najprv ju spusti bez príkladu a zaznamenaj, čo je zlé. Potom pridaj dva príklady čerpané z tvojej najlepšej práce a skontroluj, či presne dodržujú tvoju inštrukciu, následne pridaj hraničný prípad, ak klasifikácia váha. Porovnaj tri výsledky a ponechaj si najkratšiu verziu, ktorá ťa uspokojí.

Oficiálne zdroje: Best practices for prompt engineering with the OpenAI API (OpenAI Help Center) · Prompt engineering · Reasoning best practices (OpenAI API documentation)

Kľúčové poznatky

  • Few-shot znamená ukázať niekoľko príkladov, aby ChatGPT reprodukoval očakávaný vzor
  • Najprv skús bez príkladov a pridaj ich až vtedy, ak výsledok nie je uspokojivý
  • Na väčšinu úloh stačia dva až tri príklady; musia presne dodržiavať tvoju inštrukciu
  • Použi few-shot pre štýl, formát, klasifikáciu a hromadnú tvorbu
  • Kontrastné, odôvodnené príklady kalibrujú mierku pre hodnotiace úlohy