Hoppa till huvudinnehåll
Svenska— Välj ett språk
Meny

Few-Shot Prompting

Lektion 5 av 16 Uppdaterad 28 juli 2026 Nybörjare
På denna sida
  1. Lär genom exempel
  2. Zero-shot, one-shot, few-shot: tre nivåer av vägledning
  3. Implementera few-shot med Mistral API
  4. När ska du använda few-shot?
  5. Hur många exempel ska du ange?
  6. Skapa bra exempel
  7. Viktiga punkter

Lär genom exempel

Few-shot prompting innebär att du ger modellen ett eller flera exempel på uppgiften den ska utföra innan du skickar den faktiska förfrågan. Istället för att abstrakt förklara vad du förväntar dig, visar du det konkret – precis som en tränare som, istället för att beskriva en bra mötesrapport i tjugo minuter, delar ut två välskrivna exemplar och låter deltagarna ta till sig dem. Denna teknik är en av de mest effektiva för att uppnå precisa och konsekventa resultat med Mistral-modeller.

Principen är enkel: modellen förlitar sig på de angivna exemplen för att förstå det förväntade formatet, tonen, detaljnivån och logiken, och reproducerar sedan detta mönster för din förfrågan. Ett välvalt exempel ersätter ofta ett helt stycke förklaringar – och gör det bättre.

Zero-shot, one-shot, few-shot: tre nivåer av vägledning

Ord förrådet inom området skiljer på tre varianter baserat på antalet exempel. Vid zero-shot ger du en instruktion utan några exempel och modellen förlitar sig enbart på sin kunskap:

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

Zero-shot fungerar för enkla, vanliga uppgifter som modellen stött på tusentals gånger under träningen. För uppgifter som är specifika för din verksamhet är det ofta otillräckligt: modellen kommer att klassificera, men inte nödvändigtvis enligt dina kriterier.

Vid one-shot räcker ibland ett enda exempel för att vägleda modellen. Exemplet visar både utdataformatet och hur man motiverar svaret:

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:

Med few-shot minskar flera exempel tvetydighet och stärker konsekvensen. Detta är särskilt användbart när gränsfall är vanliga – som denna blandade recension som kombinerar en positiv punkt och en negativ punkt:

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:

Med tre exempel som täcker de tre kategorierna har modellen sett hur varje fall ser ut och kommer att kalibrera sitt svar därefter.

Implementera few-shot med Mistral API

I en textprompt staplas exemplen ovanpå varandra. Men med API:t finns det en renare metod: använd rollerna user och assistant för att skapa artificiella utbyten som fungerar som exempel. Du skapar en konversationshistorik från grunden där modellen redan har svarat perfekt:

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.\""
    }
]

Genom att skicka exempel som user/assistant-meddelanden behandlar modellen dem som en lyckad konversationshistorik som den måste fortsätta i samma anda. Detta är mönstret du bör prioritera så snart du skalat upp till produktion: exemplen hålls separata från data, vilket gör dem enkla att underhålla och berika.

När ska du använda few-shot?

Few-shot excellerar i fyra typer av situationer. För det första anpassad klassificering: när dina kategorier inte är standard – till exempel interna ärendetyper specifika för ditt företag – slår inga beskrivningar några få redan klassificerade ärenden. För det andra dataextraktion, när utdataformatet är specifikt för din organisation. För det tredje skrivande med en specifik ton: om du vill att modellen ska anta din redaktionella stil, visa den två eller tre av dina egna texter istället för att försöka beskriva din stil med adjektiv. Slutligen, generellt tvetydiga uppgifter: så snart textbeskrivningen inte räcker för att skingra tvivel, löser ett exempel saken.

Hur många exempel ska du ange?

Det optimala antalet beror på uppgiftens komplexitet. För en enkel uppgift med ett tydligt format – binär klassificering, extraktion av ett enda fält – räcker ett eller två exempel. För en uppgift med flera kategorier eller ett komplext format, räkna med tre till fem exempel, helst ett per kategori. Utöver fem exempel befinner du dig på området för mycket specifika uppgifter eller sådana som är rika på gränsfall som måste täckas explicit.

Tänk dock på kostnaden: varje exempel förbrukar inmatningstokens, och med Mistral-modeller debiteras inmatningstokens. En klassificeringsprompt som anropas tiotusen gånger om dagen med åtta redundanta exempel kostar betydligt mer än samma prompt med tre välvalda exempel, ofta utan någon kvalitetsvinst alls. Hitta rätt balans mellan precision och effektivitet.

Skapa bra exempel

Här kommer några bästa praxis för att avsluta. Variera dina exempel för att täcka olika möjliga fall, inklusive gränsfall: tre helt positiva exempel lär dig ingenting om hur negativa recensioner ska hanteras. Behåll ett strikt identiskt format från ett exempel till nästa – den minsta variationen i struktur kommer att tolkas som betydelsefull och reproduceras. Använd realistiska exempel, nära din verkliga data: en modell som tränats på dina verkliga kundrecensioner kommer att klassificera dina verkliga kundrecensioner bättre än om den bara sett läroboksexempel. Och placera alltid den faktiska förfrågan sist: modellen ägnar mer uppmärksamhet åt början och slutet av prompten.

Viktiga punkter

  • Few-shot prompting visar modellen vad du förväntar dig genom exempel
  • Använd user/assistant-roller för att skapa exempel i Mistral API
  • 1 till 5 exempel räcker i de flesta fall
  • Variera exemplen för att täcka olika scenarier, samma format överallt
  • Few-shot är idealiskt för klassificering, extraktion och skrivande med ett specifikt format