Что такое few-shot промптинг — как «дообучить» модель прямо в запросе

Смотри, неожиданная штука: ты можешь подстроить модель под себя прямо в запросе — без обучения, без кода, без файлов. Просто показав ей пару примеров «вот так надо». Модель подхватывает образец на лету и продолжает в том же духе. Этот приём называется few-shot, и он закрывает половину случаев, когда «ИИ отвечает не в том формате».

Что это такое в одной фразе

Few-shot промптинг — это когда ты даёшь модели несколько примеров (англ. shot — «попытка», «образец») прямо в запросе, чтобы она поняла, какой ответ ты хочешь. Не описываешь словами, а показываешь.

Есть три уровня:

• Zero-shot — ноль примеров. Просто просишь: «определи тональность отзыва». Модель угадывает формат сама.
• One-shot — один пример. «Вот отзыв → вот ответ. Теперь сделай так же для нового».
• Few-shot — несколько примеров (обычно 2–5). Чем чётче нужен формат, тем больше образцов.

Аналогия: новый сотрудник. Можно сказать «оформляй заявки правильно» (zero-shot) — и получить разнобой. А можно показать три готовых, правильно оформленных заявки и сказать «делай по образцу». Со вторым вариантом промахов почти нет.

Как это выглядит на деле

Сравни два подхода к одной задаче — рассортировать отзывы.

Слабый вариант оставляет формат на волю модели — она может ответить абзацем рассуждений. Сильный показывает три образца, и модель уже знает: одно слово, один из трёх вариантов. Ответ предсказуем — а это всё, что нужно, когда результат идёт дальше в код или таблицу.

Почему это работает (и почему это не дообучение)

Тут легко запутаться, поэтому скажем прямо: few-shot ничему модель не учит. Веса не меняются, ничего не запоминается на будущее. Примеры живут только в текущем запросе — это называется обучением «в контексте». Закрыл чат — и модель снова их не знает.

Думай об этом как о подсказке прямо перед ответом, а не как о тренировке. Поэтому few-shot и дообучение — разные вещи: первое бесплатно и мгновенно, но действует один раз; второе по-настоящему меняет модель, но требует данных, времени и денег. Для 90% задач новичку хватает few-shot.

Когда доставать этот приём

• Нужен строгий формат — JSON, таблица, один из заданных вариантов. Пара примеров надёжнее любого описания словами.
• Важен стиль или тон — покажи 2–3 фразы «как мы пишем», и модель попадёт в голос.
• Задача с подвохом — где словами объяснить трудно, а на примере очевидно. Пограничные случаи (что считать «смешанным» отзывом) лучше показать, чем описать.

А вот для простого вопроса примеры не нужны — zero-shot справится, и не будешь тратить место в запросе. Если же даже с примерами модель промахивается — копни глубже в разбор, почему промпт не работает.

Вопрос: сколько примеров давать?

Начни с двух-трёх. Этого хватает, чтобы задать формат. Добавляй ещё, если видишь, что модель путается на каких-то случаях — покрой их примером. Но не переусердствуй: десять однотипных образцов раздувают запрос и почти не улучшают ответ. Лучше три разных примера, чем десять похожих.

Вопрос: few-shot — это и есть промпт-инжиниринг?

Это один из базовых приёмов, но не весь. Промпт-инжиниринг — это вообще про то, как формулировать задачу: роль, контекст, ограничения, примеры. Few-shot отвечает за «примеры». Чтобы собрать всё вместе, посмотри, как написать хороший промпт и подборку приёмов, которые правда работают.