НОВОЕ😍 Рабочие процессы, структура компании, шаблоны и холст. Обновление Shtab 3.0 ➜
Попробовать бесплатно
Искусственный интеллектLLMПромптинг

Обучение на нескольких примерах (few-shot)

Подход, при котором в промпт добавляют 2–10 примеров «запрос → правильный ответ», чтобы модель поняла нужный формат и стиль.

КРАТКО
Обучение на нескольких примерах (few-shot) — это техника, при которой модели прямо в промпте показывают несколько правильных ответов. Например, перед запросом «классифицируй отзыв» вы добавляете 3–5 пар «отзыв → метка», и дальше модель сама подхватывает шаблон. Это самый дешёвый способ поднять качество без обучения. Если примеров нет, это zero-shot, если один — one-shot.
СИНОНИМЫ:Обучение на нескольких примерахобучение в контекстеfew-shotfew-shot prompting

До больших моделей подобный подход требовал явного обучения. Современные большие языковые модели умеют обобщать прямо в промпте: если показать им несколько правильных решений, они с высокой вероятностью продолжат в том же духе.

Когда работает особенно хорошо

  • Задача с фиксированной разметкой или категориями.
  • Стандартизированный формат ответа (JSON, таблица, шаблон).
  • Узкая стилистика: тон, длина, использование терминов.

На что обратить внимание

  • Примеры занимают контекст и стоят токенов на каждый запрос.
  • Слишком похожие примеры могут заставить модель зацепиться за них и плохо отвечать на нестандартные входы.
  • Желательно покрывать примерами и крайние случаи: пустой вход, противоречивые данные, нестандартный формат.
КОГДА ПРИМЕНЯТЬ
  • Нужны классификация, извлечение данных, преобразование форматов
  • Обычная инструкция в промпте не даёт стабильного формата ответа
  • Нужно быстро улучшить качество, не доходя до тонкой настройки
КОГДА НЕ СТОИТ
  • Очень сложные многошаговые задачи — несколько примеров их не покроют
  • Когда примеры съедают слишком большую часть контекстного окна
  • Когда хороших примеров просто нет — лучше потратить время на их сбор, чем подавать сомнительные
ПРИМЕР

Промпт классификатора заявок поддержки может выглядеть так: перечисляем категории — «оплата», «ошибка», «запрос доработки», — а дальше даём примеры: «не списались деньги» → оплата; «при нажатии на кнопку ничего не происходит» → ошибка; «хотим интеграцию с 1С» → запрос доработки. В конце идёт текст новой заявки и просьба ответить только одной категорией. На таких 3–5 примерах модель работает заметно стабильнее, чем без них.

КАК ИСПОЛЬЗОВАТЬ В SHTAB

Если примеры повторяются в каждом запросе и съедают много токенов, имеет смысл рассмотреть тонкую настройку: модель запомнит их внутри себя, а промпт станет короче. Так часто получается дешевле при большом потоке запросов.

Попробовать бесплатно

Вопросы про «Обучение на нескольких примерах (few-shot)»

Обучение на нескольких примерах живёт прямо в промпте и не требует трогать модель: примеры подставляются в каждый запрос. Тонкая настройка обновляет веса самой модели, и после неё примеры в промпте уже не нужны. Первый вариант гибче и запускается за час, второй экономичнее при большом потоке запросов, потому что не приходится каждый раз пересылать одни и те же примеры.

Ещё из «Искусственный интеллект»

Вся категория →
MCP (Model Context Protocol, протокол контекста модели)

Открытый протокол, по которому языковые модели и агенты единообразно подключаются к внешним инструментам, данным и сервисам.

MLOps (эксплуатация ML-моделей)

Практики и инструменты для разработки, выкатки и эксплуатации моделей машинного обучения и ИИ в боевой среде — аналог DevOps для машинного обучения.

RAG (поиск с дополнением генерации)

Подход, при котором перед ответом языковая модель ищет подходящие документы в базе знаний и использует их как контекст.

Применяйте термины на практике

База знаний, задачи и цели — в одном сервисе. Бесплатно — без лимита по числу людей.

Попробовать бесплатноВсе термины