Обучение на нескольких примерах (few-shot)
До больших моделей подобный подход требовал явного обучения. Современные LLM 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 и когда нет
Применять
- Нужно классификация, извлечение данных, преобразование форматов
- Стандартная инструкция в промпте не даёт стабильного формата ответа
- Нужно быстро улучшить качество, не доходя до тонкой настройки
Не применять
- 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
Примеры применения
Промпт классификатора заявок поддержки может выглядеть так: «Категории: "оплата", "баг", "запрос фичи". Примеры — «не списались деньги» → оплата; «при клике на кнопку ничего не происходит» → баг; «хотим интеграцию с 1С» → запрос фичи. Заявка: ... Ответь только одной из категорий». На таких 3–5 примерах модель работает заметно стабильнее, чем без них.
Часто задаваемые вопросы
Few-shot живёт прямо в промпте и не требует обучения модели. Тонкая настройка обновляет веса самой модели. Few-shot гибче и быстрее запустить, тонкая настройка экономичнее в массовом продакшне, потому что не приходится каждый раз пересылать примеры.
Чаще всего 2–5. Больше 8–10 редко даёт прирост качества и сильно увеличивает стоимость запроса. Если задача требует большего покрытия, обычно это сигнал, что пора либо менять подход (RAG, тонкая настройка), либо разбивать её на подзадачи.