'/%3e%3cpath%20d='M83.8172%20112C100.688%20112%20111.886%2098.2694%20112%2083.8882H44.0245C25.8409%2083.8882%2016.001%2094.3169%2016.001%20112H83.8172Z'%20fill='url(%23paint1_linear_101_577)'/%3e%3cpath%20d='M44.1725%2044.1138H16.0008C15.9465%2051.0963%2018.504%2058.2306%2024.2977%2064.0225L44.1706%2083.8881L52.8986%2075.3569L61.7636%2066.7019C63.2767%2065.2244%2063.2786%2062.7888%2061.7636%2061.3094L44.1725%2044.1138Z'%20fill='%233A5FFF'/%3e%3cpath%20d='M83.8248%2083.8862H111.996C112.051%2076.9037%20109.493%2069.7693%20103.7%2063.9774L83.8267%2044.1118L75.0986%2052.6431L66.2337%2061.2981C64.7206%2062.7756%2064.7187%2065.2112%2066.2337%2066.6906L83.8248%2083.8862Z'%20fill='%233A5FFF'/%3e%3cdefs%3e%3clinearGradient%20id='paint0_linear_101_577'%20x1='16.001'%20y1='30.055'%20x2='111.998'%20y2='30.055'%20gradientUnits='userSpaceOnUse'%3e%3cstop%20stop-color='%2370ADFE'/%3e%3cstop%20offset='0.62'%20stop-color='%233A5FFF'/%3e%3c/linearGradient%3e%3clinearGradient%20id='paint1_linear_101_577'%20x1='111.998'%20y1='97.9451'%20x2='16.001'%20y2='97.9451'%20gradientUnits='userSpaceOnUse'%3e%3cstop%20stop-color='%2370ADFE'/%3e%3cstop%20offset='0.62'%20stop-color='%233A5FFF'/%3e%3c/linearGradient%3e%3c/defs%3e%3c/svg%3e)
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.