[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"general-list":3,"footer-feature-tags":4,"slate-glossary-term-few-shot":66},true,[5,14,20,29,34,40,46,52,56,62],{"id":6,"name":7,"hex":8,"translations":9,"count_pages":13},8,"Компания","#f40925",{"ru":10,"en":11},{"name":7},{"name":12},"Company",9,{"id":15,"name":16,"hex":17,"translations":18,"count_pages":6},26,"Главная страница",null,{"ru":19},{"name":16},{"id":21,"name":22,"hex":23,"translations":24,"count_pages":28},2,"Проекты","#3027ff",{"ru":25,"en":26},{"name":22},{"name":27},"Project",15,{"id":30,"name":31,"hex":17,"translations":32,"count_pages":21},33,"ИИ",{"ru":33},{"name":31},{"id":35,"name":36,"hex":17,"translations":37,"count_pages":39},34,"Комментарии",{"ru":38},{"name":36},4,{"id":41,"name":42,"hex":17,"translations":43,"count_pages":45},25,"Задачи",{"ru":44},{"name":42},24,{"id":47,"name":48,"hex":17,"translations":49,"count_pages":51},27,"Рабочие пространства",{"ru":50},{"name":48},3,{"id":45,"name":53,"hex":17,"translations":54,"count_pages":6},"Kanban-доска",{"ru":55},{"name":53},{"id":57,"name":58,"hex":17,"translations":59,"count_pages":61},23,"Диаграмма Ганта",{"ru":60},{"name":58},1,{"id":28,"name":63,"hex":17,"translations":64,"count_pages":61},"Календарь",{"ru":65},{"name":63},{"detail":67,"more":149},{"id":68,"slug":69,"translations":70,"category":84,"tags":92,"letter":111,"og_image":17,"cover":17,"author_name":17,"author_position":17,"author_avatar":17,"faqs":112,"related":126,"views_count":146,"helpful_yes_count":115,"helpful_no_count":115,"created_at":147,"updated_at":148,"published_at":17},275,"few-shot",{"ru":71},{"title":72,"short_definition":73,"tldr":74,"full_explanation":75,"when_to_apply":76,"when_not_to_apply":77,"examples":78,"tips":79,"synonyms":80,"translation_en":81,"seo_title":82,"seo_description":83},"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.","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.","\u003Cp>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.\u003C\u002Fp>\u003Ch3>Когда работает особенно хорошо\u003C\u002Fh3>\u003Cul>\u003Cli>Задача с фиксированной разметкой или категориями.\u003C\u002Fli>\u003Cli>Стандартизированный формат ответа (JSON, таблица, шаблон).\u003C\u002Fli>\u003Cli>Узкая стилистика: тон, длина, использование терминов.\u003C\u002Fli>\u003C\u002Ful>\u003Ch3>На что обратить внимание\u003C\u002Fh3>\u003Cul>\u003Cli>Примеры занимают контекст и стоят токенов на каждый запрос.\u003C\u002Fli>\u003Cli>Слишком похожие примеры могут заставить модель зацепиться за них и плохо отвечать на нестандартные входы.\u003C\u002Fli>\u003Cli>Желательно покрывать примерами и крайние случаи: пустой вход, противоречивые данные, нестандартный формат.\u003C\u002Fli>\u003C\u002Ful>","\u003Cul>\u003Cli>Нужны классификация, извлечение данных, преобразование форматов\u003C\u002Fli>\u003Cli>Обычная инструкция в промпте не даёт стабильного формата ответа\u003C\u002Fli>\u003Cli>Нужно быстро улучшить качество, не доходя до тонкой настройки\u003C\u002Fli>\u003C\u002Ful>","\u003Cul>\u003Cli>Очень сложные многошаговые задачи — несколько примеров их не покроют\u003C\u002Fli>\u003Cli>Когда примеры съедают слишком большую часть контекстного окна\u003C\u002Fli>\u003Cli>Когда хороших примеров просто нет — лучше потратить время на их сбор, чем подавать сомнительные\u003C\u002Fli>\u003C\u002Ful>","\u003Cp>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.\u003C\u002Fp>","\u003Cp>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.\u003C\u002Fp>","Обучение на нескольких примерах, обучение в контексте, few-shot, few-shot prompting","Few-shot Prompting","Few-shot: обучение на примерах в промпте | Глоссарий Shtab","Few-shot — техника, при которой модели в промпте дают 2–10 примеров. Чем отличается от zero-shot и one-shot, когда применять и как составлять примеры.",{"id":85,"slug":86,"hex":87,"icon":17,"order":85,"translations":88},10,"ai","#a855f7",{"ru":89},{"title":90,"description":91},"Искусственный интеллект","Терминология ИИ и больших языковых моделей: машинное обучение, нейросети, LLM, эмбеддинги, промптинг, RAG, агенты, MLOps, безопасность и этика моделей.",[93,102],{"id":94,"slug":95,"kind":96,"hex":97,"order":98,"translations":99},37,"llm","framework","#7c5ce6",91,{"ru":100},{"title":101},"LLM",{"id":103,"slug":104,"kind":105,"hex":106,"order":107,"translations":108},39,"prompt-technique","tool","#14b8a6",93,{"ru":109},{"title":110},"Промптинг","О",[113,120],{"id":114,"order":115,"translations":116},1611,0,{"ru":117},{"question":118,"answer":119},"Чем few-shot отличается от тонкой настройки?","\u003Cp>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.\u003C\u002Fp>",{"id":121,"order":61,"translations":122},1612,{"ru":123},{"question":124,"answer":125},"Сколько примеров оптимально подавать?","\u003Cp>Чаще всего 2–5. Больше 8–10 редко даёт заметный прирост качества и при этом сильно увеличивает стоимость и время каждого запроса. Если задача требует большего покрытия, это обычно сигнал сменить подход: подключить поиск по своей базе документов, сделать тонкую настройку или разбить задачу на несколько простых шагов с отдельными промптами.\u003C\u002Fp>",{"parent":127,"related":135},[128],{"id":129,"slug":130,"translations":131},273,"prompt",{"ru":132},{"title":133,"short_definition":134},"Промпт","Входной текст, который пользователь или приложение подаёт большой языковой модели и на основании которого она генерирует ответ.",[136,143],{"id":137,"slug":138,"translations":139},277,"prompt-engineering",{"ru":140},{"title":141,"short_definition":142},"Промпт-инжиниринг","Инженерная дисциплина проектирования, тестирования и поддержки промптов как ключевой части ИИ-продукта.",{"id":129,"slug":130,"translations":144},{"ru":145},{"title":133,"short_definition":134},103,"2026-05-11T19:55:51.085409+03:00","2026-05-11T19:55:51.085427+03:00",[150,175,196],{"id":151,"slug":152,"translations":153,"category":158,"tags":161,"letter":173,"cover":17,"updated_at":174,"published_at":17},282,"mcp",{"ru":154},{"title":155,"short_definition":156,"translation_en":157},"MCP (Model Context Protocol, протокол контекста модели)","Открытый протокол, по которому языковые модели и агенты единообразно подключаются к внешним инструментам, данным и сервисам.","Model Context Protocol (MCP)",{"id":85,"slug":86,"hex":87,"icon":17,"order":85,"translations":159},{"ru":160},{"title":90,"description":91},[162,165],{"id":94,"slug":95,"kind":96,"hex":97,"order":98,"translations":163},{"ru":164},{"title":101},{"id":166,"slug":167,"kind":105,"hex":168,"order":169,"translations":170},40,"ai-tool","#5e79ec",94,{"ru":171},{"title":172},"Инструмент ИИ","M","2026-05-11T19:55:53.687297+03:00",{"id":176,"slug":177,"translations":178,"category":183,"tags":186,"letter":173,"cover":17,"updated_at":195,"published_at":17},287,"mlops",{"ru":179},{"title":180,"short_definition":181,"translation_en":182},"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.","MLOps",{"id":85,"slug":86,"hex":87,"icon":17,"order":85,"translations":184},{"ru":185},{"title":90,"description":91},[187,192],{"id":61,"slug":188,"kind":188,"hex":168,"order":61,"translations":189},"methodology",{"ru":190},{"title":191},"Методология",{"id":166,"slug":167,"kind":105,"hex":168,"order":169,"translations":193},{"ru":194},{"title":172},"2026-05-11T19:55:55.482827+03:00",{"id":197,"slug":198,"translations":199,"category":204,"tags":207,"letter":214,"cover":17,"updated_at":215,"published_at":17},278,"rag",{"ru":200},{"title":201,"short_definition":202,"translation_en":203},"RAG (поиск с дополнением генерации)","Подход, при котором перед ответом языковая модель ищет подходящие документы в базе знаний и использует их как контекст.","Retrieval-Augmented Generation (RAG)",{"id":85,"slug":86,"hex":87,"icon":17,"order":85,"translations":205},{"ru":206},{"title":90,"description":91},[208,211],{"id":94,"slug":95,"kind":96,"hex":97,"order":98,"translations":209},{"ru":210},{"title":101},{"id":166,"slug":167,"kind":105,"hex":168,"order":169,"translations":212},{"ru":213},{"title":172},"R","2026-05-11T19:55:52.147205+03:00"]