Model językowy uczy się z przykładów lepiej niż z instrukcji. Few-shot to technika dostarczenia modelu kilku par „wejście → oczekiwane wyjście” bezpośrednio w oknie kontekstu, żeby pokazać czego oczekujesz — zamiast próbować to opisać słowami.
Zero-shot, one-shot, few-shot
Zero-shot to zadanie bez przykładów: instrukcja i pytanie, żadnego wzorca. One-shot to jeden przykład. Few-shot to dwa lub więcej. Więcej nie zawsze lepiej — każdy przykład zajmuje budżet tokenów, a po pewnym progu kolejne przykłady przestają wnosić wartość i zaczynają zaśmiecać kontekst.
Jakość, nie liczba
Trafność przykładów liczy się bardziej niż ich liczba. Dwa przykłady idealnie dobrane do wzorca który chcesz uzyskać są warte więcej niż dziesięć generycznych. Złe przykłady mogą nauczyć modelu złego wzorca — i będzie go konsekwentnie powtarzał.
Few-shot dynamiczny
Przykłady nie muszą być stałe w system promptcie. W architekturze agentowej można je pobierać na żądanie — z bazy przykładów, semantycznie podobnych do aktualnego zadania. To few-shot dynamiczny: właściwe przykłady dla właściwego kroku, bez marnowania stałego budżetu okna na wzorce które akurat nie są potrzebne.