Что такое few-shot prompting и как это работает?

Question

Никита Вихров · Answer

# Что такое few-shot prompting и как это работает

Модель не знает, что именно ты от неё хочешь — пока ты не покажешь. Few-shot prompting — это обучение на примерах прямо в промпте: даёшь несколько пар «вход → выход», и модель понимает паттерн.

---

**Zero-shot: без примеров**

```python
from anthropic import Anthropic

client = Anthropic()

response = client.messages.create(
    model="claude-opus-4-5",
    max_tokens=256,
    messages=[{
        "role": "user",
        "content": "Классифицируй отзыв: 'Приложение вылетает каждые 5 минут, невозможно работать'"
    }]
)

print(response.content[0].text)
# → "Этот отзыв является негативным. Пользователь испытывает технические проблемы..."
# Модель ответила правильно, но в своём формате — многословно и непредсказуемо
```

---

**Few-shot: с примерами**

```python
few_shot_prompt = """Классифицируй отзыв на одно из: positive / negative / neutral.
Отвечай только одним словом.

Отзыв: "Отличное приложение, пользуюсь каждый день"
Категория: positive

Отзыв: "Ничего особенного, работает как работает"
Категория: neutral

Отзыв: "Постоянно вылетает, удалил"
Категория: negative

Отзыв: "Приложение вылетает каждые 5 минут, невозможно работать"
Категория:"""

response = client.messages.create(
    model="claude-opus-4-5",
    max_tokens=16,
    messages=[{"role": "user", "content": few_shot_prompt}]
)

print(response.content[0].text)
# → "negative"
# Теперь модель отвечает в нужном формате
```

---

**Где few-shot особенно важен**

**Нестандартный формат вывода.** Если нужен конкретный JSON, CSV, или специфическая структура — покажи примеры.

```python
prompt = """Извлеки данные из текста в JSON.

Текст: "Иван Петров, 35 лет, backend-разработчик в Яндексе"
JSON: {"name": "Иван Петров", "age": 35, "role": "backend-разработчик", "company": "Яндекс"}

Текст: "Мария Сидорова, senior PM, работает в Тинькофф, 8 лет опыта"
JSON: {"name": "Мария Сидорова", "age": null, "role": "senior PM", "company": "Тинькофф"}

Текст: "Алексей, 28, фронтендер-фрилансер"
JSON:"""
```

**Специфическая классификация.** Когда категории неочевидны и граница между ними тонкая — примеры граничных случаев помогают модели.

**Нужен конкретный стиль.** Хочешь короткие ответы без вводных слов — покажи несколько таких ответов.

---

**Сколько примеров нужно**

1–2 примера — модель понимает формат.
3–5 примеров — модель понимает паттерн и граничные случаи.
Больше 10 — редко даёт прирост, но увеличивает стоимость запроса.

Правило: начни с 2–3, проверь на реальных данных, добавляй примеры только если ошибается на конкретных типах входных данных.

---

**Few-shot через роли — чище и удобнее**

Вместо примеров в одном сообщении — чередуй роли user/assistant:

```python
response = client.messages.create(
    model="claude-opus-4-5",
    max_tokens=16,
    system="Классифицируй отзывы. Отвечай только: positive / negative / neutral",
    messages=[
        {"role": "user", "content": "Отличное приложение, пользуюсь каждый день"},
        {"role": "assistant", "content": "positive"},
        {"role": "user", "content": "Постоянно вылетает, удалил"},
        {"role": "assistant", "content": "negative"},
        {"role": "user", "content": "Приложение вылетает каждые 5 минут, невозможно работать"},
    ]
)

print(response.content[0].text)  # → "negative"
```

Этот подход чище: примеры отделены от задачи, легче добавлять и убирать.

Что такое few-shot prompting и как это работает?

Ответы

Что такое few-shot prompting и как это работает

Каталог