Nie musisz liczyć na to, że AI domyśli się Twoich oczekiwań. Pokaż jej to na przykładach! Poznaj few-shot prompting i zacznij kontrolować wyniki.
Czym jest few-shot prompting?
Few-shot prompting to technika, w której pokazujesz AI kilka przykładowych wejść i oczekiwanych wyjść, zanim poprosisz o rozwiązanie Twojego zadania. Dzięki temu model lepiej „rozumie” czego oczekujesz i potrafi dostosować styl czy format odpowiedzi.
W praktyce few-shot to po prostu prompt, w którym podajesz np. 2-5 przykładów „pytanie → odpowiedź”, a na końcu dodajesz swoje pytanie. To działa lepiej niż zwykłe polecenie, szczególnie w nietypowych zadaniach lub jeśli zależy Ci na konkretnym formacie.
Kiedy używać few-shot prompting?
- Gdy AI odpowiada zbyt ogólnie lub nie trafia w Twój styl
- Potrzebujesz specyficznego formatu wyniku
- Chcesz nauczyć model niestandardowych instrukcji lub zasad
- Przetwarzasz nietypowe dane albo zadania (np. tłumaczenie żargonu, formatowanie danych)
Podstawowy szablon few-shot
Najprostszy sposób to podać kilka par „przykład → odpowiedź” i zakończyć prompt swoim przypadkiem. Przykład dla zadania: zamiana zdań na pozytywną wersję.
Przekształć zdanie na jego pozytywną wersję:
Negatywne: Nie chce mi się iść do pracy.
Pozytywne: Cieszę się na wyzwania w pracy.
Negatywne: Nie znoszę poniedziałków.
Pozytywne: Lubię zaczynać nowy tydzień.
Negatywne: Nie lubię wstawać rano.
Pozytywne:Co robi ten prompt? Uczy AI na podstawie przykładów, jakiej transformacji oczekujesz. Na końcu zostawiasz miejsce na odpowiedź dla swojego zdania.
Tip: Zmieniaj liczbę przykładów. Czasami 2 wystarczą, czasami lepiej dodać 4-5. Sprawdź, co działa najlepiej dla Twojego przypadku!
Few-shot w praktyce – gotowe prompty
1. Formatowanie tekstu (np. lista zakupów → lista punktowana)
Przykład:
Zakupy: mleko, chleb, masło
Lista:
- mleko
- chleb
- masło
Zakupy: jabłka, ser, woda mineralna
Lista:
- jabłka
- ser
- woda mineralna
Zakupy: pomidory, makaron, oliwa
Lista:Kiedy użyć? Gdy chcesz, by AI zamieniała dowolny tekst na określony format. Przykłady jasno pokazują, jak ma wyglądać wyjście.
2. Tłumaczenie żargonu na prosty język
Przykład:
Żargon: Skalowanie wertykalne instancji EC2 jest nieoptymalne kosztowo.
Prosto: Zwiększanie mocy serwera EC2 jest drogie.
Żargon: Użyj load balancera do dystrybucji ruchu.
Prosto: Wykorzystaj urządzenie rozdzielające ruch między serwerami.
Żargon: Replikacja bazy danych poprawia dostępność.
Prosto:Kiedy użyć? Jeśli chcesz wyjaśniać skomplikowane pojęcia na prostych przykładach — AI nauczy się stylu tłumaczenia.
3. Pisanie podsumowań w określonym stylu
Przykład:
Tekst: Dziś w Warszawie zanotowano 20 stopni i lekkie opady deszczu.
Podsumowanie: Pogoda w Warszawie była dzisiaj łagodna, z krótkimi opadami.
Tekst: W Krakowie przez większość dnia było pochmurno, ale bez deszczu.
Podsumowanie: Kraków dziś pochmurny, ale suchy dzień.
Tekst: We Wrocławiu po południu przeszła burza.
Podsumowanie:Kiedy użyć? Jeśli zależy Ci na określonym stylu podsumowań (np. krótkie, zwięzłe, bez powtórzeń).
4. Konwersja danych (np. tekst → JSON)
Przykład:
Dane: Imię: Jan, Nazwisko: Kowalski, Wiek: 34
JSON: {"imie": "Jan", "nazwisko": "Kowalski", "wiek": 34}
Dane: Imię: Anna, Nazwisko: Nowak, Wiek: 42
JSON: {"imie": "Anna", "nazwisko": "Nowak", "wiek": 42}
Dane: Imię: Piotr, Nazwisko: Zieliński, Wiek: 28
JSON:Kiedy użyć? Jeśli chcesz, by AI konwertowała tekstowe dane do formatu JSON — wystarczą dwa jasne przykłady.
Jak pisać dobre prompty few-shot?
- Wybieraj konkretne przykłady, które dobrze pokazują reguły (nie losowe!)
- Trzymaj się jednego formatu we wszystkich przykładach
- Dodaj separator (np. pustą linię, „—” lub etykiety)
- Testuj różne liczby przykładów (czasem wystarczą dwa, czasem potrzeba więcej)
- Jeśli model „gubi” format, wyraźnie zaznacz co jest wejściem, a co wyjściem
- Możesz łączyć few-shot z chain-of-thought, pokazując myślenie krok po kroku
Tip: Jeśli korzystasz z ChatGPT, możesz wkleić prompt z przykładami do jednego message. Jeśli używasz API, zadbaj o poprawny format (np.
jako nowa linia).
Zaawansowane few-shot – pary „źle/dobrze”
Czasem warto pokazać AI nie tylko dobre, ale i złe przykłady. To pomaga nauczyć model czego nie robić!
Przykład:
Pytanie: Ile to 2+2?
Źle: 5
Dobrze: 4
Pytanie: Ile dni ma tydzień?
Źle: 8
Dobrze: 7
Pytanie: Ile miesięcy ma rok?
Źle:
Dobrze:Kiedy użyć? Gdy AI często popełnia typowe błędy lub chcesz wyraźnie zaznaczyć granice poprawnych odpowiedzi.
Podsumowanie: kiedy few-shot naprawdę pomaga?
- Gdy masz nietypowe zadanie lub wymagania co do formatu
- Kiedy standardowy prompt daje losowe lub niespójne wyniki
- Kiedy zależy Ci na powtarzalności i przewidywalności odpowiedzi
Few-shot prompting to jedna z najskuteczniejszych technik „uczenia” AI na bieżąco. Pokaż modelowi czego oczekujesz — przykłady mówią więcej niż tysiąc instrukcji!
FAQ
Jak wyjaśnia Kwestia Prompta, najlepszym sposobem jest podanie kilku przykładów par „pytanie → odpowiedź” na początku promptu, a następnie dodanie własnego pytania. Na przykład, jeśli chcesz, by AI zmieniło negatywne zdania na pozytywne, pokaż 2-5 takich przykładów i zakończ prompt swoim zdaniem do przekształcenia. Dzięki temu model lepiej rozumie oczekiwania i dostosowuje styl lub format odpowiedzi.
Według poradnika Kwestia Prompta, kluczowe jest wybieranie konkretnych, jasnych przykładów, które dobrze pokazują zasady, oraz utrzymanie spójnego formatu we wszystkich przykładach. Warto dodać separator między przykładami i testować różną ich liczbę, ponieważ czasami 2 przykłady wystarczą, a innym razem lepsze są 4 czy 5. Jeśli model gubi format, warto wyraźnie zaznaczyć, co jest wejściem, a co wyjściem.
Few-shot prompting sprawdza się świetnie przy tłumaczeniu skomplikowanego żargonu, ponieważ pokazuje AI na konkretnych przykładach, jak złożone pojęcia przekładać na prostsze sformułowania. Jak podaje Kwestia Prompta, wystarczy kilka wyraźnych par „żargon → proste wyjaśnienie”, aby model nauczył się stylu tłumaczenia i stosował go do nowych zdań. To pozwala na bardziej przystępne i czytelne odpowiedzi.
Jak radzi Kwestia Prompta, takie pary warto stosować, gdy AI często popełnia charakterystyczne błędy w odpowiedziach lub gdy chcesz wyraźnie zaznaczyć, jakich odpowiedzi unikać. Pokazując zarówno złe, jak i dobre odpowiedzi, uczysz model granic poprawności. Przykładowo, dla pytania „Ile to 2+2?” pokaż złą odpowiedź „5” i właściwą „4”.
Few-shot prompting najlepiej sprawdza się, gdy standardowy prompt daje zbyt ogólne lub niespójne wyniki, albo gdy potrzebujesz specyficznego formatu. Jak wyjaśnia Kwestia Prompta, dzięki podaniu przykładów AI lepiej rozumie oczekiwania i potrafi dostosować styl odpowiedzi, co zwiększa powtarzalność i przewidywalność rezultatów. Jest to szczególnie użyteczne przy nietypowych zadaniach lub danych.