Попросить нейросеть «написать дружелюбный текст» — примерно как попросить незнакомого человека приготовить вкусный суп. Вроде бы задача понятна. Но что именно считать вкусным, никто не договорился.
Можно долго объяснять: без канцелярита, без восклицательных знаков, короткими предложениями, спокойно, но не сухо. А можно показать два-три удачных текста и сказать: «Сделай по этому принципу».
Это и есть few-shot промптинг — способ поставить задачу ИИ с помощью нескольких примеров.
Что такое few-shot промптинг
Few-shot prompting — это техника, при которой пользователь добавляет в промпт несколько примеров входных данных и подходящих ответов. По ним нейросеть определяет закономерность и выполняет новую задачу в похожем формате.
Например, нам нужно сделать системные сообщения спокойнее и понятнее.
Переписывай сообщения коротко и без обвинения пользователя.
Исходный текст: Вы ввели неверный пароль.
Результат: Пароль не подошёл. Попробуйте ещё раз.
Исходный текст: Вы не заполнили обязательные поля.
Результат: Заполните отмеченные поля.
Исходный текст: Вы выбрали недоступную дату.
Результат:Последнюю строку заканчивает нейросеть. Ей не пришлось отдельно объяснять, какой длины должен быть ответ, можно ли использовать слово «ошибка» и как обращаться к человеку. Это уже видно из примеров.
Важно: few-shot промптинг не обучает модель навсегда. Примеры работают в пределах текущего запроса или диалога и помогают модели понять задачу здесь и сейчас.
Чем few-shot отличается от zero-shot и one-shot
Разница — в количестве примеров внутри промпта.
| Подход | Сколько примеров | Когда использовать |
|---|---|---|
| Zero-shot | 0 | Задача простая, а требования легко описать словами |
| One-shot | 1 | Нужно показать формат или общий принцип ответа |
| Few-shot | Несколько | В задаче есть нюансы, стиль или повторяющаяся логика |
Zero-shot: без примеров
Перепиши сообщение «Вы ввели неверный пароль» спокойно и понятно.Такого запроса может быть достаточно. Но слова «спокойно» и «понятно» нейросеть и человек могут понимать по-разному.
One-shot: один пример
Перепиши сообщение по примеру.
Вы не заполнили обязательные поля → Заполните отмеченные поля.
Вы ввели неверный пароль →Формат уже понятнее, но один пример иногда создаёт случайное правило. Нейросеть может решить, что нужно всегда начинать текст с глагола, хотя вы хотели только убрать обвиняющее «вы».
Few-shot: несколько примеров
Несколько разных примеров показывают не отдельную фразу, а принцип. Чем сложнее задача и чем важнее стабильный результат, тем полезнее этот подход.
Когда few-shot промптинг действительно полезен
Добавлять пять примеров к вопросу «сколько минут в двух часах» бессмысленно. Few-shot нужен там, где правильный ответ зависит не только от фактов, но и от ваших правил.
🦄 Нейросети будут меняться. Названия моделей, тарифы и кнопки тоже. Но база останется: понять задачу, дать контекст, выбрать формат, проверить ответ. Освоить базу — https://ohmyprompt.com/course
Когда нужно сохранить стиль
Нейросеть легко напишет «профессионально и дружелюбно». Проблема в том, что часто это означает бодрый текст с эмодзи, восклицательными знаками и фразами вроде «с радостью поможем».
Если у бренда другой голос, покажите несколько реальных текстов. Так модель быстрее поймёт длину предложений, лексику, интонацию и даже отношение к шуткам.
Когда нужен строгий формат
Few-shot помогает получать ответы с одинаковой структурой: карточки товаров, описания вакансий, заметки после интервью, заголовки, теги или данные для таблицы.
Например:
Преобразуй отзывы в формат:
Проблема | Эмоция | Что улучшить
Отзыв: Я три раза вводил данные карты, но оплата так и не прошла.
Результат: Ошибка оплаты | Раздражение | Проверить форму и текст ошибки
Отзыв: Билет нашёл быстро, но не понял, включён ли багаж.
Результат: Неясные условия тарифа | Сомнение | Показать багаж рядом с ценой
Отзыв: Приложение зависло после подтверждения заказа.
Результат:Когда задача субъективна
«Слишком официально», «достаточно цепко» и «без ИИ-клише» — не точные характеристики. Для одного человека слово «коллеги» нейтральное, для другого — уже корпоративный штамп. Примеры превращают личное ощущение в ориентир, который может считать модель.
Когда нужно классифицировать данные
Можно показать нейросети, как распределять обращения по темам, определять тональность отзывов или присваивать заявкам приоритет. Особенно полезны примеры на границе категорий: очевидные случаи модель часто понимает и без подсказок.
Как составить хороший few-shot промпт
Рабочий промпт обычно состоит из четырёх частей:
- Задача. Что именно должна сделать нейросеть.
- Правила. Какие ограничения нельзя вывести только из примеров.
- Примеры. Несколько пар «входные данные — результат».
- Новый материал. Текст или данные, с которыми нужно поработать.
Универсальный шаблон:
Задача: [что нужно сделать].
Правила:
— [важное ограничение];
— [требование к стилю или содержанию];
— [формат ответа].
Пример 1
Вход: [данные]
Результат: [правильный ответ]
Пример 2
Вход: [данные]
Результат: [правильный ответ]
Теперь выполни задачу.
Вход: [новые данные]
Результат:Как выбирать примеры для промпта
Количество само по себе ничего не гарантирует. Три точных и разных примера полезнее десяти почти одинаковых.
Показывайте типичные случаи
Начните с того, что встречается чаще всего. Если вы пишете ответы поддержки, дайте примеры обычного вопроса, недовольного обращения и ситуации, где пока нет решения.
Добавляйте пограничные случаи
Если модель часто ошибается в конкретной ситуации, добавьте её как отдельный пример. Допустим, положительные отзывы с сарказмом она относит к негативным. Значит, нужен пример именно с сарказмом, а не ещё три очевидно грустных сообщения.
Используйте только правильные ответы
Нейросеть ищет закономерности, но не знает, что вы вставили неудачный пример «просто для контекста». Если хотите показать ошибочный вариант, прямо подпишите его и объясните, что с ним не так. Ещё лучше — не смешивайте плохие и хорошие ответы без необходимости.
Соблюдайте один формат
Если один пример оформлен таблицей, второй — списком, а третий — абзацем, модель будет угадывать, какую структуру выбрать. Одинаковые подписи и разделители снижают количество случайностей.
Не прячьте важные правила только в примерах
Примеры хорошо показывают стиль, но плохо заменяют критичные ограничения. Требование «не давать медицинских рекомендаций», лимит в 100 знаков или запрет публиковать персональные данные лучше написать прямо.
Пример few-shot промпта для текста в стиле бренда
Допустим, нужно писать пуши для сервиса путешествий. Требования: коротко, без давления и обещаний, которые продукт не может выполнить.
Напиши пуш в стиле примеров ниже.
Правила:
— заголовок до 35 знаков;
— текст до 90 знаков;
— без восклицательных знаков;
— не обещай, что цена сохранится.
Ситуация: появились билеты на выбранный поезд.
Заголовок: Билеты появились
Текст: Проверьте места и цены — они могут быстро измениться.
Ситуация: цена авиабилета снизилась.
Заголовок: Билет стал дешевле
Текст: Сейчас он стоит 18 400 ₽. Цена ещё может измениться.
Ситуация: пора зарегистрироваться на рейс.
Заголовок: Открылась регистрация
Текст: Зарегистрируйтесь на сайте авиакомпании до 18:40.
Теперь напиши пуш.
Ситуация: в отеле снова доступны номера на нужные даты.Такой запрос задаёт и голос, и структуру, и продуктовые ограничения. Результат всё равно нужно проверить, особенно длину текста и факты, но количество неожиданных вариантов станет заметно меньше.
Частые ошибки в few-shot промптах
Примеры противоречат инструкции
В правилах написано «не больше одного предложения», а в примерах их по три. Скорее всего, нейросеть выберет тот паттерн, который повторяется чаще. Проверьте, что инструкция и примеры говорят одно и то же.
Все примеры слишком похожи
Модель справляется с тем, что уже видела, и теряется при небольшом изменении входных данных. Добавьте разные сценарии, длину и формулировки, но сохраните общий принцип ответа.
В промпт добавили слишком много текста
Больше примеров — не всегда точнее. Длинный запрос дороже обрабатывать, а важные правила в нём легче потерять. Убирайте дубли и начинайте с трёх-пяти примеров. Если результат нестабилен, ищите пробел в подборке, а не копируйте туда весь архив.
Примеры содержат конфиденциальные данные
Не вставляйте реальные пароли, платёжные данные, медицинские сведения, закрытые документы и персональные данные клиентов. Замените их вымышленными или обезличенными значениями. Даже идеальный промпт не оправдывает утечку информации.
Ответ нейросети принимают без проверки
Few-shot снижает вероятность ошибки, но не отменяет её. Модель может нарушить лимит, придумать факт или неправильно применить правило. Проверка человеком особенно важна для юридических, финансовых, медицинских и публичных материалов.
Как улучшить результат, если примеры не помогли
Сначала посмотрите, где именно ошибается нейросеть. «Пишет плохо» — слишком широкая проблема. Возможно, она использует запрещённые слова, путает категории или меняет формат.
Дальше действуйте по ситуации:
- уточните одно конкретное правило;
- замените неоднозначный пример;
- добавьте пример с ошибочным для модели сценарием;
- отделите исходные данные от инструкции заметными подписями;
- попросите вернуть только результат без пояснений;
- разбейте большую задачу на несколько шагов.
Если требования постоянно меняются, дело может быть не в промпте. Сначала договоритесь внутри команды, какой результат считается хорошим. Нейросеть не разрешит противоречия, которые не разрешили люди.
Коротко: что нужно запомнить
Few-shot промптинг — это способ объяснить задачу ИИ через несколько примеров. Он особенно полезен, когда нужно сохранить стиль, повторить формат, применить внутренние правила или разобраться с неоднозначными категориями.
Начните с трёх-пяти качественных примеров. Выберите разные, но типичные случаи, отдельно пропишите критичные ограничения и проверьте результат. Обычно это работает лучше, чем ещё один абзац с просьбой «сделать текст живым, но профессиональным».
Частые вопросы
Сколько примеров нужно для few-shot промптинга?
Универсального числа нет. Для простой задачи часто хватает трёх-пяти примеров. Если вариантов много, добавляйте не похожие примеры, а новые сценарии и пограничные случаи.
Few-shot промптинг обучает нейросеть?
Нет, он не переобучает модель и не меняет её навсегда. Примеры дают контекст для конкретного запроса или диалога.
Что лучше: подробная инструкция или примеры?
Обычно лучше сочетать оба подхода. Инструкция фиксирует обязательные правила, а примеры показывают, как хороший результат выглядит на практике.
Можно ли использовать few-shot для изображений?
Да, если выбранный ИИ умеет работать с референсами. Изображения помогают показать композицию, цвет, настроение или визуальный стиль. Но требования, которые нельзя нарушать, всё равно стоит описать словами.
Чем few-shot отличается от fine-tuning?
При few-shot примеры добавляют прямо в запрос. Fine-tuning — отдельная настройка модели на наборе данных. Это более сложный процесс, который имеет смысл для регулярных задач и больших объёмов, а не для каждого отдельного промпта.
