Kontekst
Dlaczego ten przewodnik ma znaczenie
Nie każdy prompt potrzebuje przykładów. Czasem wystarczy bardzo dobra instrukcja, aby model wygenerował poprawny output. W innych przypadkach brak przykładów powoduje zbyt dużą swobodę i spadek precyzji.
Zero-shot i few-shot prompting to nie konkurencyjne ideologie, ale dwa narzędzia do różnych problemów. Wybór zależy od tego, czy chcesz szerokiego generowania, czy kontrolowanego zachowania na trudnych edge case’ach.
Ta strona pomaga zdecydować, który tryb jest lepszy dla danego zadania i jak wybierać przykłady, które realnie poprawiają jakość.
Executive summary
Najważniejsze wnioski
- Zero-shot jest dobre przy prostym, dobrze zdefiniowanym zadaniu.
- Few-shot działa najlepiej przy stylu, klasyfikacji i trudnych przypadkach granicznych.
- Jeden mocny przykład jest często lepszy niż pięć przeciętnych.
- Przykłady muszą odzwierciedlać realne failure modes.
- Nie zwiększaj kosztu promptu bez jasnego zysku jakościowego.
Blok roboczy
1) Kiedy zero-shot wystarcza
Jeśli zadanie ma czytelny cel, jasny format i niewiele niejednoznaczności, dobrze napisany zero-shot prompt często daje bardzo dobry rezultat. Dotyczy to prostych streszczeń, generowania outline’ów, tworzenia list i pierwszych draftów.
Blok roboczy
2) Kiedy few-shot daje przewagę
Few-shot jest szczególnie przydatny, gdy zależy Ci na konkretnym stylu, ocenie według rubryki, klasyfikacji albo zachowaniu modelu wobec granicznych przypadków. Przykład pokazuje nie tylko „co zrobić”, ale też „jak to ma wyglądać”.
Blok roboczy
3) Jak wybierać przykłady
Najlepsze przykłady są reprezentatywne dla tego, gdzie model zwykle się myli. Nie wybieraj przykładów tylko dlatego, że brzmią dobrze. Wybieraj te, które rozwiązują rzeczywisty problem jakościowy.
Blok roboczy
4) Jak nie przepłacać za few-shot
Każdy dodatkowy przykład zwiększa koszt i długość promptu. Jeśli przykład nie poprawia wyraźnie jakości, lepiej go usunąć i doprecyzować instrukcję. Few-shot ma być precyzyjnym narzędziem, a nie workiem na wszystko.
Biblioteka szablonów
Szablony promptów do ponownego użycia
Zero-shot prompt
Gdy zadanie jest proste i dobrze zdefiniowane.
Działaj jako [ROLA]. Wykonaj zadanie: [ZADANIE]. Odbiorca: [ODBIORCA]. Format odpowiedzi: [FORMAT]. Nie dodawaj informacji, których nie ma w danych wejściowych.
Few-shot prompt
Gdy musisz pokazać styl, rubrykę lub edge case.
Działaj jako [ROLA]. Poniżej masz 2 przykłady oczekiwanego outputu. Przykład 1: [PRZYKŁAD] Przykład 2: [PRZYKŁAD] Teraz wykonaj zadanie: [ZADANIE] Zachowaj ten sam poziom precyzji, strukturę i styl.
Kontrola jakości
Typowe błędy i poprawki
Za dużo przykładów
Problem: Prompt staje się długi, drogi i mniej czytelny.
Poprawka: Używaj minimalnej liczby przykładów potrzebnej do poprawy jakości.
Przykłady nie odpowiadają failure mode
Problem: Model nadal myli się tam, gdzie naprawdę jest problem.
Poprawka: Buduj few-shot na bazie realnych błędów, a nie „ładnych przykładów”.
Zero-shot bez jasnego formatu
Problem: Model daje odpowiedzi o zbyt szerokiej strukturze.
Poprawka: Doprecyzuj output schema zanim dodasz przykłady.
FAQ
Najczęstsze pytania
Czy few-shot zawsze daje lepsze wyniki?
Nie. Często wystarczy dobry zero-shot prompt. Few-shot pomaga wtedy, gdy potrzebna jest większa kontrola nad zachowaniem modelu.
Ile przykładów to zwykle optimum?
Najczęściej 1–3. Jeśli potrzebujesz więcej, problem może leżeć w słabej instrukcji lub źle zdefiniowanym zadaniu.
Czy few-shot działa podobnie w ChatGPT, Claude i Gemini?
Tak, ale każda rodzina modeli może trochę inaczej reagować na przykład i strukturę. Warto porównać te same prompty między modelami.
Źródła
