Few-shot vs. zero-shot prompting: Πότε να χρησιμοποιείτε το καθένα
Ένας πρακτικός οδηγός για να επιλέγετε τη σωστή προσέγγιση prompting για κάθε εργασία, με έτοιμα παραδείγματα και ένα απλό πλαίσιο απόφασης.
Επικολλάτε ένα prompt στο ChatGPT. Το αποτέλεσμα είναι... καλό. Έχετε όμως δει άλλους να παίρνουν εντυπωσιακά καλύτερα αποτελέσματα προσθέτοντας «παραδείγματα» στα prompts τους. Πρέπει να το κάνετε κι εσείς; Πόσα παραδείγματα; Έχει νόημα για τη δική σας εργασία;
Αυτές οι ερωτήσεις επιστρέφουν διαρκώς, και η ορολογία δεν βοηθά. «Zero-shot», «few-shot», «one-shot» — μοιάζουν περισσότερο με όρους φωτογραφίας παρά με πρακτικές οδηγίες. Αυτός ο οδηγός παρακάμπτει την ορολογία και σας δίνει ένα ξεκάθαρο πλαίσιο για να επιλέξετε ποια προσέγγιση να χρησιμοποιήσετε, μαζί με ολοκληρωμένα prompts που μπορείτε να αντιγράψετε και να δοκιμάσετε μόνοι σας.
Τι σημαίνει στην πράξη το zero-shot prompting
Zero-shot prompting σημαίνει ότι δίνετε στο AI μια εργασία χωρίς να του δείχνετε κανένα παράδειγμα του αποτελέσματος που θέλετε. Περιγράφετε τι χρειάζεστε και το μοντέλο βρίσκει μόνο του τον τρόπο να το κάνει, βασισμένο στην εκπαίδευσή του.
Ορίστε ένα zero-shot prompt για σύνοψη μιας συνάντησης:
Summarize the following meeting notes into 3-5 bullet points covering the key decisions made.
Meeting notes:
{{meeting_notes}}
Αυτό είναι όλο. Καμία επίδειξη «καλών» συνόψεων, καμία δειγματοληπτική είσοδος και έξοδος. Εμπιστεύεστε στο μοντέλο να καταλάβει πώς μοιάζει μια σύνοψη και τι σημαίνει «βασικές αποφάσεις». Για πολλές εργασίες, αυτό λειτουργεί παραδόξως καλά.
Τι σημαίνει στην πράξη το few-shot prompting
Few-shot prompting σημαίνει ότι συμπεριλαμβάνετε 2 έως 5 παραδείγματα μέσα στο prompt που δείχνουν το μοτίβο που θέλετε να ακολουθήσει το AI. Ουσιαστικά λέτε «έτσι θέλω να χειριστείς αυτό το ζήτημα» πριν δώσετε την πραγματική εργασία.
Ορίστε η ίδια εργασία σύνοψης συνάντησης, αλλά με παραδείγματα:
Summarize meeting notes into 3-5 bullet points covering key decisions.
Example 1:
Input: "Team discussed Q3 targets. Sarah proposed increasing the sales goal by 15%. Mark disagreed, suggested 10% was more realistic given current pipeline. Team voted and agreed on 12%. Also decided to postpone the website redesign until Q4."
Output:
- Agreed on 12% sales goal increase for Q3 (compromise between 15% and 10% proposals)
- Postponed website redesign to Q4
Example 2:
Input: "Budget review meeting. Current spending is 8% over forecast. CFO recommended cutting travel budget by 50% and freezing new hires for 60 days. CEO approved both measures effective immediately."
Output:
- Cut travel budget by 50% (effective immediately)
- 60-day hiring freeze approved
- Response to 8% budget overrun
Now summarize this:
{{meeting_notes}}
Παρατηρήστε τη διαφορά. Τα παραδείγματα δείχνουν στο μοντέλο ακριβώς ποια μορφή θέλετε (κουκκίδες με συμφραζόμενα σε παρενθέσεις), ποιο επίπεδο λεπτομέρειας να συμπεριλάβει και πώς να χειριστεί πολλαπλές αποφάσεις. Το μοντέλο μαθαίνει τις προτιμήσεις σας μέσα στα συμφραζόμενα — δεν χρειάζεται fine-tuning.
Οι βασικές διαφορές με μια ματιά
Δείτε πώς συγκρίνονται οι δύο προσεγγίσεις στους παράγοντες που μετρούν περισσότερο:
Ταχύτητα: Το zero-shot είναι ταχύτερο. Λιγότερα tokens προς επεξεργασία σημαίνει πιο γρήγορες απαντήσεις.
Κόστος: Το zero-shot είναι φθηνότερο. Πληρώνετε ανά token, και τα παραδείγματα προσθέτονται.
Προσπάθεια εγκατάστασης: Το zero-shot σχεδόν δεν απαιτεί καμία. Το few-shot απαιτεί την εύρεση ή τη δημιουργία καλών παραδειγμάτων.
Ακρίβεια σε απλές εργασίες: Περίπου ίδια. Τα σύγχρονα μοντέλα χειρίζονται καλά τα απλά αιτήματα και με τους δύο τρόπους.
Ακρίβεια σε σύνθετες ή προσαρμοσμένες εργασίες: Το few-shot συνήθως κερδίζει. Όταν χρειάζεστε συγκεκριμένη μορφοποίηση ή εξειδικευμένη ορολογία, τα παραδείγματα κάνουν μετρήσιμη διαφορά.
Ο συμβιβασμός είναι σαφής: το zero-shot είναι απλούστερο και φθηνότερο, αλλά το few-shot σας δίνει περισσότερο έλεγχο στο αποτέλεσμα. Το ερώτημα είναι πότε αξίζει αυτός ο επιπλέον έλεγχος.
Πότε αποδίδει καλύτερα το zero-shot
Το zero-shot prompting λάμπει όταν η εργασία είναι κάτι που το μοντέλο ήδη «καταλαβαίνει» από την εκπαίδευσή του. Αυτό περιλαμβάνει:
Ερωτήσεις γενικών γνώσεων: Όταν ζητάτε επεξηγήσεις, ορισμούς ή πραγματολογικές πληροφορίες. Το μοντέλο ξέρει πώς μοιάζει μια καλή επεξήγηση.
Δημιουργικός καταιγισμός ιδεών: Παραγωγή ιδεών, σύνταξη πρώτων προσχεδίων ή πρόταση εναλλακτικών. Εδώ θέλετε ποικιλία, όχι προσήλωση σε ένα συγκεκριμένο μοτίβο.
Τυπική σύνοψη: Συμπύκνωση άρθρων, email ή εγγράφων όταν δεν χρειάζεστε συγκεκριμένη μορφή.
Μετάφραση: Μετατροπή κειμένου μεταξύ γλωσσών στις οποίες έχει εκπαιδευτεί το μοντέλο.
Απλή ταξινόμηση: Διαλογή στοιχείων σε κοινές κατηγορίες (θετικό/αρνητικό, επείγον/μη επείγον) όταν οι κατηγορίες είναι αυτονόητες.
Ένας καλός εμπειρικός κανόνας: αν μπορείτε να περιγράψετε αυτό που θέλετε με απλή γλώσσα και ένας άνθρωπος θα το καταλάβαινε χωρίς να δει παραδείγματα, το zero-shot πιθανότατα θα δουλέψει.
Διάγραμμα ροής που δείχνει τη διαδικασία απόφασης: ξεκινήστε με zero-shot, αξιολογήστε τα αποτελέσματα, προσθέστε παραδείγματα μόνο αν χρειάζεται
Πότε αξίζει το few-shot τα επιπλέον tokens
Το few-shot prompting δικαιώνει το κόστος του όταν το αποτέλεσμα πρέπει να ακολουθεί μοτίβα που το μοντέλο δεν μπορεί να συμπεράνει μόνο από οδηγίες:
Προσαρμοσμένη μορφοποίηση: Όταν χρειάζεστε αποτελέσματα σε συγκεκριμένη δομή — JSON με συγκεκριμένα πεδία, πίνακες με ακριβείς στήλες, κουκκίδες με ορισμένο στυλ. Τα παραδείγματα δείχνουν τη μορφή καλύτερα από όσο την περιγράφουν οι οδηγίες.
Οι δικές σας κατηγορίες ταξινόμησης: Αν διαλέγετε email πελατών σε κατηγορίες όπως «billing-question», «feature-request», «bug-report» και «general-inquiry», η επίδειξη παραδειγμάτων από κάθε μία βοηθά το μοντέλο να καταλάβει τους ορισμούς σας.
Ταύτιση με τη φωνή ή τον τόνο της μάρκας: Θέλετε το AI να γράφει σαν το υπάρχον περιεχόμενο της εταιρείας σας; Δείξτε του 2-3 παραδείγματα αυτής της φωνής. Οδηγίες όπως «γράψε σε επαγγελματικό αλλά φιλικό τόνο» είναι αόριστες· τα παραδείγματα είναι συγκεκριμένα.
Εξειδικευμένη ορολογία: Αν ο κλάδος σας χρησιμοποιεί ορολογία ή συντομογραφίες που έχουν διαφορετική σημασία αλλού, τα παραδείγματα διδάσκουν στο μοντέλο τα δικά σας συμφραζόμενα.
Οριακές περιπτώσεις και αποχρώσεις: Ανίχνευση σαρκασμού, ειρωνείας ή λεπτές διακρίσεις που μπερδεύουν τις zero-shot προσεγγίσεις. Έρευνες δείχνουν ότι το few-shot prompting βελτιώνει σημαντικά τη διαχείριση οριακών περιπτώσεων συναισθήματος όπως η άρνηση και ο σαρκασμός.
Μια μελέτη διαπίστωσε ότι για ταξινόμηση συναισθήματος στο Twitter, το few-shot prompting με μόλις 20-50 παραδείγματα προσέγγισε την απόδοση μοντέλων εκπαιδευμένων με fine-tuning σε 10.000+ παραδείγματα. Τέτοια είναι η δύναμη των καλά επιλεγμένων δειγμάτων.
Αν συλλαμβάνετε τον εαυτό σας να χτίζει μια βιβλιοθήκη few-shot prompts για διαφορετικές εργασίες, ένα εργαλείο όπως το PromptNest σας βοηθά να τα αποθηκεύετε με μεταβλητές όπως {{meeting_notes}} ενσωματωμένες — συμπληρώνετε τα κενά κατά την αντιγραφή και το πλήρες prompt είναι έτοιμο για επικόλληση.
Η ροή «ξεκίνα με zero, αναβάθμισε αν χρειαστεί»
Ορίστε η πρακτική προσέγγιση που εξοικονομεί χρόνο και tokens:
Βήμα 1: Δοκιμάστε πρώτα το zero-shot. Γράψτε ένα ξεκάθαρο prompt που περιγράφει τι θέλετε. Να είστε συγκεκριμένοι για την εργασία, αλλά μη βάλετε ακόμη παραδείγματα.
Βήμα 2: Αξιολογήστε το αποτέλεσμα. Σας δίνει αυτό που χρειάζεστε; Αν ναι, τελειώσατε. Αν όχι, εντοπίστε τι έφταιξε — η μορφή; Ο τόνος; Λείπουν λεπτομέρειες; Παρερμήνευσε τελείως την εργασία;
Βήμα 3: Προσθέστε στοχευμένα παραδείγματα. Φτιάξτε 2-3 παραδείγματα που δείχνουν συγκεκριμένα αυτό που έπιασε λάθος το μοντέλο. Αν η μορφή ήταν λανθασμένη, δείξτε τη σωστή. Αν ο τόνος ήταν λάθος, δείξτε τον σωστό.
Αυτή η ροή έχει σημασία γιατί δεν μαντεύετε αν χρειάζεστε παραδείγματα — απαντάτε σε πραγματικά κενά. Μερικές φορές το να προσθέσετε «Ας σκεφτούμε βήμα προς βήμα» σε ένα zero-shot prompt λύνει προβλήματα συλλογισμού χωρίς καν να χρειαστούν παραδείγματα. Έρευνες επιβεβαιώνουν ότι το zero-shot chain-of-thought συχνά υπερτερεί του few-shot σε εργασίες συλλογισμού.
Πόσα παραδείγματα χρειάζεστε στην πραγματικότητα;
Οι έρευνες δείχνουν συστηματικά ένα ιδανικό σημείο στα 2-5 παραδείγματα για τις περισσότερες εργασίες. Δείτε τι λένε τα δεδομένα:
- Τα πρώτα 2-3 παραδείγματα δίνουν τη μεγαλύτερη ώθηση στην ακρίβεια
- Οι αποδόσεις μειώνονται απότομα μετά τα 4-5 παραδείγματα
- Περισσότερα παραδείγματα μπορούν στην πραγματικότητα να βλάψουν την απόδοση εισάγοντας αντικρουόμενα μοτίβα
- Η ποιότητα των παραδειγμάτων μετράει περισσότερο από την ποσότητα — τρία εξαιρετικά παραδείγματα νικούν δέκα μέτρια
Υπάρχει και ένα σημαντικό εύρημα για τη σειρά των παραδειγμάτων: μελέτες δείχνουν ότι η αλληλουχία των παραδειγμάτων επηρεάζει τα αποτελέσματα, με τη βέλτιστη σειρά να κάνει μερικές φορές τη διαφορά μεταξύ καλής και κακής απόδοσης. Αν το few-shot prompt σας δεν αποδίδει καλά, δοκιμάστε να αναδιατάξετε τα παραδείγματα πριν προσθέσετε κι άλλα.
Εικονογράφηση που δείχνει κάρτες παραδειγμάτων να προστίθενται σε ένα prompt, με τις αποδόσεις να μειώνονται μετά τις πρώτες
Για τις περισσότερες περιπτώσεις, ξεκινήστε με 2 παραδείγματα. Αν η ακρίβεια δεν είναι εκεί που θέλετε, προσθέστε ένα τρίτο που καλύπτει διαφορετική παραλλαγή. Σπάνια θα χρειαστείτε πάνω από 4.
Chain-of-thought: Η μέση οδός για τον συλλογισμό
Υπάρχει μια τρίτη επιλογή που λειτουργεί ιδιαίτερα καλά για μαθηματικά, λογική και προβλήματα πολλαπλών βημάτων: το chain-of-thought prompting. Αντί να δείχνετε παραδείγματα εισόδου-εξόδου, ζητάτε από το μοντέλο να «σκεφτεί βήμα προς βήμα».
Το zero-shot chain-of-thought μοιάζει κάπως έτσι:
A store has 45 apples. They sell 12 in the morning and receive a shipment of 30 more. Then they sell 18 in the afternoon. How many apples do they have at closing?
Let's work through this step by step.
Αυτή η απλή φράση — «Let's work through this step by step» — ωθεί το μοντέλο να δείξει τη συλλογιστική του αντί να πετάξει αμέσως μια απάντηση. Για σύνθετο συλλογισμό, αυτό συχνά υπερτερεί τόσο των zero-shot όσο και των few-shot προσεγγίσεων.
Πρόσφατη έρευνα από το arXiv έδειξε ότι σε ισχυρά μοντέλα όπως το GPT-4 και το Claude, το zero-shot chain-of-thought υπερτερεί συχνά του few-shot prompting σε εργασίες συλλογισμού. Τα παραδείγματα μπορεί τελικά να περιορίσουν τη σκέψη του μοντέλου αντί να τη βοηθήσουν.
Χρησιμοποιήστε chain-of-thought όταν:
Η εργασία απαιτεί πολλαπλά λογικά βήματα
Χρειάζεστε το μοντέλο να εξηγήσει τη συλλογιστική του (χρήσιμο για τον εντοπισμό λαθών)
Πρόκειται για μαθηματικά, λογική κώδικα ή αναλυτικά προβλήματα
Θέλετε να επαληθεύσετε την προσέγγιση του μοντέλου, όχι μόνο την απάντησή του
Ολοκληρωμένα παραδείγματα prompt έτοιμα για αντιγραφή
Ας δούμε τις τρεις προσεγγίσεις δίπλα-δίπλα σε πραγματικές εργασίες. Όλα τα prompts έχουν δοκιμαστεί με GPT-4 και Claude και είναι έτοιμα προς χρήση.
Εργασία 1: Ταξινόμηση τόνου email
Έκδοση zero-shot:
Classify the tone of this customer email as: frustrated, satisfied, neutral, or urgent.
Email:
{{email_text}}
Tone:
Έκδοση few-shot (καλύτερη για οριακές περιπτώσεις):
Classify customer email tone as: frustrated, satisfied, neutral, or urgent.
Email: "I've been waiting 3 weeks for my order. This is ridiculous. I want a refund NOW."
Tone: frustrated
Email: "Just wanted to say thanks — the product arrived early and works great!"
Tone: satisfied
Email: "Hi, can you confirm my order shipped? Order #12345."
Tone: neutral
Email: "Our system is down and we need the replacement part TODAY or we lose the contract."
Tone: urgent
Email: {{email_text}}
Tone:
Η few-shot έκδοση βοηθά το μοντέλο να κατανοήσει τους δικούς σας ορισμούς. Το «επείγον» έναντι του «εκνευρισμένου» μπορεί να είναι ασαφές — τα παραδείγματα ξεκαθαρίζουν τα όρια.
Εργασία 2: Επανεγγραφή περιγραφής προϊόντος
Έκδοση zero-shot:
Rewrite this product description to be more engaging and benefit-focused. Keep it under 100 words.
Original: {{product_description}}
Rewritten version:
Έκδοση few-shot (καλύτερη για συνέπεια στη φωνή της μάρκας):
Rewrite product descriptions to be engaging and benefit-focused. Match this style:
Original: "Stainless steel water bottle. 24oz capacity. Keeps drinks cold for 24 hours."
Rewritten: "Stay hydrated all day with our sleek 24oz steel bottle. Your morning coffee stays hot through your commute. Your afternoon water stays ice-cold at the gym. One bottle, endless possibilities."
Original: "Wireless earbuds. 8-hour battery. Noise cancelling."
Rewritten: "Eight hours of your favorite podcasts, uninterrupted. Our wireless earbuds block out the noise so you can focus on what matters — whether that's deep work, your workout playlist, or finally finishing that audiobook."
Original: {{product_description}}
Rewritten:
Η few-shot έκδοση διδάσκει ένα συγκεκριμένο στυλ copywriting — εστιασμένο στα οφέλη, σε προφορικό ύφος, με συγκεκριμένες περιπτώσεις χρήσης. Το zero-shot θα σας έδινε κάποια επανεγγραφή, αλλά όχι απαραίτητα τη δική σας φωνή.
Εργασία 3: Δόμηση αναφοράς bug
Έκδοση zero-shot:
Convert this bug report into a structured format with: Summary, Steps to Reproduce, Expected Behavior, and Actual Behavior.
Bug report: {{bug_report}}
Έκδοση few-shot (καλύτερη για συνεπή μορφοποίηση):
Convert bug reports into structured format.
Input: "The app crashes when I try to upload a PDF. I was on the dashboard, clicked upload, selected a 5MB PDF, and it just closed. Should show the file in my uploads but instead the whole app dies."
Output:
**Summary:** App crashes when uploading PDF files
**Steps to Reproduce:**
1. Navigate to dashboard
2. Click upload button
3. Select a PDF file (tested with 5MB file)
**Expected:** File appears in uploads section
**Actual:** Application crashes/closes unexpectedly
---
Input: {{bug_report}}
Output:
Στην τεχνική τεκμηρίωση, η συνέπεια έχει σημασία. Η few-shot έκδοση διασφαλίζει ότι κάθε αναφορά bug ακολουθεί την ίδια δομή με το ίδιο επίπεδο λεπτομέρειας.
Γρήγορο πλαίσιο απόφασης
Όταν στέκεστε μπροστά σε μια καινούργια εργασία, περάστε τις παρακάτω ερωτήσεις:
1. Είναι η εργασία απλή και ξεκάθαρα ορισμένη; → Ξεκινήστε με zero-shot
2. Χρειάζεστε συγκεκριμένη μορφή που το μοντέλο ίσως δεν μαντέψει; → Χρησιμοποιήστε few-shot
3. Περιλαμβάνει η εργασία συλλογισμό πολλαπλών βημάτων; → Δοκιμάστε πρώτα zero-shot chain-of-thought
4. Χρειάζεστε σταθερή φωνή μάρκας ή εξειδικευμένη ορολογία; → Χρησιμοποιήστε few-shot με παραδείγματα σε αυτή τη φωνή
5. Σας έδωσε το zero-shot το 80% αυτού που χρειάζεστε; → Κρατήστε το. Η τελειότητα δεν αξίζει 3πλάσια tokens.
Ο στόχος δεν είναι να χρησιμοποιήσετε την πιο εντυπωσιακή τεχνική — είναι να φτάσετε σε καλά αποτελέσματα αποδοτικά. Το zero-shot είναι η προεπιλογή. Προσθέστε πολυπλοκότητα μόνο όταν οι απλούστερες προσεγγίσεις δεν φτάνουν.
Από τη θεωρία στην πράξη
Ο καλύτερος τρόπος για να αφομοιώσετε αυτή τη λογική είναι να πειραματιστείτε. Πάρτε μια εργασία που κάνετε τακτικά — σύνοψη αναφορών, σύνταξη email, κατηγοριοποίηση σχολίων — και δοκιμάστε και τις δύο προσεγγίσεις. Παρατηρήστε πού το zero-shot υστερεί. Παρατηρήστε πού το few-shot κάνει πραγματική διαφορά.
Μόλις βρείτε prompts που δουλεύουν, αποθηκεύστε τα κάπου που θα μπορείτε όντως να τα ξαναβρείτε. Αν χτίζετε μια συλλογή από prompts με παραδείγματα και μεταβλητές, το PromptNest είναι μια native εφαρμογή Mac ($19.99 εφάπαξ στο Mac App Store, χωρίς συνδρομή, χωρίς λογαριασμό, τρέχει τοπικά) που τα κρατά οργανωμένα, με δυνατότητα αναζήτησης και προσβάσιμα με συντόμευση πληκτρολογίου από οποιαδήποτε εφαρμογή. Τέλος στο ψάξιμο σε σκόρπιες σημειώσεις για εκείνο το τέλειο few-shot prompt που γράψατε πριν τρεις βδομάδες.
Ξεκινήστε απλά. Προσθέστε πολυπλοκότητα όταν χρειαστεί. Αποθηκεύστε ό,τι λειτουργεί. Αυτή είναι όλη η στρατηγική.
