Few-shot vs. zero-shot prompting: kada koristiti koji pristup
Praktični vodič za odabir pravog pristupa prompta za vaš zadatak, s primjerima koje možete kopirati i jednostavnim okvirom za odlučivanje.
Zalijepite prompt u ChatGPT. Rezultat je... u redu. No vidjeli ste da drugi postižu znatno bolje rezultate kad u svoje promptove dodaju "primjere". Trebate li i vi to raditi? Koliko primjera? Ima li to uopće smisla za vaš konkretan zadatak?
Ta se pitanja stalno ponavljaju, a terminologija ne pomaže. "Zero-shot", "few-shot", "one-shot" — zvuče kao pojmovi iz fotografije, a ne kao praktičan savjet. Ovaj vodič razbija žargon i daje vam jasan okvir za odlučivanje koji pristup koristiti, plus gotove promptove koje možete kopirati i sami isprobati.
Što zero-shot prompting zapravo znači
Zero-shot prompting znači davanje zadatka umjetnoj inteligenciji bez ijednog primjera onoga što želite. Vi opišete što vam treba, a model na temelju svog treninga sam shvati kako to napraviti.
Evo zero-shot prompta za sažimanje sastanka:
Sažmi sljedeće bilješke sa sastanka u 3-5 natuknica koje pokrivaju ključne donesene odluke.
Bilješke sa sastanka:
{{meeting_notes}}
To je sve. Bez primjera "dobrih" sažetaka, bez uzoraka ulaza i izlaza. Vjerujete modelu da razumije kako izgleda sažetak i što znače "ključne odluke". Za mnoge zadatke to iznenađujuće dobro funkcionira.
Što few-shot prompting zapravo znači
Few-shot prompting znači uključivanje 2-5 primjera u promptu koji pokazuju obrazac koji želite da AI slijedi. Vi mu zapravo govorite "evo kako želim da ovo napraviš" prije nego što mu date stvarni zadatak.
Evo istog zadatka sažimanja sastanka, ali s primjerima:
Sažmi bilješke sa sastanka u 3-5 natuknica koje pokrivaju ključne odluke.
Primjer 1:
Ulaz: "Tim je raspravljao o ciljevima za Q3. Sarah je predložila povećanje prodajnog cilja za 15%. Mark se nije složio i predložio da je 10% realnije s obzirom na trenutni pipeline. Tim je glasao i dogovorio se oko 12%. Također su odlučili odgoditi redizajn web-stranice do Q4."
Izlaz:
- Dogovoreno povećanje prodajnog cilja od 12% za Q3 (kompromis između prijedloga od 15% i 10%)
- Redizajn web-stranice odgođen na Q4
Primjer 2:
Ulaz: "Sastanak za pregled proračuna. Trenutna potrošnja je 8% iznad prognoze. CFO je preporučio rezanje budžeta za putovanja za 50% i zamrzavanje novih zapošljavanja na 60 dana. CEO je odobrio obje mjere s trenutnim učinkom."
Izlaz:
- Smanjen proračun za putovanja za 50% (odmah na snazi)
- Odobreno zamrzavanje zapošljavanja na 60 dana
- Odgovor na prekoračenje proračuna od 8%
Sada sažmi ovo:
{{meeting_notes}}
Primijetite razliku. Primjeri točno pokazuju modelu koji format želite (natuknice s kontekstom u zagradama), koju razinu detalja uključiti i kako rješavati više odluka odjednom. Model uči vaše preferencije u kontekstu — bez potrebe za fine-tuningom.
Ključne razlike na prvi pogled
Evo kako se ta dva pristupa uspoređuju u faktorima koji najviše utječu:
Brzina: Zero-shot je brži. Manje tokena za obradu znači brže odgovore.
Cijena: Zero-shot je jeftiniji. Plaćate po tokenu, a primjeri se brzo zbroje.
Trud za pripremu: Zero-shot ne zahtijeva gotovo nikakav. Few-shot zahtijeva pronalaženje ili izradu kvalitetnih primjera.
Točnost na jednostavnim zadacima: Otprilike ista. Moderni modeli dobro obrađuju jasne zahtjeve u oba slučaja.
Točnost na složenim/prilagođenim zadacima: Few-shot obično pobjeđuje. Kad trebate specifično formatiranje ili stručnu terminologiju, primjeri donose mjerljivu razliku.
Kompromis je jasan: zero-shot je jednostavniji i jeftiniji, ali few-shot vam daje veću kontrolu nad rezultatom. Pitanje je kada ta dodatna kontrola vrijedi truda.
Kada zero-shot najbolje funkcionira
Zero-shot prompting blista kad je zadatak nešto što model već "razumije" iz svog treninga. To uključuje:
Pitanja iz općeg znanja: Traženje objašnjenja, definicija ili činjeničnih informacija. Model zna kako izgleda dobro objašnjenje.
Kreativno smišljanje ideja: Generiranje ideja, pisanje prvih nacrta ili predlaganje opcija. Ovdje želite raznolikost, a ne pridržavanje određenog obrasca.
Standardno sažimanje: Skraćivanje članaka, e-pošte ili dokumenata kad vam ne treba poseban format.
Prijevod: Pretvaranje teksta između jezika na kojima je model treniran.
Jednostavna klasifikacija: Razvrstavanje stavki u uobičajene kategorije (pozitivno/negativno, hitno/nije hitno) kad su kategorije jasne same po sebi.
Dobro pravilo: ako možete običnim riječima opisati što želite i čovjek bi to razumio bez primjera, zero-shot će vjerojatno upaliti.
Dijagram toka koji prikazuje proces odlučivanja: počnite sa zero-shot, procijenite rezultate i dodajte primjere samo ako je potrebno
Kada se isplati potrošiti dodatne tokene na few-shot
Few-shot prompting se isplati kad rezultat mora slijediti obrasce koje model ne može pogoditi samo iz uputa:
Prilagođeno formatiranje: Kad trebate izlaz u određenoj strukturi — JSON s konkretnim poljima, tablice s točnim stupcima, natuknice u određenom stilu. Primjeri pokazuju format bolje nego što ga opisi objašnjavaju.
Vlastite kategorije za klasifikaciju: Ako razvrstavate korisničku e-poštu u kategorije poput "upit-o-naplati", "zahtjev-za-značajku", "prijava-buga" i "opći-upit", primjeri svake od njih pomažu modelu da razumije vaše definicije.
Usklađivanje s tonom marke: Želite li da AI piše kao postojeći sadržaj vaše tvrtke? Pokažite mu 2-3 primjera tog tona. Upute poput "piši profesionalnim, ali prijateljskim tonom" su nejasne; primjeri su konkretni.
Stručna terminologija: Ako vaša industrija koristi žargon ili kratice koje drugdje znače nešto drugo, primjeri uče model vaš kontekst.
Granični slučajevi i nijanse: Prepoznavanje sarkazma, ironije ili suptilnih razlika koje zbune zero-shot pristupe. Istraživanja pokazuju da few-shot prompting znatno poboljšava rješavanje graničnih slučajeva sentimenta poput negacije i sarkazma.
Jedna je studija pokazala da je za klasifikaciju sentimenta na Twitteru few-shot prompting sa svega 20-50 primjera dosegao izvedbu modela fino podešenih na više od 10.000 primjera. Toliko vrijedi pažljivo odabrana demonstracija.
Ako uhvatite sebe da gradite biblioteku few-shot promptova za različite zadatke, alat poput PromptNesta pomaže da ih spremite s ugrađenim varijablama poput {{meeting_notes}} — ispunite praznine pri kopiranju i kompletni prompt je spreman za zalijepiti.
Tijek rada "Krenite sa zero-shotom, nadogradite po potrebi"
Evo praktičnog pristupa koji štedi i vrijeme i tokene:
Korak 1: Prvo pokušajte sa zero-shotom. Napišite jasan prompt koji opisuje što želite. Budite konkretni o zadatku, ali još ne uključujte primjere.
Korak 2: Procijenite rezultat. Daje li vam ono što trebate? Ako da, gotovi ste. Ako ne, prepoznajte što ne valja — je li format? Ton? Nedostaju li detalji? Je li potpuno krivo shvatio zadatak?
Korak 3: Dodajte ciljane primjere. Napravite 2-3 primjera koja konkretno pokazuju ono što je model pogriješio. Ako format nije bio dobar, pokažite ispravan format. Ako je ton bio krivi, pokažite pravi ton.
Ovaj tijek rada važan je jer ne nagađate trebaju li vam primjeri — reagirate na stvarne nedostatke. Ponekad dodavanje rečenice "Razmislimo korak po korak" u zero-shot prompt riješi probleme s rasuđivanjem bez ijednog primjera. Istraživanja potvrđuju da zero-shot chain-of-thought često nadmašuje few-shot na zadacima rasuđivanja.
Koliko primjera vam zapravo treba?
Istraživanja dosljedno pokazuju da je optimalna brojka 2-5 primjera za većinu zadataka. Evo što govori praksa:
- Prva 2-3 primjera donose najveći skok u točnosti
- Povrat naglo opada nakon 4-5 primjera
- Više primjera može i naškoditi izvedbi uvođenjem proturječnih obrazaca
- Kvaliteta primjera važnija je od količine — tri izvrsna primjera tuku deset osrednjih
Postoji i važan nalaz o redoslijedu primjera: studije pokazuju da poredak primjera utječe na rezultate, a optimalni redoslijed ponekad presudi između dobre i loše izvedbe. Ako vam few-shot prompt ne radi dobro, prije nego što dodajete nove primjere pokušajte presložiti postojeće.
Ilustracija koja prikazuje kartice primjera koje se dodaju promptu, s opadajućim povratom nakon prvih nekoliko
Za većinu slučajeva krenite s 2 primjera. Ako točnost nije gdje treba biti, dodajte treći koji pokriva drugu varijantu. Rijetko ćete trebati više od 4.
Chain-of-thought: zlatna sredina za rasuđivanje
Postoji i treća opcija koja posebno dobro funkcionira za matematičke, logičke i višekoračne probleme: chain-of-thought prompting. Umjesto da pokazujete primjere ulaza i izlaza, tražite od modela da "razmišlja korak po korak".
Zero-shot chain-of-thought izgleda ovako:
Trgovina ima 45 jabuka. Ujutro proda 12 i primi pošiljku od još 30. Zatim popodne proda 18. Koliko jabuka ima na kraju radnog dana?
Prođimo kroz ovo korak po korak.
Ta jednostavna fraza — "Prođimo kroz ovo korak po korak" — potakne model da pokaže svoje rasuđivanje umjesto da odmah skoči na odgovor. Za složeno rasuđivanje to često pobjeđuje i zero-shot i few-shot pristupe.
Nedavno istraživanje s arXiva pokazalo je da kod jakih modela poput GPT-4 i Claudea zero-shot chain-of-thought često nadmašuje few-shot prompting na zadacima rasuđivanja. Primjeri zapravo mogu sputati razmišljanje modela umjesto da mu pomognu.
Koristite chain-of-thought kada:
Zadatak zahtijeva više logičkih koraka
Trebate da model objasni svoje rasuđivanje (korisno za hvatanje grešaka)
Su uključeni matematika, logika koda ili analitički problemi
Želite provjeriti pristup modela, a ne samo njegov odgovor
Cjeloviti primjeri promptova koje možete kopirati
Pogledajmo sva tri pristupa jedan do drugoga na stvarnim zadacima. Svi su promptovi testirani s GPT-4 i Claudeom i spremni za upotrebu.
Zadatak 1: Klasifikacija tona e-pošte
Zero-shot verzija:
Klasificiraj ton ove korisničke e-pošte kao: frustriran, zadovoljan, neutralan ili hitan.
E-pošta:
{{email_text}}
Ton:
Few-shot verzija (bolja za granične slučajeve):
Klasificiraj ton korisničke e-pošte kao: frustriran, zadovoljan, neutralan ili hitan.
E-pošta: "Već 3 tjedna čekam svoju narudžbu. Ovo je smiješno. Tražim povrat novca ODMAH."
Ton: frustriran
E-pošta: "Samo sam htio reći hvala — proizvod je stigao ranije i savršeno radi!"
Ton: zadovoljan
E-pošta: "Bok, možete li potvrditi da je moja narudžba poslana? Narudžba #12345."
Ton: neutralan
E-pošta: "Naš sustav je pao i treba nam zamjenski dio DANAS ili gubimo ugovor."
Ton: hitan
E-pošta: {{email_text}}
Ton:
Few-shot verzija pomaže modelu da razumije vaše konkretne definicije. "Hitno" naspram "frustrirano" može biti dvosmisleno — primjeri jasno postavljaju vaše granice.
Zadatak 2: Prerada opisa proizvoda
Zero-shot verzija:
Preoblikuj ovaj opis proizvoda da bude privlačniji i usmjeren na koristi. Drži ga ispod 100 riječi.
Izvornik: {{product_description}}
Nova verzija:
Few-shot verzija (bolja za dosljednost u glasu marke):
Preoblikuj opise proizvoda da budu privlačni i usmjereni na koristi. Drži se ovog stila:
Izvornik: "Boca za vodu od nehrđajućeg čelika. Kapacitet 24oz. Drži pića hladnima 24 sata."
Prerađeno: "Ostanite hidrirani cijeli dan uz našu elegantnu čeličnu bocu od 24oz. Vaša jutarnja kava ostaje topla tijekom puta na posao. Vaša popodnevna voda ostaje ledeno hladna na treningu. Jedna boca, beskrajne mogućnosti."
Izvornik: "Bežične slušalice. Baterija od 8 sati. Poništavanje buke."
Prerađeno: "Osam sati vaših omiljenih podcasta, bez prekida. Naše bežične slušalice blokiraju buku da se možete usredotočiti na ono što je važno — bilo to dubok rad, vaša playlista za trening ili konačno završavanje one audioknjige."
Izvornik: {{product_description}}
Prerađeno:
Few-shot verzija uči model konkretan stil pisanja — vođen koristima, razgovorljiv, sa specifičnim slučajevima upotrebe. Zero-shot bi vam dao neku preradu, ali ne nužno vaš glas.
Zadatak 3: Strukturiranje prijave buga
Zero-shot verzija:
Pretvori ovu prijavu buga u strukturirani format s poljima: Sažetak, Koraci za reprodukciju, Očekivano ponašanje i Stvarno ponašanje.
Prijava buga: {{bug_report}}
Few-shot verzija (bolja za dosljedno formatiranje):
Pretvori prijave bugova u strukturirani format.
Ulaz: "Aplikacija se ruši kad pokušam učitati PDF. Bio sam na nadzornoj ploči, kliknuo upload, odabrao PDF od 5MB i samo se zatvorila. Trebala bi prikazati datoteku u mojim učitavanjima, ali umjesto toga cijela aplikacija crkne."
Izlaz:
**Sažetak:** Aplikacija se ruši pri učitavanju PDF datoteka
**Koraci za reprodukciju:**
1. Idi na nadzornu ploču
2. Klikni gumb za učitavanje
3. Odaberi PDF datoteku (testirano s datotekom od 5MB)
**Očekivano:** Datoteka se pojavi u odjeljku za učitavanja
**Stvarno:** Aplikacija se neočekivano ruši/zatvara
---
Ulaz: {{bug_report}}
Izlaz:
Za tehničku dokumentaciju dosljednost je ključna. Few-shot verzija osigurava da svaka prijava buga slijedi istu strukturu s istom razinom detalja.
Brzi okvir za odlučivanje
Kad gledate u novi zadatak, prođite kroz ova pitanja:
1. Je li zadatak jasan i jednoznačno definiran? → Krenite sa zero-shotom
2. Trebate li specifičan format koji bi model mogao promašiti? → Koristite few-shot
3. Uključuje li zadatak višekoračno rasuđivanje? → Prvo isprobajte zero-shot chain-of-thought
4. Trebate li dosljedan glas marke ili stručnu terminologiju? → Koristite few-shot s primjerima u tom glasu
5. Je li vam zero-shot dao 80% onoga što trebate? → Zadržite ga. Savršenstvo ne vrijedi triput više tokena.
Cilj nije koristiti najotmjeniju tehniku — cilj je učinkovito dobiti dobre rezultate. Zero-shot je polazna točka. Složenost dodajte tek kad jednostavniji pristupi nisu dovoljni.
Kako to primijeniti u praksi
Najbolji način da to usvojite jest eksperimentiranje. Uzmite zadatak koji redovito radite — sažimanje izvještaja, pisanje e-pošte, kategoriziranje povratnih informacija — i isprobajte oba pristupa. Primijetite gdje zero-shot zakaže. Primijetite gdje few-shot stvarno čini razliku.
Kad pronađete promptove koji rade, spremite ih negdje gdje ih zaista možete ponovno pronaći. Ako gradite zbirku promptova s primjerima i varijablama, PromptNest je nativna Mac aplikacija ($19.99 jednokratno na Mac App Storeu, bez pretplate, bez računa, radi lokalno) koja ih drži uredno složene, pretražive i dostupne tipkovničkim prečacem iz bilo koje aplikacije. Kraj traženja po razbacanim bilješkama onog savršenog few-shot prompta koji ste napisali prije tri tjedna.
Krenite jednostavno. Dodajte složenost kad treba. Spremite ono što radi. To je cijela strategija.
