Few-shot vs. zero-shot prompting: kada koristiti koji pristup
Praktičan vodič za izbor pravog pristupa promptovanju za vaš zadatak, sa primerima koje možete kopirati i jednostavnim okvirom za odlučivanje.
Nalepite prompt u ChatGPT. Rezultat je... u redu. Ali videli ste kako ljudi dobijaju znatno bolje odgovore tako što u svoje promptove dodaju „primere“. Treba li i vi to da radite? Koliko primera? I da li to uopšte ima značaja za vaš konkretan zadatak?
Ova pitanja se stalno pojavljuju, a terminologija ne pomaže mnogo. „Zero-shot“, „few-shot“, „one-shot“ — sve to više liči na fotografske termine nego na praktične savete. Ovaj vodič preseca žargon i daje vam jasan okvir za odlučivanje koji pristup da koristite, kao i gotove promptove koje možete kopirati i sami isprobati.
Šta zero-shot promptovanje zapravo znači
Zero-shot promptovanje znači da AI-ju zadajete zadatak bez ijednog primera onoga što želite. Opišete šta vam treba, a model na osnovu svog treninga sam smišlja kako da to uradi.
Evo zero-shot prompta za sažimanje sastanka:
Summarize the following meeting notes into 3-5 bullet points covering the key decisions made.
Meeting notes:
{{meeting_notes}}
I to je sve. Nikakvi primeri „dobrih“ rezimea, nikakvi probni ulazi i izlazi. Verujete modelu da razume kako rezime treba da izgleda i šta znači „ključne odluke“. Za mnoge zadatke ovo radi iznenađujuće dobro.
Šta few-shot promptovanje zapravo znači
Few-shot promptovanje znači da u prompt uključujete 2–5 primera koji pokazuju obrazac koji želite da AI sledi. U suštini govorite: „evo kako želim da ovo rešavaš“ pre nego što mu zadate pravi zadatak.
Evo istog zadatka sa rezimeom sastanka, ali sa primerima:
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}}
Obratite pažnju na razliku. Primeri modelu tačno pokazuju koji format želite (stavke sa kontekstom u zagradama), koji nivo detalja da uključi i kako da postupa s više odluka. Model uči vaše preferencije u kontekstu — bez ikakvog dodatnog treninga.
Ključne razlike na prvi pogled
Evo kako se ova dva pristupa porede po faktorima koji najviše znače:
Brzina: zero-shot je brži. Manje tokena za obradu znači brže odgovore.
Cena: zero-shot je jeftiniji. Plaćate po tokenu, a primeri se brzo nagomilaju.
Trud oko pripreme: zero-shot ga skoro i ne zahteva. Few-shot zahteva da pronađete ili napravite dobre primere.
Tačnost na jednostavnim zadacima: otprilike ista. Savremeni modeli dobro rešavaju jasne zahteve na oba načina.
Tačnost na složenim/specifičnim zadacima: few-shot obično pobeđuje. Kada vam treba određeni format ili stručna terminologija, primeri prave merljivu razliku.
Kompromis je jasan: zero-shot je jednostavniji i jeftiniji, ali few-shot vam daje veću kontrolu nad rezultatom. Pitanje je samo kada je ta dodatna kontrola vredna troška.
Kada zero-shot najbolje radi
Zero-shot blista kada je zadatak nešto što model već „razume“ iz svog treninga. Tu spadaju:
Pitanja iz opšteg znanja: traženje objašnjenja, definicija ili činjeničnih informacija. Model zna kako izgleda dobro objašnjenje.
Kreativni brejnstorming: smišljanje ideja, prvih nacrta ili više opcija. Tu želite raznovrsnost, a ne pridržavanje određenog obrasca.
Standardno sažimanje: sažimanje članaka, mejlova ili dokumenata kada vam ne treba poseban format.
Prevod: prevođenje između jezika na kojima je model treniran.
Jednostavna klasifikacija: razvrstavanje stavki u uobičajene kategorije (pozitivno/negativno, hitno/nije hitno) kada su kategorije same po sebi jasne.
Dobro pravilo: ako možete običnim rečima da opišete šta želite i čovek bi razumeo bez primera, zero-shot će verovatno biti dovoljan.
Dijagram toka koji prikazuje proces odlučivanja: počnite sa zero-shot pristupom, procenite rezultat i dodajte primere samo ako je potrebno
Kada se few-shot isplati uprkos dodatnim tokenima
Few-shot opravdava troškove kada izlaz mora da prati obrasce koje model ne može da pogodi samo iz uputstava:
Specifično formatiranje: kada vam trebaju izlazi u određenoj strukturi — JSON sa konkretnim poljima, tabele sa tačnim kolonama, lista sa određenim stilom. Primeri pokazuju format bolje nego što ga opisi mogu objasniti.
Vaše sopstvene kategorije: ako razvrstavate mejlove kupaca u kategorije poput „pitanje o naplati“, „zahtev za funkciju“, „prijava bug-a“ i „opšti upit“, primeri za svaku pomažu modelu da razume vaše definicije.
Ton brenda ili stil pisanja: želite da AI piše kao postojeći sadržaj vaše kompanije? Pokažite mu 2–3 primera tog tona. Uputstva poput „piši profesionalnim ali prijateljskim tonom“ su nejasna; primeri su konkretni.
Stručna terminologija: ako vaša industrija koristi žargon ili skraćenice koje drugde imaju drugačije značenje, primeri uče model vašem kontekstu.
Granični slučajevi i nijanse: prepoznavanje sarkazma, ironije ili suptilnih razlika koje obara zero-shot pristupe. Istraživanja pokazuju da few-shot promptovanje znatno poboljšava obradu graničnih slučajeva sentimenta kao što su negacija i sarkazam.
Jedno istraživanje je pokazalo da je za klasifikaciju sentimenta na Tviteru few-shot promptovanje sa svega 20–50 primera dostiglo performanse modela fine-tunovanih na više od 10.000 primera. Toliko može da napravi nekoliko dobro odabranih demonstracija.
Ako primetite da gradite biblioteku few-shot promptova za različite zadatke, alat poput PromptNest pomaže vam da ih sačuvate sa već ugrađenim promenljivima poput {{meeting_notes}} — popunite praznine kada kopirate i kompletan prompt je spreman za naležanje.
Radni tok „kreni od nule, nadogradi po potrebi“
Evo praktičnog pristupa koji štedi i vreme i tokene:
Korak 1: prvo probajte zero-shot. Napišite jasan prompt koji opisuje šta želite. Budite precizni oko zadatka, ali još ne dodajte primere.
Korak 2: procenite rezultat. Daje li vam ono što vam treba? Ako da, gotovi ste. Ako ne, identifikujte šta nije u redu — format? Ton? Nedostaju li detalji? Nije li uopšte razumeo zadatak?
Korak 3: dodajte ciljane primere. Napravite 2–3 primera koji konkretno demonstriraju ono što je model promašio. Ako je format bio loš, pokažite ispravan format. Ako je ton bio pogrešan, pokažite pravi.
Ovaj radni tok je važan jer ne nagađate da li su vam primeri potrebni — reagujete na stvarne propuste. Ponekad dodavanje fraze „Let's think step by step“ u zero-shot prompt rešava probleme s rasuđivanjem bez ijednog primera. Istraživanja potvrđuju da zero-shot „chain-of-thought“ često nadmašuje few-shot kod zadataka koji zahtevaju rasuđivanje.
Koliko vam primera zaista treba?
Istraživanja dosledno ukazuju na zlatnu sredinu od 2–5 primera za većinu zadataka. Evo šta podaci pokazuju:
- Prva 2–3 primera donose najveći skok tačnosti
- Vraćeni efekat naglo opada posle 4–5 primera
- Više primera može čak i da naškodi performansama jer unosi suprotstavljene obrasce
- Kvalitet primera važniji je od količine — tri odlična pobeđuju deset osrednjih
Postoji i važan nalaz o redosledu primera: studije pokazuju da raspored primera utiče na rezultate, a optimalan redosled ponekad pravi razliku između dobrog i lošeg učinka. Ako vaš few-shot prompt ne radi dobro, pokušajte prvo da ispremeštate primere pre nego što dodajete nove.
Ilustracija koja prikazuje kako se primeri dodaju u prompt, uz opadajući efekat posle prvih nekoliko
Za većinu slučajeva krenite sa 2 primera. Ako tačnost nije na željenom nivou, dodajte i treći koji pokriva drugu vrstu varijacije. Retko će vam trebati više od četiri.
Chain-of-thought: srednji put za rasuđivanje
Postoji i treća opcija koja posebno dobro radi za matematiku, logiku i probleme u više koraka: chain-of-thought promptovanje. Umesto da pokazujete primere ulaza i izlaza, tražite od modela da „razmišlja korak po korak“.
Zero-shot chain-of-thought izgleda ovako:
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.
Ta jednostavna fraza — „Let's work through this step by step“ — navodi model da pokaže svoje rasuđivanje umesto da odmah skoči na odgovor. Za složeno rasuđivanje ovo često nadmašuje i zero-shot i few-shot pristup.
Novije istraživanje sa arXiv-a pokazalo je da kod jakih modela poput GPT-4 i Claude-a zero-shot chain-of-thought često prevazilazi few-shot na zadacima rasuđivanja. Primeri zapravo mogu da suze razmišljanje modela, umesto da mu pomognu.
Koristite chain-of-thought kada:
Zadatak zahteva više logičkih koraka
Treba da model objasni svoje rasuđivanje (korisno za otkrivanje grešaka)
Reč je o matematici, logici u kodu ili analitičkim problemima
Želite da proverite pristup modela, a ne samo odgovor
Kompletni primeri promptova koje možete da kopirate
Pogledajmo sva tri pristupa jedan pored drugog na realnim zadacima. Svi promptovi su testirani sa GPT-4 i Claude-om i spremni za upotrebu.
Zadatak 1: klasifikacija tona mejla
Zero-shot verzija:
Classify the tone of this customer email as: frustrated, satisfied, neutral, or urgent.
Email:
{{email_text}}
Tone:
Few-shot verzija (bolja za granične slučajeve):
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:
Few-shot verzija pomaže modelu da razume vaše konkretne definicije. „Hitno“ i „frustrirano“ mogu biti dvosmisleni — primeri jasno povlače granicu.
Zadatak 2: prepravljanje opisa proizvoda
Zero-shot verzija:
Rewrite this product description to be more engaging and benefit-focused. Keep it under 100 words.
Original: {{product_description}}
Rewritten version:
Few-shot verzija (bolja za doslednost glasa brenda):
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:
Few-shot verzija uči model konkretnom stilu pisanja — vođenom koristima, razgovornom, sa konkretnim slučajevima upotrebe. Zero-shot bi vam dao nekakav prepravljen tekst, ali ne nužno vaš glas.
Zadatak 3: strukturiranje izveštaja o bug-u
Zero-shot verzija:
Convert this bug report into a structured format with: Summary, Steps to Reproduce, Expected Behavior, and Actual Behavior.
Bug report: {{bug_report}}
Few-shot verzija (bolja za dosledno formatiranje):
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:
Kod tehničke dokumentacije doslednost je presudna. Few-shot verzija osigurava da svaka prijava bug-a prati istu strukturu sa istim nivoom detalja.
Brzi okvir za odlučivanje
Kada se nađete pred novim zadatkom, prođite kroz ova pitanja:
1. Da li je zadatak jasan i jednostavan? → Krenite sa zero-shot pristupom
2. Da li vam treba poseban format koji model možda neće pogoditi? → Koristite few-shot
3. Da li zadatak uključuje rasuđivanje u više koraka? → Prvo probajte zero-shot chain-of-thought
4. Da li vam treba dosledan glas brenda ili stručna terminologija? → Koristite few-shot sa primerima u tom tonu
5. Da li je zero-shot dao 80% onoga što vam treba? → Zadržite ga. Savršenstvo ne vredi tri puta više tokena.
Cilj nije da koristite najraskošniju tehniku — već da efikasno dobijete dobre rezultate. Zero-shot je podrazumevani izbor. Složenije pristupe dodajete tek kada jednostavniji zakažu.
Kako ovo primeniti u praksi
Najbolji način da ovo usvojite jeste eksperiment. Uzmite zadatak koji redovno radite — sažimanje izveštaja, pisanje mejlova, kategorisanje povratnih informacija — i isprobajte oba pristupa. Primetite gde zero-shot ne uspeva. Primetite gde few-shot zaista pravi razliku.
Kada nađete promptove koji rade, sačuvajte ih tamo gde ih kasnije zaista možete pronaći. Ako gradite kolekciju promptova sa primerima i promenljivima, PromptNest je nativna Mac aplikacija ($19.99 jednokratno na Mac App Store, bez pretplate, bez naloga, radi lokalno) koja ih drži uredno složene, pretražive i dostupne preko prečice s tastature iz bilo koje aplikacije. Nema više traganja po raštrkanim beleškama za onim savršenim few-shot promptom koji ste napisali pre tri nedelje.
Krenite jednostavno. Dodajte složenost kada zatreba. Sačuvajte ono što radi. To je cela strategija.
