Few-Shot vs. Zero-Shot Prompting: Kailan Gagamitin ang Bawat Isa
Praktikal na gabay sa pagpili ng tamang prompting approach para sa iyong gawain, may copy-paste na halimbawa at simpleng decision framework.
Nag-paste ka ng prompt sa ChatGPT. Ang output ay... okay lang. Pero nakita mo na ang ibang tao na nakakakuha ng mas magandang resulta sa pamamagitan ng pagdagdag ng "mga halimbawa" sa kanilang prompt. Dapat mo ba itong gawin? Ilang halimbawa? Mahalaga ba talaga ito para sa partikular mong gawain?
Palaging lumalabas ang mga tanong na ito, at hindi naman nakakatulong ang mga termino. "Zero-shot," "few-shot," "one-shot" — parang mga termino sa photography, hindi praktikal na gabay. Lalampasan ng gabay na ito ang jargon at bibigyan ka ng malinaw na framework para magdesisyon kung aling approach ang gagamitin, kasama na ang kumpletong mga prompt na puwede mong kopyahin at subukan mismo.
Ano ba talaga ang ibig sabihin ng zero-shot prompting
Ang zero-shot prompting ay nangangahulugang pagbibigay ng gawain sa AI nang hindi ipinapakita kahit isang halimbawa ng gusto mo. Ilalarawan mo lang ang kailangan mo, at ang model na ang bahalang isipin kung paano ito gagawin batay sa training nito.
Heto ang isang zero-shot prompt para sa pagbubuod ng meeting:
Summarize the following meeting notes into 3-5 bullet points covering the key decisions made.
Meeting notes:
{{meeting_notes}}
Ayan na. Walang halimbawa ng "magagandang" buod, walang sample na input at output. Inaasahan mo na lang na maiintindihan ng model kung ano ang itsura ng buod at kung ano ang ibig sabihin ng "key decisions." Para sa maraming gawain, gumagana ito nang mas maayos kaysa inaasahan.
Ano ba talaga ang ibig sabihin ng few-shot prompting
Ang few-shot prompting ay nangangahulugang pagsasama ng 2-5 halimbawa sa iyong prompt na nagpapakita ng pattern na gusto mong sundin ng AI. Para mo nang sinasabing "ganito ang gusto kong gawin mo dito" bago mo ibigay ang aktwal na gawain.
Heto ang parehong meeting summary task, pero may mga halimbawa:
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}}
Pansinin ang pagkakaiba. Ipinapakita ng mga halimbawa sa model kung anong format eksakto ang gusto mo (bullet points na may konteksto sa loob ng panaklong), kung gaano kadetalyado, at kung paano humawak ng maraming desisyon. Natututo ang model ng iyong preferences sa loob ng konteksto — walang kailangang fine-tuning.
Mga pangunahing pagkakaiba sa isang sulyap
Heto kung paano naghahambing ang dalawang approach sa mga pinakamahalagang factor:
Bilis: Mas mabilis ang zero-shot. Kakaunting token na pinoproseso ay mas mabilis na sagot.
Gastos: Mas mura ang zero-shot. Per token kayo nagbabayad, at madaling tumaas ang halimbawa.
Setup effort: Halos wala sa zero-shot. Sa few-shot, kailangan mong maghanap o gumawa ng magagandang halimbawa.
Accuracy sa simpleng gawain: Halos pareho lang. Magaling humawak ang mga modernong model ng diretsong request kahit alin.
Accuracy sa kumplikado o custom na gawain: Madalas mananalo ang few-shot. Kapag kailangan mo ng partikular na format o domain terminology, malaki ang nagagawa ng mga halimbawa.
Malinaw ang tradeoff: mas simple at mura ang zero-shot, pero mas malaki ang kontrol mo sa output sa few-shot. Ang tanong ay kung kailan sulit ang dagdag na kontrol na iyon.
Kailan pinakamahusay ang zero-shot
Mahusay ang zero-shot prompting kapag ang gawain ay isang bagay na "naiintindihan" na ng model mula sa training nito. Kasama dito:
Mga tanong sa pangkalahatang kaalaman: Paghingi ng paliwanag, kahulugan, o factual na impormasyon. Alam ng model kung ano ang itsura ng magandang paliwanag.
Creative brainstorming: Pag-generate ng ideya, pagsulat ng unang draft, o paghanap ng options. Dito gusto mo ng pagkakaiba-iba, hindi pagsunod sa partikular na pattern.
Karaniwang pagbubuod: Pagpapaikli ng artikulo, email, o dokumento kapag hindi mo kailangan ng partikular na format.
Pagsasalin: Pag-convert ng teksto sa pagitan ng mga wikang sinanay ang model.
Simpleng classification: Pag-uri ng mga bagay sa karaniwang kategorya (positibo/negatibo, urgent/hindi urgent) kapag malinaw na ang mga kategorya.
Magandang panuntunan: kung kaya mong ilarawan sa simpleng salita ang gusto mo at maiintindihan ito ng tao nang walang halimbawa, malamang gagana ang zero-shot.
Flowchart na nagpapakita ng proseso ng pagdedesisyon: magsimula sa zero-shot, suriin ang resulta, magdagdag ng halimbawa lamang kapag kinakailangan
Kailan sulit ang few-shot kahit dagdag na token
Sumusulit ang few-shot prompting kapag ang output ay kailangang sumunod sa pattern na hindi makukuha ng model mula sa instruksyon lang:
Custom na format: Kapag kailangan mo ng output sa partikular na istraktura — JSON na may particular na fields, table na may eksaktong column, bullet points na may partikular na estilo. Mas maipakikita ng halimbawa ang format kaysa ipaliwanag.
Sariling mga kategorya ng classification: Kung inuuri mo ang customer email sa kategorya tulad ng "billing-question," "feature-request," "bug-report," at "general-inquiry," makakatulong ang halimbawa para maintindihan ng model ang iyong kahulugan.
Pagtugma ng brand voice o tono: Gusto mo bang sumulat ang AI tulad ng existing content ng kumpanya mo? Magpakita ng 2-3 halimbawa ng tinig na iyon. Malabo ang instruksyon na "sumulat sa propesyonal pero friendly na tono"; mas tiyak ang halimbawa.
Domain-specific na terminolohiya: Kung ang industriya mo ay gumagamit ng jargon o abbreviation na may ibang kahulugan sa ibang lugar, tinuturuan ng halimbawa ang model ng iyong konteksto.
Mga edge case at nuance: Pagtuklas ng sarcasm, irony, o banayad na pagkakaiba na nakakatumba sa zero-shot. Ipinapakita ng pananaliksik na malaki ang naitutulong ng few-shot prompting sa paghawak ng mga edge case sa sentiment tulad ng negation at sarcasm.
Isang pag-aaral ang nakakita na para sa Twitter sentiment classification, ang few-shot prompting na may 20-50 halimbawa lang ay halos kasing-husay ng mga model na fine-tuned sa 10,000+ na halimbawa. Iyan ang lakas ng tamang pagpili ng demonstrasyon.
Kung napansin mong nagtatayo ka ng library ng few-shot prompts para sa iba't ibang gawain, makakatulong ang isang tool tulad ng PromptNest para i-save ang mga ito kasama ang variable tulad ng {{meeting_notes}} na nakatatak na — punan mo lang ang patlang kapag kinopya, at handa nang i-paste ang kumpletong prompt.
Ang "Magsimula sa zero, mag-upgrade kung kailangan" na workflow
Heto ang praktikal na approach na nakakatipid ng oras at token:
Hakbang 1: Subukan muna ang zero-shot. Sumulat ng malinaw na prompt na naglalarawan ng gusto mo. Maging tiyak sa gawain, pero huwag muna magsama ng halimbawa.
Hakbang 2: Suriin ang output. Nakuha mo ba ang kailangan mo? Kung oo, tapos na. Kung hindi, alamin kung ano ang mali — format ba? Tono? Kulang sa detalye? Hindi naintindihan ang gawain?
Hakbang 3: Magdagdag ng nakatuong halimbawa. Gumawa ng 2-3 halimbawa na partikular na nagpapakita ng bagay na hindi nakuha ng model. Kung mali ang format, ipakita ang tamang format. Kung mali ang tono, ipakita ang tamang tono.
Mahalaga ang workflow na ito dahil hindi ka humuhula kung kailangan mo ng halimbawa — tumutugon ka sa aktwal na puwang. Minsan, ang pagdagdag lang ng "Let's think step by step" sa zero-shot prompt ay nagaayos ng problema sa reasoning nang hindi na kailangan ng halimbawa. Pinatutunayan ng pananaliksik na madalas mas magaling ang zero-shot chain-of-thought kaysa few-shot para sa reasoning task.
Ilang halimbawa ba talaga ang kailangan mo
Tinuturo ng pananaliksik na ang sweet spot ay 2-5 halimbawa para sa karamihan ng gawain. Heto ang ipinapakita ng datos:
- Ang unang 2-3 halimbawa ang nagbibigay ng pinakamalaking accuracy boost
- Mabilis bumababa ang return pagkatapos ng 4-5 halimbawa
- Mas marami pang halimbawa ay puwedeng makasira sa performance dahil nagdadala ng nag-uumpugang pattern
- Mas mahalaga ang kalidad ng halimbawa kaysa dami — tatlong magagandang halimbawa, panalo sa sampung kahit ano lang
May mahalaga ring natuklasan tungkol sa pagkakasunod ng halimbawa: ipinapakita ng pag-aaral na ang sequence ng iyong halimbawa ay nakakaapekto sa resulta, at kung minsan ang tamang pagkakasunod ang nagpapasya sa pagitan ng magaling at mahinang performance. Kung hindi gumagana nang maayos ang iyong few-shot prompt, subukan munang baguhin ang pagkakasunod ng halimbawa bago magdagdag pa.
Ilustrasyon na nagpapakita ng mga example card na idinadagdag sa prompt, na may bumababang return pagkatapos ng unang ilang halimbawa
Para sa karamihan ng gamit, magsimula sa 2 halimbawa. Kung hindi pa rin sapat ang accuracy, magdagdag ng pangatlo na sumasaklaw sa ibang variation. Bihira mong kakailanganin ang higit sa 4.
Chain-of-thought: ang gitnang lupain para sa reasoning
May ikatlong opsyon na lalo na epektibo para sa math, lohika, at multi-step na problema: chain-of-thought prompting. Sa halip na magpakita ng input-output na halimbawa, hilingin mo sa model na "mag-isip nang hakbang-hakbang."
Ganito ang itsura ng zero-shot chain-of-thought:
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.
Ang simpleng pariralang iyon — "Let's work through this step by step" — ay nag-uudyok sa model na ipakita ang reasoning nito sa halip na tumalon agad sa sagot. Para sa kumplikadong reasoning, madalas mas magaling ito kaysa zero-shot at few-shot.
Natuklasan ng kamakailang pananaliksik mula sa arXiv na para sa malalakas na model tulad ng GPT-4 at Claude, madalas mas magaling ang zero-shot chain-of-thought kaysa few-shot prompting sa reasoning task. Ang halimbawa ay puwedeng magpakipot sa pag-iisip ng model imbes na tumulong.
Gamitin ang chain-of-thought kapag:
Ang gawain ay nangangailangan ng maraming hakbang ng lohika
Kailangan mong ipaliwanag ng model ang reasoning nito (kapaki-pakinabang sa pagtukoy ng error)
May kasamang math, coding logic, o analytical na problema
Gusto mong i-verify ang approach ng model, hindi lang ang sagot
Kumpletong mga halimbawa ng prompt na puwede mong kopyahin
Tingnan natin ang tatlong approach nang magkatabi para sa totoong gawain. Lahat ng prompt ay sinubukan sa GPT-4 at Claude at handa nang gamitin.
Gawain 1: Pag-uri ng tono ng email
Zero-shot na bersyon:
Classify the tone of this customer email as: frustrated, satisfied, neutral, or urgent.
Email:
{{email_text}}
Tone:
Few-shot na bersyon (mas magaling sa edge case):
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:
Tinutulungan ng few-shot na bersyon ang model na maintindihan ang iyong partikular na kahulugan. Puwedeng malabo ang pagkakaiba ng "urgent" at "frustrated" — nilinaw ng halimbawa ang iyong hangganan.
Gawain 2: Pag-rewrite ng product description
Zero-shot na bersyon:
Rewrite this product description to be more engaging and benefit-focused. Keep it under 100 words.
Original: {{product_description}}
Rewritten version:
Few-shot na bersyon (mas magaling sa pagkakapareho ng brand voice):
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:
Tinuturo ng few-shot na bersyon ang partikular na estilo ng copywriting — benefit-led, parang nag-uusap, may tiyak na use case. Sa zero-shot, magbibigay siya ng isang rewrite, pero hindi kinakailangang sa iyong tinig.
Gawain 3: Pag-aayos ng bug report
Zero-shot na bersyon:
Convert this bug report into a structured format with: Summary, Steps to Reproduce, Expected Behavior, and Actual Behavior.
Bug report: {{bug_report}}
Few-shot na bersyon (mas magaling sa pagkakapareho ng format):
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:
Para sa technical documentation, mahalaga ang pagkakapareho. Tinitiyak ng few-shot na bersyon na ang bawat bug report ay sumusunod sa parehong istraktura at antas ng detalye.
Mabilisang decision framework
Kapag nakatitig ka sa bagong gawain, tanungin ang sarili mo nito:
1. Diretsahan ba at malinaw ang gawain? → Magsimula sa zero-shot
2. Kailangan mo ba ng partikular na format na baka hindi mahulaan ng model? → Gumamit ng few-shot
3. May multi-step na reasoning ba ang gawain? → Subukan muna ang zero-shot chain-of-thought
4. Kailangan mo ba ng pareho-parehong brand voice o domain terminology? → Gumamit ng few-shot na may halimbawa sa tinig na iyon
5. Nakuha mo ba ang 80% ng kailangan mo sa zero-shot? → Panatilihin. Hindi sulit ang perpekto kung 3x ang kapalit na token.
Hindi layunin ang gumamit ng pinakamagarang technique — ang layunin ay makakuha ng magandang resulta nang mabilis. Zero-shot ang default. Magdagdag ng komplikasyon kapag kulang na ang mas simpleng approach.
Pagsasagawa nito sa praktika
Ang pinakamahusay na paraan para maintindihan ito ay ang mag-eksperimento. Kumuha ng gawain na regular mong ginagawa — pagbubuod ng report, pagsulat ng email, pag-uri ng feedback — at subukan ang dalawang approach. Pansinin kung saan kulang ang zero-shot. Pansinin kung saan may totoong pagkakaiba ang few-shot.
Kapag nakahanap ka na ng prompt na gumagana, i-save mo sa lugar na talagang madali mong mahahanap ulit. Kung nagtatayo ka ng koleksyon ng prompt na may halimbawa at variable, ang PromptNest ay native na Mac app ($19.99 one-time sa Mac App Store, walang subscription, walang account, tumatakbo sa local) na nag-iingat ng mga ito nang organisado, mahanap, at maaabot sa pamamagitan ng keyboard shortcut mula sa kahit anong app. Wala nang paghahanap sa mga kalat-kalat na tala para sa perpektong few-shot prompt na sinulat mo tatlong linggo na ang nakaraan.
Magsimula nang simple. Magdagdag ng komplikasyon kapag kailangan. I-save ang gumagana. Iyan ang buong estratehiya.
