TL;DR
Few-shot prompting berarti menunjukkan AI dua atau lebih contoh hasil — Input A → Output B — alih-alih mendeskripsikan apa yang Anda mau, sehingga ia meniru pola, nada, dan format persis yang Anda demonstrasikan. Ini kunci terkuat untuk output kustom yang pernah ada — dan prompt termahal yang bisa Anda kirim, karena setiap contoh ikut berlayar di setiap pesan.
Analogi
Cobalah mengajari seseorang pirouette lewat telepon.
"Putar tubuh 360 derajat pada satu kaki, di bola kaki, lengan melingkar, kepala men-spat." Secara teknis lengkap. Dan mustahil diajarkan begitu — kata-kata mendeskripsikan keterampilan itu, tapi keterampilan itu tidak terbuat dari kata. Sekarang taruh murid yang sama di depan instruktur tari, yang tak berkata apa-apa dan cukup melakukan tiga pirouette, perlahan, lalu berkata: "seperti itu."
Tubuh murid sudah tahu lebih banyak dari tiga demonstrasi daripada dari paragraf deskripsi mana pun. Manusia belajar banyak hal lewat imitasi jauh lebih cepat daripada lewat instruksi — dan model bahasa, ternyata, dibangun sama. Tunjukkan tiga contoh pola ke model dan ia sering mereproduksi polanya sempurna, termasuk detail yang tak terpikirkan oleh Anda untuk disebut dan tak Anda ketahui cara mendeskripsikannya.
Itulah seluruh pembeda pelajaran ini. Prompt one-shot memberi tahu — kata kerja, konteks, format — dan untuk kerja standar (rangkum, daftar, terjemahkan, tulis ulang), memberi tahu sudah cukup, karena model sudah tiga tarian itu. Few-shot prompting menunjukkan — Anda menempelkan tariannya sendiri, dua-tiga penampilan Input → Output, dan model meniru. Mendeskripsikan format tiket support khas perusahaan Anda dalam prosa adalah panggilan telepon itu. Menempel tiga tiket nyata adalah demonstrasinya.
Satu hal lagi soal instruktur tari: demonstrasi tidak gratis. Waktu instruktur, studio, tiga penampilan lambat — menunjukkan selalu lebih mahal daripada memberi tahu, setiap sesi. Ingat itu; ia menjadi ekonomi dari seluruh teknik ini.
Cara Kerjanya & Biayanya
Prompt few-shot adalah tumpukan contoh hasil diikuti input baru, terstruktur agar polanya tak mungkin disalahpahami:
| Elemen | Peran |
|---|---|
| Contoh 1: Input → Output | Mendefinisikan transformasinya |
| Contoh 2: Input → Output | Mengonfirmasi bukan kebetulan |
| Contoh 3: Input → Output | Mengunci perilaku edge-case (input sulit menunjukkan bagaimana Anda ingin kasus keras ditangani) |
| Input baru | Giliran model melanjutkan pola |
Contoh melakukan hal yang tak bisa dilakukan instruksi: mereka mendemonstrasikan segalanya sekaligus — format, nada, panjang, kapitalisasi, apa yang disertakan, apa yang dilewati — termasuk seratus mikro-keputusan yang tak pernah Anda sadari Anda buat. "Apple → Pomme. Car → Voiture. Sekarang terjemahkan: House." — tiga baris, dan model sudah tahu bahasanya, arahnya, kapitalisasinya, dan registernya. Tak ada paragraf instruksi yang bisa menspesifikasikan semua itu dalam lebih sedikit token. Inilah kenapa few-shot mengungguli deskripsi sekalipun yang bagus kapan pun pola targetnya kustom: model berhenti menebak dialek Anda dan mulai menuturkannya.
Sekarang tagihannya. Setiap contoh yang Anda tempel adalah teks di context window — meja yang dibaca ulang model sebelum setiap balasan. Contoh tak menguap setelah jawaban pertama; mereka duduk di meja sepanjang percakapan, menambah token ke setiap pesan berikutnya yang diproses. Tiga contoh berisi bisa dengan mudah melampaui gabungan sisa percakapan. Dan di Uzu, tempat pesan dihargai dalam G-Credits, fisika itu terlihat di saldo Anda: prompt few-shot memang lebih mahal per pesan daripada one-shot ramping, dan terus lebih mahal selama chat itu hidup.
Maka aturan yang dijalankan kurikulum ini:
One-shot secara default; few-shot saat terpaksa. Tunjukkan contoh saat format atau logikanya benar-benar kustom — house style, aturan parsing, skema klasifikasi dengan edge case Anda sendiri. Jika instruksi yang jelas bisa menangkapnya, beri tahu. Memberi tahu lebih murah — dan sering kali, sudah cukup.
Permainan ekonomi termurni: contoh menghasilkan harganya hanya saat format yang salah akan membebani Anda lebih dari token yang dibelanjakan — run ulang, pembersihan manual, sistem hilir yang rusak karena output malformed. Itulah ujian few-shot: bukan "apakah contoh membantu?" (hampir selalu) tapi "apakah pola ini membutuhkan demonstrasi?"
Sebelum & Sesudah (Prompt)
Contoh 1 — judul house-style
Tulis ulang pengumuman fitur ini sebagai judul yang punchy dalam brand voice kami.
"Brand voice" adalah deskripsi pirouette lewat telepon. Model menebak — punchy bagi nya, brand bagi nya — dan menyerahkan sesuatu yang energik dan sepenuhnya di luar karakter.
Tulis ulang pengumuman fitur ini sebagai judul yang cocok dengan gaya kami. Gaya kami:
Dashboard lama, dashboard baru → Metrik Anda menelepon. Mereka minta layar lebih besar. Mode offline rilis → Wi-Fi hilang. Kerja tetap jalan. Dark theme dirilis → Untuk kalian night owl, yang ini buat kalian.
Pengumuman fitur: Bulk export tayang →
Tiga demonstrasi dan model tak menebak lagi — panjang, format panah, penebalan, register permainan kata semuanya ditunjukkan, termasuk mikro-gaya yang tak akan pernah bisa Anda spesifikasikan. Baris keempat menyelesaikan sebuah pola, bukan instruksi.
Contoh 2 — format ekstraksi
Ekstrak tanggal, kota, dan total dari tiap baris struk di bawah.
Cukup mudah — sampai sistem Anda yang mengonsumsi output mengharapkan YYYY-MM-DD | CITY_UPPERCASE | cents-no-symbol, format yang tak ada di alam liar. Versi instruksi menghasilkan tanggal terbaca, nama kota wajar, dan simbol mata uang — benar, dan tak kompatibel.
Ekstrak tiap baris ke: tanggal, kota, total. Ikuti polanya persis:
"Paid $42.50 in Lisbon on 3 May" → 2026-05-03 | LISBON | 4250 "São Paulo, 12/Jan, R$199.90" → 2026-01-12 | SÃO PAULO | 19990
"Checkout Tokyo 7 Nov ¥3,000" →
Dua contoh, dan aturan yang tak terdokumentasi terajarkan: urutan hari-bulan ambigu diselesaikan, aksen dipertahankan dalam huruf kapital, simbol dibuang, desimal dikonversi ke unit. Output siap-mesin dari model yang tak pernah "dikonfigurasi" untuk apa pun — ia ditunjukkan.
Contoh 3 — nada yang tak boleh melenceng
Buat balasan pelanggan saya hangat tapi tidak berlebihan, profesional tapi tidak kaku.
Setiap kata dalam kalimat itu urusan selera, dan selera model berbeda dengan Anda. Balasannya kembali penuh tanda seru — hangat, menurut pembacaannya.
Tulis ulang draf balasan saya agar cocok dengan suara ini:
Draf: "Refund Anda telah diproses." → Balasan: "Refund Anda sedang berjalan — akan terlihat dalam 3 hari kerja. Terima kasih atas kesabarannya selama kami menyelesaikannya." Draf: "Item ini kehabisan stok." → Balasan: "Yang itu habis lebih cepat dari dugaan kami! Kami restock minggu ini dan akan email Anda begitu kembali."
Draf: "Akun Anda telah ditangguhkan." →
Nada tak bisa dideskripsikan; hanya didemonstrasikan. Dengan dua contoh, balasan ketiga mendarat dalam suara itu otomatis — tanpa kuliah tanda seru.
Kesalahan Umum
- Contoh yang bertentangan. Contoh satu output huruf kecil, contoh tiga kapital; satu formal, satu melawak. Model menyelesaikan kontradiksi dengan merata-ratakannya — menghasilkan output yang tak menyerupai contoh Anda mana pun. Audit contoh Anda seperti temuan audit: setiap detail harus sepakat, karena setiap detail mengajari.
- Terlalu banyak contoh, meja meledak. Sepuluh contoh "untuk keamanan" menempati context window sepanjang percakapan — menggeser konteks lanjutan dan menggembungkan biaya token tiap balasan di Uzu. Dua sampai empat contoh tajam hampir selalu mengunci pola; tambah kelima hanya saat edge case spesifik menuntut demonstrasinya sendiri.
- Contoh malas. Contoh dengan typo, output malas, atau format melenceng bukan gagal mengajar — ia aktif mengajarkan cacat Anda. Model akan mereproduksi kesalahan Anda dengan kesetiaan sempurna. Poles contoh Anda seperti copy yang sudah terbit.
- Memakai few-shot untuk tugas standar. Menempel tiga contoh "rangkum dalam satu paragraf" tak mendemonstrasikan apa pun yang tak bisa model lakukan dari satu instruksi jelas — Anda membayar harga demonstrasi untuk tarian yang semua orang sudah tahu. Simpan tekniknya untuk pola yang benar-benar hanya hidup di contoh Anda.
- Lupa contoh itu menetap. Tumpukan yang Anda tempel di pesan satu masih di meja pada pesan tiga puluh — masih menagih token, masih memengaruhi nada. Jika tugas berikutnya di chat yang sama butuh perilaku berbeda, mulai chat baru atau pensiunkan polanya secara eksplisit ("format baru mulai sekarang: ...").
FAQ
Apa bedanya zero-shot, one-shot, dan few-shot prompting?
Zero-shot berarti bertanya tanpa contoh — instruksi murni, seperti "terjemahkan ini ke Prancis." One-shot menyertakan satu contoh untuk mengunci pola; few-shot dua atau lebih contoh hasil, di mana penguncian pola kuat sampai cukup untuk format kustom. (Anatomi "prompt one-shot" kurikulum ini soal instruksi tunggal yang lengkap — dan saat instruksi itu memuat contoh, ia lulus menjadi few-shot.) Makin tidak lazim pola target Anda, makin banyak contoh untuk mengajarkannya.
Kapan pakai few-shot alih-alih mendeskripsikan formatnya?
Pakai few-shot saat polanya kustom, presisi, dan mahal bila salah: house style, aturan parsing, skema klasifikasi, output yang memberi makan sistem lain — apa pun yang membuat deskripsi prosa membuat model menebak. Jika formatnya standar (tabel, lima poin, satu paragraf) atau deskripsi bisa menangkapnya sepenuhnya, one-shot lebih cepat, murah, dan memadai. Ujiannya: bisakah orang asing yang cakap mereproduksi format Anda hanya dari deskripsi Anda? Jika tidak, demonstrasikan.
Apakah contoh membuat prompt AI lebih mahal?
Ya. Setiap contoh adalah token di context window, dan window diproses ulang untuk setiap balasan dalam percakapan — jadi contoh menambah biaya bukan sekali tapi terus-menerus. Di Uzu, tempat pesan dihargai G-Credits, tumpukan few-shot berat secara kasat mata adalah prompt termahal yang bisa Anda kirim. Maka disiplinnya: demonstrasikan hanya yang tak bisa ditangkap deskripsi, dan jaga contoh pada jumlah minimum yang mengunci pola.
Pelajaran Berikutnya
Few-shot menuntut Anda sudah punya contoh sempurna — tapi bagaimana dengan pola yang tak bisa Anda tunjukkan karena belum pernah Anda tulis? Ada langkah untuk itu: berhenti menyusun jawaban dan mulai menyusun pertanyaannya. Serahkan penulisan prompt itu sendiri kepada mesin.
Lanjut ke pelajaran berikutnya: Meta-Prompting
Latihan sebelum pergi: temukan satu format output yang Anda koreksi AI-nya lebih dari dua kali. Bangun tumpukan tiga contoh dari koreksi Anda — draf Anda sebagai input, versi perbaikan Anda sebagai output — dan jalankan tugas berikutnya lewat itu. Perhatikan apa yang direproduksi model yang tak pernah Anda tuliskan.