TL;DR
Few-Shot промптинг — это показать AI два или более решённых примера — ввод A → вывод B — вместо объяснения желаемого:модель точно имитирует продемонстрированные паттерн, тон и формат.Это сильнейший фиксатор кастомного вывода из существующих — и самый дорогой промпт, который вы можете отправить.Потому что каждый пример едет в каждом сообщении.
Аналогия
Попробуйте научить кого-то пируэту по телефону.
«Встань на одну ногу, поверни тело на 360 градусов, на носках, руки округлены, голова зафиксирована».Технически безупречно.И этим методом ничему не научите — слова описывают навык, но навык сделан не из слов.Теперь посадите того же ученика перед танцевальным инструктором.Инструктор ничего не объясняет — просто три раза показывает пируэт, медленно, и говорит:«Вот так».
Тело ученика уже знает из трёх демонстраций больше, чем из любого абзаца объяснений.Люди учат большинство вещей подражанием куда быстрее, чем инструкциями — и языковые модели, как выяснилось, устроены так же.Покажите модели три примера паттерна, и она часто воспроизводит его идеально — включая детали, которые вы не предвидели и не смогли бы описать.
Это и есть водораздел всего урока.Промпт одного запроса рассказывает — глаголы, контекст, формат — и для стандартных задач (резюме, перечисление, перевод, правка) рассказывания достаточно.Модель уже знает этот танец.Few-Shot промптинг показывает — сам танец, вставленный как две-три демонстрации «ввод → вывод», и модель имитирует.Объяснить формат тикетов вашей компании прозой — это телефон.Вставить три настоящих тикета — демонстрация.
И последнее про танцевального инструктора:демонстрация не бесплатна.Время инструктора, студия, три медленных вращения — показывать дороже, чем рассказывать, на каждом уроке.Держите эту мысль при себе.Она станет экономикой всей техники.
Как это работает и цена
Few-Shot промпт структурирован как стопка решённых примеров, за которыми следует новый ввод, собранная так, чтобы паттерн был невозможно неверно истолковать:
| Элемент | Роль |
|---|---|
| Пример 1:ввод → вывод | Определяет преобразование |
| Пример 2:ввод → вывод | Подтверждает, что это не совпадение |
| Пример 3:ввод → вывод | Фиксирует поведение на граничных случаях (каверзный ввод показывает, как обращаться с трудными кейсами) |
| Новый ввод | Очередь модели продолжить паттерн |
Примеры делают то, чего не могут инструкции:демонстрируют всё сразу — формат, тон, длину, регистр, что включить, что опустить — включая сотни микрорешений, которых вы не осознавали. «Apple → Pomme. Car → Voiture. Теперь переведи:House.»— в трёх строках модель знает язык, направление, нотацию и регистр.Ни один абзац инструкций не специфицирует это меньшим числом токенов.Вот почему few-Shot побеждает даже блестящие объяснения, пока целевой паттерн кастомный:модель перестаёт гадать о вашем диалекте и начинает на нём говорить.
А теперь счёт.Каждый вставленный пример — это текст на контекстном окне, столе, который модель перечитывает перед каждым ответом.Примеры не испаряются после первого ответа;они сидят на столе весь диалог, добавляя токены каждому последующему обрабатываемому сообщению.Три плотных примера легко перевешивают остаток разговора.И в Uzu, где сообщения тарифицируются в G-Credits, эта физика видна в балансе:few-Shot промпт просто дороже за сообщение, чем стройный одноShot — и остаётся дороже, пока чат жив.
Отсюда правило, на которое опирается весь курс:
**По умолчанию — одноShot, few-Shot по необходимости.**Когда формат или логика действительно кастомные — стиль компании, правила парсинга, схема классификации с приватными граничными случаями — покажите примеры.Когда ясная инструкция способна зафиксировать — расскажите.Рассказ дешевле — и чаще всего достаточен.
Чистейшая экономическая игра:примеры окупаются только тогда, когда неверный формат дороже токенов — перегенерация, ручная чистка,системы дальше по потоку, ломающиеся на дефектном выводе.Вот тест на few-Shot:не «помогут ли примеры?» (почти всегда помогут), а «нуждается ли этот паттерн *в демонстрации?».
До и после (промпты)
Пример 1 — заголовки в стиле компании
Перепиши этот анонс функции в цепляющий заголовок в голосе нашего бренда.
«Голос бренда» — это пируэт по телефону.Модель гадает — цепляюще для неё, по-брендовому для неё — и возвращает нечто энергичное и совершенно не в голосе.
Перепиши этот анонс функции в заголовок в нашем стиле. Наш стиль:
Старый дашборд, новый дашборд → Ваши метрики позвонили. Им нужен экран побольше. Запуск офлайн-режима → Wi-Fi исчез. Работа осталась. Релиз тёмной темы → Полуночники, это ваше.
Анонс функции:массовый экспорт уже доступен →
После трёх демонстраций модель больше не гадает — длина, формат стрелки, жирный шрифт, регистр языковой игры всё показано, включая микростиль, который вы никогда бы не специфицировали.Четвёртая строка — не инструкция;она завершает паттерн.
Пример 2 — формат извлечения
Из каждой строки чека ниже извлеки дату, город и сумму.
Достаточно просто — пока система, потребляющая вывод, не ожидает ГГГГ-ММ-ДД | ГОРОД ВЕРХНИМ РЕГИСТРОМ | ЦЕНТЫ БЕЗ СИМВОЛА.Формата, которого не существует в природе.Версия с инструкциями выдаст читабельную дату, правильное название города и символ валюты — правильно, но несовместимо.
Извлеки из каждой строки дату, город и сумму. Точно следуй паттерну:
«Оплата 42.50 евро в Лиссабоне 3 мая» → 2026-05-03 | LISBOA | 4250 «Сан-Паулу, 12 января, R$199.90» → 2026-01-12 | SAO PAULO | 19990
«Токио выезд 7 ноября ¥3,000» →
Два примера обучают недокументированным правилам:разрешение неоднозначного порядка день-месяц, сохранение диакритики в верхнем регистре, срезание символа, конвертация дробных единиц.Машинно-готовый вывод от модели, в которой ничего этого не «настроено» — просто показали.
Пример 3 — тон, от которого нельзя отклониться
Составь ответ клиенту:тёплый, но без лести, профессиональный, но не деревянный.
Каждое слово в этом предложении — вопрос вкуса, а вкус модели отличается от вашего.Ответ вернётся увешанным восклицательными знаками — в прочтении модели это «тепло».
Перепиши черновики ответов в этом голосе:
Черновик:«Возврат обработан.»→ Ответ:«Возврат уже в пути — вы увидите его в течение 3 рабочих дней. Спасибо за терпение, пока мы это решали.» Черновик:«Нет в наличии.»→ Ответ:«Разлетелось быстрее, чем планировали! Пополнение на этой неделе — напишу вам, как только придёт.»
Черновик:«Ваш аккаунт приостановлен.»→
Тон нельзя объяснить;можно только показать.После двух примеров третий ответ автоматически приземляется в тот голос — без лекции о восклицательных знаках.
Частые ловушки
- **Противоречивые примеры.**Пример 1 выводит строчные буквы, пример 3 — прописные;один формален, другой шутит.Модель разрешает противоречие усреднением — производя вывод, не похожий ни на один пример.Аудируйте примеры, как аудиторские находки:каждая деталь должна совпадать, потому что каждая деталь учит.
- **Слишком много примеров, переполненный стол.**10 примеров «на всякий случай» займут контекстное окно на весь диалог — вытесняя последующий контекст и раздувая стоимость каждого ответа в Uzu.Два-четыре острых примера почти всегда фиксируют паттерн;пятый добавляйте только когда конкретный граничный случай требует собственной демонстрации.
- **Небрежные примеры.**Пример с опечатками, ленивым выводом или отклонением формата ничему не учит хуже, чем ничего, — он активно учит вашим дефектам.Модель воспроизводит ваши ошибки с идеальной точностью.Полируйте примеры как прозу на публикацию.
- **Few-Shot для стандартных задач.**Три примера «резюмируй в один абзац» не демонстрируют ничего сверх того, что даёт ясная инструкция — вы платите демо-цену за танец, который знает каждый.Приберегите технику для паттернов, которые реально существуют только в ваших примерах.
- **Забывать, что примеры остаются.**Стопка, вставленная в сообщении 1, всё ещё на столе в сообщении 30 — продолжает потреблять токены и продолжит влиять на тон.Если последующая задача в том же чате требует иного поведения — откройте новый чат или явно выведите паттерн в отставку («с этого момента новый формат:…»).
FAQ
В чём разница между zero-Shot, одноShot и few-Shot промптингом?
Zero-Shot — вопрос без примеров, чистая инструкция вроде «переведи это на французский».ОдноShot включает один пример для фиксации паттерна.Few-Shot — два или более решённых примеров:с этого момента фиксация паттерна достаточно сильна для кастомных форматов.(«Промпт одного запроса» в этом курсе — о полной единой инструкции;когда та инструкция включает примеры, она повышается до few-Shot.)Чем реже целевой паттерн, тем больше примеров нужно, чтобы его научить.
Когда использовать few-Shot вместо простого описания формата?
Когда паттерн кастомный, точный и дорогой при ошибке:стиль компании, правила парсинга, таксономии, выводы, питающие другие системы — всё, где прозаическое описание оставляет модели гадать.Когда формат стандартный (таблица, пять пунктов, один абзац) или описание полностью его фиксирует — одноShot быстрее, дешевле и достаточно.Тест:смог бы способный незнакомец воспроизвести ваш формат по одному описанию?Если нет — демонстрируйте.
Делают ли примеры промпты AI дороже?
Да.Примеры — токены на контекстном окне, а окно перерабатывается в каждом ответе диалога:примеры добавляют стоимость не разово, а непрерывно.В Uzu с тарификацией G-Credits тяжёлая few-Shot стопка — самый дорогой промпт на виду.Отсюда дисциплина:демонстрируйте только то, что не ловится описанием, и держите примеры в минимуме, фиксирующем паттерн.
Следующий урок
Few-Shot требует, чтобы у вас уже были идеальные примеры — а что если паттерн существует только в вашей голове, потому что вы его ещё ни разу не написали?На этот случай есть ход:перестать черновик ответа и начать черновик вопросов.Делегируйте написание промпта самой машине.
Следующий урок: Мета-промптинг
Упражнение перед уходом:найдите формат вывода, который вы корректировали у AI два и более раз.Постройте из правок стопку из 3 примеров — ваш черновик как ввод, исправленная версия как вывод — и прогоните следующую задачу через неё.Посмотрите, как модель воспроизводит то, что вы никогда не записывали.