Wprowadzenie
Few-Shot Prompting to technika prompt engineeringu, w której modelowi językowemu podaje się kilka przykładów wykonania zadania (zwykle 2–10), zanim zada się właściwe pytanie. Dzięki temu model „uczy się na przykładach” w kontekście rozmowy, bez konieczności dostrajania wag modelu.
Porównanie z innymi technikami
- Zero-Shot Prompting – zadanie bez żadnych przykładów
- One-Shot Prompting – tylko jeden przykład
- Few-Shot Prompting – kilka przykładów (najczęściej 3–8)
Jak działa Few-Shot Prompting?
Model dzięki mechanizmowi In-Context Learning potrafi uogólniać wzorzec z podanych przykładów i stosować go do nowego zapytania. Przykłady działają jak „lekcja” w kontekście okna kontekstowego.
Struktura dobrego Few-Shot Promptu
- Jasne sformułowanie zadania na początku
- Przykłady w spójnym formacie (Input → Output)
- Różnorodność przykładów
- Precyzyjne oddzielenie przykładów (np. ### lub ---)
- Wskazanie formatu oczekiwanej odpowiedzi
Zalety Few-Shot Prompting
- Znaczna poprawa jakości odpowiedzi bez kosztownego fine-tuningu
- Łatwość testowania i iteracji
- Działa dobrze nawet z mniejszymi modelami
- Możliwość szybkiego dostosowania zachowania modelu
Ograniczenia
- Zajmuje miejsce w kontekście (koszt tokenów)
- Jakość mocno zależy od dobranych przykładów
- Przy bardzo długim kontekście może wystąpić „lost in the middle”
- Nie zawsze lepsze niż dobrze napisany Zero-Shot
Najlepsze praktyki
- Używaj 3–5 różnorodnych, ale spójnych przykładów
- Dbaj o porządek i czytelność
- Testuj różne zestawy przykładów
- Łącz z Chain-of-Thought dla zadań wymagających rozumowania
Aktualny status (2026)
Few-Shot Prompting pozostaje jedną z najważniejszych i najczęściej stosowanych technik prompt engineeringu. Mimo rozwoju zaawansowanego fine-tuningu (LoRA, RLHF) oraz agentów, umiejętność tworzenia skutecznych few-shot promptów jest kluczowa przy pracy z LLM. W nowszych modelach (GPT-5, Claude 4, Grok 3, Gemini 2.5) few-shot działa jeszcze lepiej dzięki większemu kontekstowi i lepszemu rozumowaniu.
To podstawowe narzędzie każdego, kto buduje aplikacje oparte na modelach językowych.