Esempi Few-Shot fatti bene
Il prompting few-shot consiste nel mostrare al modello alcuni esempi svolti del compito prima di chiedergli di affrontarne uno nuovo. Fatto bene, è il modo più rapido per fissare un formato, uno stile o un comportamento sui casi limite — spesso meglio che descrivere a parole ciò che vuoi.
Perché gli esempi battono le descrizioni
"Sii conciso e amichevole" è vago. Mostrare due output concisi e amichevoli è inequivocabile. Il modello riconosce il pattern negli esempi e ne prosegue lo schema.
Un prompt few-shot pulito
Classify each support message as: billing, bug, or feature.
Message: "I was charged twice this month."
Label: billing
Message: "The app crashes when I upload a photo."
Label: bug
Message: "Can you add dark mode?"
Label: feature
Message: "My subscription renewed at the wrong price."
Label:
Il modello ha il pattern; completa l'ultima riga.
Come scegliere e formattare gli esempi
- Copri la varietà, soprattutto i casi limite che ti stanno a cuore. Se una categoria è rara o insidiosa, includila.
- Mantieni gli esempi coerenti nel formato — stessa struttura, stesse etichette, stessi delimitatori. L'incoerenza insegna incoerenza.
- 2–5 sono spesso sufficienti. Aumentarli aiuta per compiti difficili/variegati, ma costa token e può portare a overfitting sulle peculiarità degli esempi.
- L'ordine può contare — metti per primi gli esempi più chiari; per la classificazione, non raggruppare insieme tutti gli esempi di una stessa etichetta.
- Usa i delimitatori (o i tag XML) per separare gli esempi dall'input reale.
Zero-shot vs few-shot
Prova prima lo zero-shot (chiedi e basta) — i modelli moderni sono potenti. Aggiungi esempi quando ti serve un formato/stile specifico o quando il compito è ambiguo. Se lo zero-shot già funziona perfettamente, non pagare per gli esempi.
:::tip Gli esempi sono dati — tienili puliti Un esempio sbagliato o sciatto insegna attivamente la cosa sbagliata. Curali come fossero dati di training. :::