Что такое Few-Shot Prompting?

Обновлено в июле 2026. Материал редакции блога Зерокодера.

Few-shot prompting — это приём промпт-инжиниринга, при котором вы даёте языковой модели несколько примеров пар «вход → нужный ответ» прямо в запросе, а затем ставите новую задачу того же типа. Модель улавливает паттерн из примеров и повторяет его, не проходя дообучение и не меняя веса. «Few» — несколько (обычно 2–5), «shot» — пример.

• Few-shot = показать образец ответа, zero-shot = только описать задачу словами.
• Работает за счёт обучения в контексте (in-context learning): веса не меняются, поведение подстраивается под примеры в текущем запросе.
• Anthropic советует 3–5 примеров; все примеры — в одном формате, с разными краевыми случаями.
• Проигрывает при сложных многошаговых рассуждениях (нужен chain-of-thought) и при стабильно узкой задаче на больших объёмах (дешевле дообучение).
• Главные ошибки: разнобой в формате, однобокие примеры, слишком много примеров.

Чем few-shot prompting отличается от zero-shot и one-shot

Zero-shot -> One-shot -> Few-shot: растёт число примеров-образцов в промпте

Разница только в числе примеров-образцов внутри запроса. В zero-shot вы описываете задачу словами и не показываете ни одного ответа. В one-shot даёте ровно один образец. Few-shot — несколько образцов, чтобы модель точнее поняла и формат, и логику.

Разбор всех четырёх режимов, включая chain-of-thought, есть в отдельном материале про подходы zero-shot, one-shot, few-shot и chain-of-thought, а частный случай с одним примером — в статье про one-shot prompting.

ОБЗОРНЫЙ ПРАКТИКУМ ПО НАШУМЕВШИМ НЕЙРОСЕТЯМ

Нейросети DEEPSEEK И QWEN За 2 часа сделаем полный обзор новых мощных ИИ-моделей, которые бросают вызов нейросети ChatGPT

ТОП-подарки всем участникам лекции:

• Возможность получить Доступ в Нейроклуб на целый месяц
• Как ИИ ускоряет работу и приносит деньги
• За 2 часа вы получите четкий план, как начать работать с ИИ прямо сейчас!

Участвовать бесплатно

Как работает few-shot prompting внутри модели

Механизм называется обучение в контексте (in-context learning). Модель не переобучается: она не делает градиентных обновлений и не меняет веса — примеры влияют только на текущий ответ. В работе «Language Models are Few-Shot Learners» (Brown et al., 2020), представившей GPT-3 на 175 млрд параметров, few-shot определяется как задача и демонстрации, «заданные исключительно через текстовое взаимодействие с моделью» без «градиентных обновлений или дообучения». Там же показано: масштабирование модели «сильно улучшает task-agnostic few-shot-производительность».

Важная деталь про природу приёма — из исследования Min et al. (2022): для few-shot критично, чтобы демонстрации задавали пространство меток и распределение входов; при этом даже случайные метки в примерах работают «намного лучше, чем полное отсутствие меток». Практический вывод: модель во многом учится по структуре ваших примеров, а не только по их правильности. Поэтому единый формат образцов часто важнее их идеального содержания.

Как писать примеры для few-shot: число, порядок, формат

Это то место, где few-shot prompting чаще всего ломается на практике. Правила ниже опираются на документацию разработчиков моделей.

Сколько примеров давать

Anthropic в руководстве по промпт-инжинирингу прямо рекомендует: «Включайте 3–5 примеров для лучшего результата». Ниже двух примеров паттерн обычно не считывается, выше 5–10 растёт расход токенов и риск, что модель зацепится за случайную закономерность. Практический ориентир: наращивайте с 2–3 примеров, пока ответы не стабилизируются, и остановитесь — дальше отдача почти нулевая.

В каком формате

Все примеры — строго в одном шаблоне: одинаковые разделители, одинаковый порядок полей, одинаковый вид ответа. Anthropic советует оборачивать примеры в теги (<example>, несколько — в <examples>), чтобы модель отличала их от инструкции. OpenAI формулирует так: «При добавлении примеров показывайте разнообразный набор возможных входов с желаемыми выходами». Любой разнобой в формате модель воспримет как часть задачи и начнёт воспроизводить хаос.

В каком порядке и какие брать

Берите примеры разнообразные и покрывающие краевые случаи — Anthropic отдельно требует, чтобы образцы «покрывали краевые случаи» и не давали модели ухватить непреднамеренный паттерн. Если задача — классификация, включите примеры всех классов, иначе модель перекосит в сторону того класса, что встречается чаще. Порядок тоже влияет: наиболее показательный или трудный пример полезно ставить последним — он ближе к вопросу и сильнее влияет на ответ.

Рабочие шаблоны few-shot промптов

Три готовых каркаса под частые задачи. Обратите внимание: во всех примерах разделитель и структура одинаковы, а последняя строка обрывается стрелкой — это сигнал модели продолжить в том же формате.

Классификация тональности

Определи тональность отзыва: положительная, отрицательная или нейтральная. Отзыв: «Доставили за день, всё работает» -> положительная Отзыв: «Курьер опоздал на три часа» -> отрицательная Отзыв: «Заказ пришёл, коробка целая» -> нейтральная Отзыв: «Товар неплохой, но упаковка помялась» ->

Здесь три класса покрыты примерами, поэтому модель не перекашивает ответ в один полюс.

Извлечение данных в JSON

Извлеки данные из текста в JSON с полями name, city, role. Текст: «Иван, Москва, дизайнер» -> {"name":"Иван","city":"Москва","role":"дизайнер"} Текст: «Пётр из Казани, бэкенд-разработчик» -> {"name":"Пётр","city":"Казань","role":"бэкенд-разработчик"} Текст: «Анна, аналитик, живёт в Новосибирске» ->

Два примера с разным порядком слов во входе показывают модели, что важен не порядок, а поля JSON. Так вы получаете стабильную структуру ответа без описания схемы словами.

Ответ в заданном стиле

Перепиши техническую фразу простым языком, коротко. Вход: «Инициализируйте окружение перед запуском» -> «Сначала подготовьте программу к работе» Вход: «Валидация не пройдена» -> «Проверка не удалась, данные неверны» Вход: «Произошёл таймаут соединения» ->

Когда few-shot prompting проигрывает

Few-shot — не универсальное решение. Есть два случая, где он уступает.

Сложные многошаговые рассуждения. Prompt Engineering Guide отмечает: на задачах со сложной логикой (например, многошаговая арифметика) одних примеров мало — модель ошибается даже при нескольких образцах. Здесь работает chain-of-thought: вы просите модель рассуждать по шагам. Часто few-shot и chain-of-thought комбинируют — примеры показывают не только ответ, но и ход рассуждения.

Стабильная узкая задача на больших объёмах. OpenAI описывает few-shot как способ «направить модель на новую задачу, включив несколько пар вход/выход в промпт, вместо дообучения модели». Если задача одна и та же, идёт тысячами запросов, а примеры каждый раз занимают токены и увеличивают стоимость — дешевле и стабильнее дообучение (fine-tuning). Разумный порядок: сначала zero-shot, затем few-shot, и только когда примеры перестают давать прирост — fine-tuning.

Типичные ошибки few-shot prompting

• Разнобой в формате примеров. Разные разделители или структура — модель воспроизводит непредсказуемость.
• Однобокие примеры. Все образцы одного класса или одного сценария — ответы перекашивает в ту же сторону.
• Слишком много примеров. 10+ образцов раздувают промпт, жгут токены и повышают риск переобучения под случайную закономерность.
• Примеры не по теме. Образцы должны отражать ваш реальный кейс, иначе паттерн не переносится.
• Few-shot вместо рассуждения. На сложной логике примеры без chain-of-thought не спасают.

Краткая сводка

• Начните с 2–3 примеров, доводите до 3–5, дальше отдача падает.
• Держите единый формат и оборачивайте примеры в теги-разделители.
• Берите разнообразные образцы, покрывайте все классы и краевые случаи.
• Самый показательный пример ставьте последним.
• Сложная логика — добавьте chain-of-thought; массовая узкая задача — рассмотрите дообучение.

Больше приёмов из этой же области — в подборках про техники промптинга для промпт-инженера и актуальные приёмы улучшения ответов ИИ.

Частые вопросы про few-shot prompting

Сколько примеров нужно для few-shot?

Обычно 2–5. Anthropic рекомендует 3–5 примеров для лучшего результата. Меньше двух — модель не считывает паттерн; больше 5–10 — растёт расход токенов и риск переобучения под случайность.

Чем few-shot отличается от zero-shot?

В zero-shot вы только описываете задачу словами и не показываете ответов. В few-shot вы даёте несколько готовых пар «вход → ответ», и модель повторяет их логику и формат.

Few-shot дообучает модель?

Нет. Веса модели не меняются. Это обучение в контексте: примеры влияют только на текущий ответ и не сохраняются между запросами.

Когда лучше дообучение, а не few-shot?

Когда одна и та же узкая задача идёт большими объёмами: примеры в каждом промпте жгут токены. Тогда fine-tuning дешевле и стабильнее. OpenAI советует переходить к нему, когда few-shot перестаёт давать прирост.

Можно ли совмещать few-shot и chain-of-thought?

Да, и часто это лучший вариант для задач с рассуждением: в примерах вы показываете не только финальный ответ, но и пошаговый ход мысли.