Объяснить словами «пиши в нашем фирменном стиле» почти невозможно. Показать — легко. Это и есть few-shot: примеры «вход → выход» прямо в промпте.

Как это выглядит

Переписывай отзывы клиентов в посты для соцсетей.

Пример 1:
Отзыв: «Всё быстро привезли, курьер вежливый»
Пост: «⚡ 43 минуты от заказа до двери — рекорд недели от нашего курьера Димы!»

Пример 2:
Отзыв: «Наконец нашла размер, который сидит»
Пост: «👗 История Марины: три магазина, ноль результата — и идеальная посадка у нас»

Теперь: «Отличный сервис, вернусь ещё»

Модель считывает из примеров то, что трудно описать: длину, эмодзи, драматургию, тон.

Правила сильных примеров

1–3 примера достаточно. Больше — лучше только для сложных форматов.
Примеры должны быть разными — если оба про доставку, модель решит, что всё должно быть про доставку.
Качество примера = качество ответа. Модель скопирует и недостатки.
Покажи и граничный случай: как обработать плохой вход (пустой отзыв, негатив).

Когда few-shot обязателен

Специфический стиль бренда · нестандартная структура · классификация с неочевидными правилами · всё, где ты сам «знаешь, как надо, но объяснить сложно».

Открытие, с которого началась эпоха

В 2020 году исследователи OpenAI выпустили работу с говорящим названием «Language Models are Few-Shot Learners» («Языковые модели учатся по нескольким примерам») — о модели GPT-3. Сенсация была именно в этом: модель не нужно перепрограммировать под новую задачу — достаточно показать ей пару примеров прямо в запросе, и она ловит закономерность на лету. То, что тогда было научным открытием, сегодня — твой рабочий приём: каждый few-shot промпт использует ровно этот механизм.

Второй разбор: сортировка обращений

Few-shot незаменим в классификации, где правила словами не опишешь:

Определи категорию обращения: ЖАЛОБА / ВОПРОС / ИДЕЯ.
«Второй раз списали деньги, верните!» → ЖАЛОБА
«А можно оплатить картой другой страны?» → ВОПРОС
«Было бы удобно видеть историю заказов» → ИДЕЯ
«Почему у вас в приложении нельзя удалить карту?!» → ЖАЛОБА
Теперь: «Хочу как в Spotify — подборки по вкусу»

Обрати внимание на четвёртый пример: по форме это вопрос (есть «почему»), по сути — жалоба. Именно такие «обманки» учат модель смотреть на смысл, а не на знаки препинания. Без него треть гневных вопросов уехала бы не в ту папку.

Три ошибки, которые портят few-shot

Примеры спорят с инструкцией. Написал «отвечай формально», а примеры разговорные — модель поверит примерам: показ сильнее рассказа.
Все примеры — глянец. Реальные входы будут кривыми: с опечатками, обрывками, эмоциями. Хоть один пример должен быть таким же лохматым.
Примеры-близнецы. Три поста про скидки научат модель писать только про скидки. Разнообразие входов = гибкость на новых данных.

Словарь, который встретится в статьях

Приём имеет градации, и в материалах про ИИ ты встретишь все три термина: zero-shot — без примеров, чистая инструкция (для типовых задач хватает); one-shot — один пример (задаёт формат); few-shot — несколько примеров (задают стиль, логику и граничные случаи). Правило выбора простое: начни с zero-shot; ответ не в том стиле — добавь один пример; стиль пойман, но модель путается в сложных случаях — добавь ещё два, включая «обманку». Каждый пример — это плата токенами (помнишь часть 1 трека), поэтому больше — не значит лучше: три хороших бьют десять посредственных.

Финальный штрих: помечай примеры явно («Пример 1:», «Теперь:») — как в образцах этого урока. Модель отличает учебные пары от рабочего входа именно по разметке, и одна пропущенная метка иногда превращает твой реальный вопрос в «ещё один пример». Если ответы вдруг стали странно похожи на твои образцы по содержанию, а не по стилю, — проверь разметку: скорее всего, граница между примерами и рабочим входом размылась.

Сделай сейчас

Вспомни задачу, где ты вечно недоволен стилем ответов. Найди два своих удачных образца (старое письмо, пост, отчёт), вставь их как примеры «вход → выход» — и дай модели новый вход. Сравни с тем, что она выдавала без примеров: обычно это самый наглядный «вау» всего курса.

Few-shot: show, don't tell