Few-shot prompting explicado: exemplos vs zero-shot
Prompts zero-shot trazem só instruções; os few-shot acrescentam exemplos. Veja quando exemplos melhoram o resultado e quando causam cópia, viés e deriva.
Exemplos
Few-shot prompting significa incluir no prompt alguns exemplos resolvidos (a entrada e a saída que você quer) para que o modelo copie o padrão. É a forma mais rápida de fixar um formato ou um estilo de rotulagem. O porém é que os modelos copiam tudo, inclusive manias que você não queria, então a escolha e o equilíbrio dos exemplos importam tanto quanto a instrução.
Your app parses the model’s JSON, but sometimes the reply starts with “Sure! Here is the JSON:”. What is the most robust fix?
Seus 3 exemplos para um classificador de sentimento estão todos rotulados como “positivo”. Qual é o efeito colateral mais provável?
B. O modelo tende a responder “positivo” Os modelos captam a distribuição dos rótulos nos exemplos. Exemplos desequilibrados enviesam a saída, então misture rótulos e inclua um caso limítrofe.
O zero-shot dá apenas uma instrução. O few-shot acrescenta alguns exemplos de entrada e saída da tarefa. Os exemplos ajudam mais quando o formato ou o julgamento é difícil de descrever em palavras.
Em geral, de dois a cinco exemplos bem escolhidos e variados. Mais exemplos custam tokens e podem fazer o modelo copiar demais detalhes superficiais.
Prompts zero-shot trazem só instruções; os few-shot acrescentam exemplos. Veja quando exemplos melhoram o resultado e quando causam cópia, viés e deriva.
Obter JSON válido de um LLM exige mais que pedir com educação. Use schemas, saída estruturada, validação e retentativas e evite as falhas mais comuns.
Os erros de engenharia de prompts que causam a maioria das respostas ruins de IA, de contexto faltando a regras conflitantes, cada um com uma solução.
Quizzes curtos sobre decisões reais de prompting, com uma explicação para cada resposta. Grátis para começar no iPhone e no Android.