Przejdź do treści
promptowy.com / AI-ordlista / Few-shot prompting
Prompter

Few-shot prompting

Few-shot prompting innebär att du visar en AI-modell några konkreta exempel på indata och önskat resultat innan den löser din faktiska uppgift.

Few-shot prompting är en metod inom prompt engineering där du ger en AI-modell två, tre eller ett fåtal andra exempel på vad du vill uppnå innan du ber den utföra själva uppgiften. Istället för att bara förklara instruktionen i text visar du både indata och förväntat svar. Modellen uppfattar mönstret i dina demonstrationer och applicerar samma logik på det nya underlaget.

Metoden fungerar precis som när en ny medarbetare introduceras på en arbetsplats. Istället för att läsa en lång personalhandbok om hur man diarieför ett ärende förstår personen principen betydligt snabbare genom att titta på två tidigare ärenden som fyllts i korrekt. Inom AI ger detta ofta renare data, mer konsekvent ton och färre missförstånd jämfört med om du enbart formulerar en teoretisk instruktion.

Hur fungerar tekniken i praktiken?

Stora språkmodeller bygger på sannolikhetslära och mönsterigenkänning. När du skickar in en prompt utan exempel (så kallad zero-shot) måste modellen gissa vilket format, vilket djup och vilken stil du är ute efter baserat på sin grundläggning. Det kan leda till onödigt pratiga eller felaktigt strukturerade svar.

När du däremot använder few-shot prompting etablerar du en tydlig mall direkt i konversationen. Modellen analyserar relationen mellan dina exempel:

  • Struktur: Hur ska svaret delas upp? Används tabeller, punktlistor eller ren text?
  • Tonalitet: Är språket formellt som hos en svensk myndighet eller lättsamt som i ett sociala medier-inlägg?
  • Gränsdragning: Vad ska uteslutas och vad ska tas med i analysen?

Ett konkret exempel från en cykelverkstad i Uppsala

Tänk dig att du driver en lokal cykelverkstad i Uppsala och vill sortera inkommande e-postmeddelanden automatiskt till tre olika inkorgar: Akut reparation, Vanlig service eller Reservdelsfråga. Om du bara ber modellen att sortera mejl kan den börja skriva långa förklaringar till varför den valde en viss kategori.

Med few-shot prompting visar du i stället exakt hur resultatet ska se ut genom att bygga upp din prompt med några enkla mallrader:

Inkommande text: Hej! Kedjan hoppade av och växelörat är helt böjt, behöver cykeln till jobbet imorgon bitti.
Kategori: Akut reparation

Inkommande text: Undrar om ni har dubbdäck i dimension 40-622 på lager och vad de kostar?
Kategori: Reservdelsfråga

Inkommande text: Min elcykel gnisslar lite vid inbromsning, skulle vilja lämna in den någon gång nästa vecka.
Kategori: Vanlig service

Inkommande text: Hej, ramen sprack precis när jag cyklade över Fyrisspången, kan jag rulla förbi nu?
Kategori:

När modellen ser detta mönster fyller den omedelbart i ordet Akut reparation utan att lägga till onödig artighetsfras eller resonera kring sitt beslut. Du har med minimal ansträngning låst formatet till precis vad ditt system behöver.

Så skapar du framgångsrika exempel

För att få bästa möjliga effekt av few-shot prompting finns det några principer du bör hålla dig till. Det handlar inte om att överösa modellen med data, utan om precision:

  1. Håll exemplen konsekventa: Om du i ett exempel använder formatet Indata: / Svar: ska du inte byta till Fråga: / Resultat: i nästa rad.
  2. Välj representativa fall: Välj exempel som speglar den variation du förväntar dig i den verkliga situationen, till exempel både korta och lite längre texter.
  3. Kvalitet före kvantitet: Två till fyra väl valda exempel räcker nästan alltid. Fler än så riskerar att bara ta upp onödigt utrymme i promptens kontextfönster utan att ge bättre precision.
  4. Dubbelkolla facit: Om ett av dina egna demonstrationsexempel innehåller ett logiskt fel eller ett stavfel kommer modellen tro att detta är en del av mönstret och upprepa misstaget.

Vanliga misstag vid few-shot prompting

Ett mycket vanligt misstag är att ge för komplexa exempel där modellen drar fel slutsatser om vad som är viktigt. Om alla dina positiva exempel i en textklassificering råkar innehålla ordet snabbt kan modellen tro att just det ordet är signalen för en positiv text, snarare än helhetsbetydelsen.

Ett annat misstag är att blanda stilar. Om du vill att modellen ska sammanfatta handlingar från en bostadsrättsförening i Göteborg i tre korta punkter, men ditt ena exempel har fem punkter och ett annat har en sammanhängande brödtext, blir modellen osäker och faller tillbaka på sitt eget godtycke. Tydlighet och enhetlighet är grundbultarna för att lyckas.

Vanliga frågor

Vad är skillnaden mellan zero-shot och few-shot prompting?

Zero-shot innebär att du ger modellen en instruktion helt utan tidigare exempel på hur svaret ska se ut. Few-shot innebär att du inkluderar ett eller flera färdiga exempel på indata och utdata direkt i prompten.

Hur många exempel behövs för en bra few-shot-prompt?

Oftast räcker det med två till fyra tydliga exempel. Om uppgiften är mycket komplex kan några fler behövas, men oftast ger fler än fem exempel marginell förbättring och tar bara upp onödig plats.

Kräver few-shot prompting någon teknisk kodning?

Nej, du skriver bara dina exempel i vanlig text direkt i chattfönstret eller i ditt promptverktyg. Det kräver ingen programmering eller teknisk anpassning av modellen.

Är few-shot prompting samma sak som finjustering (fine-tuning)?

Nej, vid finjustering tränar man om modellens interna vikter permanent med tusentals exempel. Few-shot sker tillfälligt i den aktuella prompten och påverkar bara det enskilda svaret.

← Alla termer i AI-ordlistan

🛒 Sklep Kinetyka CapCut Pro 460 zł/rok Lovable Pro 450 zł/rok Replit Core 119 zł/rok Zobacz wszystko →
× ‹ powiększenie ›