Zero-shot- og few-shot-prompting
Opdag, hvordan De kan fremkalde svar uden eksempler (zero-shot) eller ved at give nogle få illustrative eksempler (few-shot).
Zero-shot- og few-shot-prompting er en gratis Promptteknik til AI-lektion på CoddyKit. Dette er lektion 2 af 3. Du kan læse alle 3 lektioner i dette læringsspor gratis i deres fulde længde — derefter låser CoddyKit PRO alle lektioner op samt praktiske øvelser med en indbygget kodeeditor og en AI-underviser døgnet rundt. Den er en del af læringsforløbet i Promptteknik til AI, og dine fremskridt synkroniseres på tværs af nettet og CoddyKit-appen. Promptteknik til AI-kurset indeholder 3 lektioner i alt.
Introduktion til zero-shot og few-shot
Velkommen til denne lektion om zero-shot- og few-shot-prompting! Det er grundlæggende teknikker til at få store sprogmodeller (LLM'er) til at udføre opgaver.
Når du forstår dem, kan du få bedre og mere præcise resultater fra AI.
Forstå zero-shot
Zero-shot-prompting betyder, at du giver en LLM en opgave uden at vise eksempler på, hvordan den skal udføres.
- Du baserer dig udelukkende på LLM'ets fortrænede viden.
- Prompten indeholder kun instruktioner og inputdataene.
- Det er effektivt til enkle, almindelige opgaver, som LLM'et sandsynligvis har set under træningen.
Zero-shot i praksis: Klassifikation
Her er et zero-shot-eksempel. Vi beder LLM'et om at klassificere tekstens følelsesmæssige tone uden at vise det nogen tidligere klassifikationer.
Prøv at køre dette eksempel:
def call_llm_api(prompt):
# In a real scenario, this would call an LLM API.
# For this example, we simulate a response.
if "sentiment" in prompt.lower():
return "Sentiment: Positive"
return "LLM Response: Could not process."
# Our zero-shot prompt
zero_shot_prompt = "Classify the sentiment of 'The movie was fantastic!'"
print(f"Prompt: {zero_shot_prompt}")
print(f"LLM Output: {call_llm_api(zero_shot_prompt)}")Zero-shot: Udtræk af oplysninger
Zero-shot-prompting er også velegnet til at udtrække specifikke oplysninger fra tekst.
Vi fortæller blot LLM'et, hvad det skal lede efter, og så bruger det sin generelle viden til at finde det.
def call_llm_api(prompt):
if "name and age" in prompt.lower():
return "Name: Alice, Age: 30"
return "LLM Response: Information not found."
# Another zero-shot prompt example
zero_shot_prompt = "Extract the name and age from 'My name is Alice and I am 30 years old.'"
print(f"Prompt: {zero_shot_prompt}")
print(f"LLM Output: {call_llm_api(zero_shot_prompt)}")Begrænsninger ved zero-shot
Selvom zero-shot-prompting er kraftfuld, har den begrænsninger:
- Tvetydighed: Opgaver, der kan fortolkes på flere måder, kan give inkonsekvente resultater.
- Nyhed: Hvis opgaven eller begrebet er helt nyt eller meget specialiseret, kan LLM'et have svært ved det uden eksempler.
- Kompleksitet: Ved ræsonnement i flere trin eller meget specifik formatering er instruktioner alene måske ikke nok.
Introduktion til few-shot-prompting
Few-shot-prompting afhjælper zero-shot-begrænsninger ved at inkludere nogle få eksempler på inddata og resultater direkte i prompten.
- Disse eksempler viser LLM'et, hvilken opgave, stil eller hvilket format der ønskes.
- Det svarer til at vise en elev nogle få løste opgaver, før du beder eleven løse en ny.
- Denne teknik forbedrer ydeevnen markant ved komplekse eller tvetydige opgaver.
Few-shot i praksis: Omskrivning
Her giver vi et eksempel på, hvordan man omformulerer en sætning til aktiv form. Det hjælper LLM'et med at forstå den konkrete ændring, vi ønsker.
Bemærk, hvordan eksemplet tydeliggør opgaven:
def call_llm_api(prompt):
if "active voice" in prompt.lower() and "ball was thrown" in prompt.lower():
return "Output: The boy threw the ball."
return "LLM Response: Could not rephrase."
# Our few-shot prompt with one example
few_shot_prompt = """Rephrase into active voice:
Input: The mouse was chased by the cat.
Output: The cat chased the mouse.
Rephrase into active voice:
Input: The ball was thrown by the boy."""
print(f"Prompt: {few_shot_prompt}")
print(f"LLM Output: {call_llm_api(few_shot_prompt)}")Few-shot: Kodegenerering
Few-shot-prompting er utroligt nyttig til at generere kode eller følge bestemte resultatformater.
Ved at vise et eksempel på den ønskede kode (f.eks. en funktionssignatur og funktionskrop) kan LLM'et bedre gengive den struktur.
def call_llm_api(prompt):
if "function to add" in prompt.lower():
return "def add(a, b):\n return a + b"
return "LLM Response: Code not generated."
# Few-shot prompt for code generation
few_shot_prompt = """Generate a Python function:
Example 1:
Input: Function to multiply two numbers.
Output:
def multiply(a, b):
return a * b
Example 2:
Input: Function to add two numbers."""
print(f"Prompt: {few_shot_prompt}")
print(f"LLM Output:\n{call_llm_api(few_shot_prompt)}")Valg af den rette teknik
Hvordan beslutter du, om du skal bruge zero-shot eller few-shot?
- Zero-shot: Bedst til enkle, veldefinerede opgaver, hvor LLM'ets generelle viden er tilstrækkelig. Det er kortfattet og bruger mindre plads i prompten.
- Few-shot: Ideel til komplekse, nuancerede eller tilpassede opgaver, der kræver bestemte formater eller stilarter. Den giver vigtig vejledning, forbedrer nøjagtigheden, men kræver mere plads i prompten.
Tjek af zero-shot og few-shot
Hvilken promptteknik er generelt bedst til enkle, veldefinerede opgaver, hvor der ikke er brug for specifikke eksempler?
Opsamling: Promptteknikkens styrke
Du har lært om to grundlæggende promptteknikker:
- Zero-shot-prompting bruger kun instruktioner og udnytter LLM'ets brede viden til enkle opgaver.
- Few-shot-prompting tilføjer eksempler til prompten og giver vigtig vejledning til mere komplekse, nuancerede eller tilpassede resultater.
Når du mestrer dem, kan du interagere mere effektivt med LLM'er og opnå de ønskede resultater!
Lær Promptteknik til AI med en AI-underviser — gratis
Skriv og kør rigtig kode i din browser, få øjeblikkelig hjælp fra en AI-underviser døgnet rundt, og fortsæt, hvor du slap, på web eller i appen.
- Kurser
- 53
- Lektioner
- 199
Ofte stillede spørgsmål
Er lektionen “Zero-shot- og few-shot-prompting” gratis?
Ja — alle 3 lektioner i læringssporet Promptteknik til AI, inklusive “Zero-shot- og few-shot-prompting”, kan læses gratis i deres fulde længde her på webstedet. Derefter låser CoddyKit PRO alle lektioner op samt interaktive øvelser med en indbygget kodeeditor og en AI-underviser døgnet rundt. Promptteknik til AI-kurset indeholder 3 lektioner i alt.
Hvad lærer jeg i “Zero-shot- og few-shot-prompting”?
Opdag, hvordan De kan fremkalde svar uden eksempler (zero-shot) eller ved at give nogle få illustrative eksempler (few-shot). Du øver dig i Promptteknik til AI med praktisk kode, som du kører direkte i browseren, og en AI-vejleder døgnet rundt besvarer dine spørgsmål, mens du arbejder dig gennem lektionen.
Skal jeg have erfaring for at begynde på Promptteknik til AI?
Der kræves ingen tidligere erfaring. Promptteknik til AI på CoddyKit er tilrettelagt for både begyndere og øvede, så du kan starte her eller fra begyndelsen og lære i dit eget tempo. Dette er lektion 2 af 3.
Hvor lang tid tager lektionen “Zero-shot- og few-shot-prompting”?
De fleste CoddyKit-lektioner tager cirka 5–10 minutter. Hver lektion er kort og interaktiv, så du gør løbende fremskridt og kan fortsætte, hvor du slap – på både web og app.
Kan jeg skrive og køre kode i denne Promptteknik til AI-lektion?
Ja. Alle Promptteknik til AI-lektioner har en indbygget kodeeditor, så du kan skrive og køre rigtig kode direkte i din browser og få øjeblikkelig feedback fra AI – uden lokal opsætning.
Alle lektioner i dette kursus
- Forstå LLM'ers muligheder
- Zero-shot- og few-shot-prompting
- Rollespil og persona-prompts