Prompts zero-shot et few-shot
Maîtrisez les techniques de prompting qui ne nécessitent aucun exemple (zero-shot) ou seulement quelques exemples (few-shot) pour obtenir le comportement souhaité du modèle.
Prompts zero-shot et few-shot est une leçon Prompt Engineering & LLM Optimization for Developers gratuite sur CoddyKit. Ceci est la leçon 3 sur 4. Tu peux lire la leçon complète ci-dessous gratuitement — puis la pratiquer en direct dans le navigateur avec un éditeur de code intégré et un tuteur IA 24/7. Elle fait partie du parcours d'apprentissage Prompt Engineering & LLM Optimization for Developers, et ta progression se synchronise sur le web et l'application CoddyKit. Le cours Prompt Engineering & LLM Optimization for Developers comprend 4 leçons au total.
Certaines parties de cette leçon n'ont pas encore été traduites et s'affichent en anglais.
Guiding LLMs with Examples
LLMs often need guidance. With zero-shot you give the task and no examples; with few-shot you include a few examples to show what you expect.
Zero-shot: Relying on Knowledge
Zero-shot prompting gives a task with no examples - the model leans entirely on its pre-trained knowledge. Efficient, and great for common, straightforward tasks.
Zero-shot in Action: Summarization
Here's a zero-shot summarization prompt: no example summaries, just the task. The model relies on its general grasp of summarizing.
Summarize the following text in one sentence:
"The quick brown fox jumped over the lazy dog. This action demonstrated the fox's agility and the dog's relaxed nature. It was a sunny afternoon, perfect for such playful antics."Zero-shot: Sentiment Analysis
Zero-shot shines for sentiment analysis too - just name the task and the model classifies it. Perfect for quick checks without specialized categories.
Classify the sentiment of the following product review as Positive, Negative, or Neutral:
"The battery life is terrible, but the camera is surprisingly good."When Zero-shot Falls Short
Zero-shot has limits: custom output formats, multi-step reasoning, ambiguous tasks, and consistency across queries can all trip it up. That's where few-shot helps.
Few-shot: Learning from Examples
Few-shot prompting includes a few input-output examples right in the prompt. They demonstrate the pattern, style, or format, boosting accuracy on tricky tasks.
Structuring Few-shot Prompts
A few-shot prompt is: instruction, a couple of input/output examples, then your new input. Keep examples clear, concise, and representative.
Instruction:
Input: Example 1 Input
Output: Example 1 Output
Input: Example 2 Input
Output: Example 2 Output
Input: Your New Input
Output:Few-shot in Action: Structured Output
Want JSON output? Few-shot nails it - the examples below pin down the exact structure for sentiment and confidence, so the model copies the shape.
Classify the sentiment of the following reviews and output as JSON:
Review: "This movie was fantastic!"
Output: {"sentiment": "Positive", "confidence": "High"}
Review: "I didn't like it at all."
Output: {"sentiment": "Negative", "confidence": "High"}
Review: "It was okay, nothing special."
Output: {"sentiment": "Neutral", "confidence": "Medium"}
Review: "The product worked sometimes, but often failed."
Output:Few-shot: Consistent Tone & Style
Few-shot is ideal for tone and style: hard to describe "quirky," easy to show. These examples teach the model a short, punchy headline voice.
Rephrase the following sentences into a short, catchy, and slightly quirky headline:
Original: "A group of scientists discovered a new species of glowing mushroom in the Amazon rainforest."
Headline: "Amazon Glow-Shroom Shines!"
Original: "The city council decided to ban plastic bags to protect the environment."
Headline: "Bag the Bags: City Goes Green!"
Original: "A new study suggests that eating chocolate can improve your mood."
Headline:Zero-shot vs. Few-shot: Choosing Your Tool
Choosing: zero-shot for simple, common tasks and lower cost; few-shot for specific formats, niche knowledge, and when consistency really matters.
Quick Check on Prompting
You need an LLM to extract specific data from customer reviews (e.g., product name, issue type, suggested improvement) and output it as a structured JSON object. Which prompting technique would be most effective?
Recap: Master Your Prompts!
Recap: zero-shot is quick and efficient for general tasks; few-shot uses examples to lift accuracy and consistency on complex ones. Match the tool to the job.
Questions Fréquemment Posées
La leçon « Prompts zero-shot et few-shot » est-elle gratuite ?
Oui — le texte complet de « Prompts zero-shot et few-shot » est gratuit à lire ici sur le web. Pour la pratiquer de manière interactive (un éditeur de code intégré et un tuteur IA 24/7) et déverrouiller le reste du cours Prompt Engineering & LLM Optimization for Developers, passe à CoddyKit PRO. Le cours Prompt Engineering & LLM Optimization for Developers comprend 4 leçons au total.
Qu'est-ce que j'apprendrai dans « Prompts zero-shot et few-shot » ?
Maîtrisez les techniques de prompting qui ne nécessitent aucun exemple (zero-shot) ou seulement quelques exemples (few-shot) pour obtenir le comportement souhaité du modèle. Tu pratiques Prompt Engineering & LLM Optimization for Developers avec du code pratique que tu exécutes directement dans le navigateur, et un tuteur IA 24/7 répond à tes questions au fur et à mesure que tu avances dans la leçon.
Dois-je avoir de l'expérience pour commencer Prompt Engineering & LLM Optimization for Developers ?
Aucune expérience préalable n'est requise. Prompt Engineering & LLM Optimization for Developers sur CoddyKit est structuré pour les débutants jusqu'aux apprenants avancés, donc tu peux commencer ici ou depuis le début et avancer à ton rythme. Ceci est la leçon 3 sur 4.
Combien de temps prend la leçon « Prompts zero-shot et few-shot » ?
La plupart des leçons CoddyKit prennent environ 5–10 minutes. Chacune est courte et interactive, tu progresses régulièrement et tu repiques exactement où tu t'es arrêté sur le web et l'app.
Peux-tu écrire et exécuter du code dans cette leçon Prompt Engineering & LLM Optimization for Developers ?
Oui. Chaque leçon Prompt Engineering & LLM Optimization for Developers inclut un éditeur de code intégré, tu écris et exécutes du vrai code directement dans ton navigateur et tu reçois des retours IA instantanés — aucune configuration locale requise.
Toutes les leçons de ce cours
- Introduction aux LLM et à la conception de prompts
- Structures de prompts de base
- Prompts zero-shot et few-shot
- Pièges courants des invites et moyens de les éviter