Perché funzionano 2-4 esempi

Il prompting few-shot funziona perché Claude generalizza a partire dagli esempi: non si limita a memorizzarli e ripeterli. La scheda riassuntiva è precisa sulla quantità: utilizzi 2-4 esempi mirati per ogni ambiguità.

Questo intervallo non è arbitrario. È sufficiente per impostare uno schema, ma abbastanza ristretto da permettere al modello di generalizzare. Questa lezione spiega perché questo punto ottimale è valido nel lavoro di produzione.

Quando mostra a Claude 2-4 esempi, sta dimostrando una regola: questa forma di input corrisponde a quella forma di output. Il modello deduce lo schema sottostante e lo applica a input nuovi e mai visti.

Per questo il few-shot è lo strumento di riferimento per coerenza, casi limite, formato dell'output e riduzione delle allucinazioni: sono tutti ambiti in cui un'istruzione vaga lascia troppo spazio a variazioni.

Lo zero-shot si basa interamente sulla formulazione delle istruzioni. Per i compiti realmente ambigui, le sole parole non definiscono con sufficiente precisione il confine. La scheda riassuntiva sottolinea che i criteri espliciti sono migliori delle indicazioni vaghe; tuttavia, anche criteri precisi a volte hanno bisogno di una dimostrazione concreta per essere fissati.

Un esempio scelto bene risolve un'ambiguità che un paragrafo di prosa non riuscirebbe a chiarire. Questo rappresenta il limite inferiore dell'intervallo 2-4: almeno un paio di dimostrazioni per ogni decisione ambigua.

Un solo esempio è rischioso: il modello potrebbe adattarsi eccessivamente alle sue caratteristiche superficiali, come una formulazione o una lunghezza specifica, oppure a un dettaglio casuale, considerandolo parte della regola.

Un secondo e un terzo esempio permettono a Claude di triangolare ciò che varia davvero rispetto a ciò che rimane costante. La struttura condivisa diventa il segnale; le differenze accidentali diventano rumore da ignorare.

Se pochi esempi sono utili, perché non riempire il prompt? Per due motivi.

• Eccessiva specializzazione: con troppi esempi, Claude potrebbe iniziare a rispecchiarne lo stile esatto e smettere di generalizzare; si restringerebbe al set di addestramento invece di apprendere la regola.
• Costo del contesto: blocchi lunghi di esempi consumano la finestra di contesto e peggiorano il fenomeno lost-in-the-middle, per cui il modello presta meno attenzione ai contenuti sepolti nel mezzo.

2-4 esempi mantengono nitida la dimostrazione e snello il prompt.

L'obiettivo del few-shot è definire uno schema, non enumerare ogni possibilità. Se si accorge di aggiungere un decimo esempio per gestire un altro caso, è un segnale: probabilmente il compito ha bisogno di criteri più chiari o di uno schema di output strutturato, non di altri esempi.

Esempi in contrasto tra loro o accumulati senza criterio confondono la regola e diluiscono l'attenzione. Si assicuri che ogni dimostrazione abbia una funzione precisa.

Legga attentamente la formulazione della scheda riassuntiva: 2-4 esempi per ogni ambiguità. Il budget si applica a ogni distinto punto di confusione, non all'intero prompt.

Se un'attività presenta due decisioni ambigue separate, ad esempio come classificare e come formattare la data, fornisca un piccolo set mirato per ciascuna. Non è limitato a quattro esempi complessivi; il limite riguarda un numero ridotto e mirato per ogni decisione da disambiguare.

La qualità conta più della quantità. Due esempi collocati esattamente sul confine decisionale insegnano più di dieci esempi ovvi. Scelga casi facili da classificare erroneamente: il quasi-caso, il caso limite, l'input che sembra appartenere a una categoria ma in realtà appartiene a un'altra.

È proprio per questo che la scheda riassuntiva collega il few-shot ai casi limite: un paio di coppie contrastive ben posizionate definiscono la regola molto meglio di una massa di esempi centrali e privi di ambiguità.

Per la forma dell'output, abbini un paio di esempi a uno schema JSON tramite tool_use. Lo schema impone i campi obbligatori ed elimina gli errori di sintassi; i 2-4 esempi insegnano il giudizio che lo schema non può esprimere: quale valore inserire in quale campo quando l'input è complesso.

Ricordi la regola dello schema: contrassegni un campo come obbligatorio solo se è sempre presente. Non renda mai obbligatorio un campo che potrebbe essere assente, altrimenti il modello ne inventerà uno.

Non confonda i due concetti. Il few-shot imposta lo schema in anticipo, affinché la prima risposta sia corretta. Il nuovo tentativo con feedback corregge una risposta specifica errata dopo che è stata prodotta, inviando nuovamente l'input originale, l'output errato e l'errore di validazione preciso.

Aggiungere altri esempi non risolverà un errore dovuto a informazioni mancanti; neppure un nuovo tentativo può recuperare informazioni semplicemente assenti dalla fonte. Utilizzi gli esempi per definire il comportamento e i nuovi tentativi per correggere errori di formato o di aritmetica.

Per qualsiasi prompt ambiguo:

• Scriva prima i criteri espliciti (le istruzioni vaghe sono la base debole).
• Aggiunga 2-4 esempi per ogni ambiguità rimanente, scelti sul confine decisionale.
• Utilizzi uno schema quando il problema riguarda la forma dell'output, non il giudizio.
• Se continua ad aggiungere esempi, si fermi: corregga invece i criteri o lo schema.

Quanto basta per definire uno schema, ma abbastanza poco da mantenere la generalità.

Punti chiave:

• 2-4 esempi per ogni ambiguità rappresentano il punto ottimale: Claude generalizza a partire da essi, non si limita a ripeterli.
• Troppo pochi (0-1) lasciano la specifica insufficiente o inducono un adattamento eccessivo ai dettagli superficiali; troppi causano un'eccessiva specializzazione e sprecano contesto, riducendo l'attenzione verso la parte centrale.
• Scelga esempi sul confine decisionale: la qualità conta più della quantità.
• Abbini gli esempi a criteri espliciti e, per la forma dell'output, a uno schema JSON; non renda mai obbligatorio un campo che potrebbe essere assente.
• Se continua ad aggiungere esempi, corregga invece i criteri o lo schema.