Zero-shot- og few-shot-prompting
Oppdag hvordan De kan fremkalle svar uten eksempler (zero-shot) eller ved å gi noen få illustrerende eksempler (few-shot).
Zero-shot- og few-shot-prompting er en gratis leksjon i AI-prompt engineering på CoddyKit. Dette er leksjon 2 av 3. Du kan lese valgfritt 3 leksjoner fra denne læringsstien gratis i sin helhet – deretter låser CoddyKit PRO opp alle leksjoner, samt praktisk øving med en innebygd kodeeditor og en AI-veileder som er tilgjengelig døgnet rundt. Den er en del av læringsløpet i AI-prompt engineering, og fremdriften din synkroniseres mellom nettet og CoddyKit-appen. Kurset i AI-prompt engineering inneholder totalt 3 leksjoner.
Introduksjon til zero-shot og few-shot
Velkommen til denne leksjonen om zero-shot- og few-shot-prompting! Dette er grunnleggende teknikker for å veilede store språkmodeller (LLM-er) til å utføre oppgaver.
Å forstå dem hjelper deg med å få bedre og mer presise resultater fra AI.
Å forstå zero-shot
Zero-shot-prompting innebærer å gi en LLM en oppgave uten å vise eksempler på hvordan den skal løses.
- Du baserer deg utelukkende på LLM-ens forhåndstrente kunnskap.
- Prompten inneholder bare instruksjoner og inndataene.
- Det er effektivt for enkle, vanlige oppgaver som LLM-en sannsynligvis har sett under treningen.
Zero-shot i praksis: Klassifisering
Her er et zero-shot-eksempel. Vi ber LLM-en klassifisere tekstens sentiment uten å vise den tidligere sentimentklassifiseringer.
Prøv å kjøre dette eksempelet:
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: trekke ut informasjon
Zero-shot-prompting egner seg også godt til å trekke ut bestemte informasjonsbiter fra tekst.
Vi forteller bare LLM-en hva den skal se etter, og den bruker den generelle kunnskapen sin til å finne 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)}")Begrensninger ved zero-shot
Selv om zero-shot-prompting er kraftig, har det begrensninger:
- Tvetydighet: Oppgaver som kan tolkes på flere måter, kan gi inkonsistente resultater.
- Nyhet: Hvis oppgaven eller konseptet er helt nytt eller svært nisjepreget, kan LLM-en få problemer uten eksempler.
- Kompleksitet: Ved resonnering i flere trinn eller svært spesifikk formatering er det kanskje ikke nok med bare instruksjoner.
Introduksjon til few-shot-prompting
Few-shot-prompting avhjelper begrensningene ved zero-shot ved å inkludere noen få eksempler på inndata og utdata direkte i prompten.
- Disse eksemplene veileder LLM-en i ønsket oppgave, stil eller format.
- Det er som å vise en elev noen løste oppgaver før du ber eleven løse en ny.
- Denne teknikken forbedrer ytelsen betydelig på komplekse eller tvetydige oppgaver.
Few-shot i praksis: omskriving
Her viser vi et eksempel på hvordan en setning kan omformuleres til aktiv form. Dette hjelper LLM-en med å forstå den spesifikke transformasjonen vi ønsker.
Legg merke til hvordan eksempelet tydeliggjør oppgaven:
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 svært nyttig for å generere kode eller følge bestemte utdataformater.
Ved å vise et eksempel på ønsket kode (f.eks. en funksjonssignatur og funksjonskropp) kan LLM-en bedre gjenskape den strukturen.
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)}")Å velge riktig teknikk
Hvordan avgjør du om du skal bruke zero-shot eller few-shot?
- Zero-shot: Best egnet for enkle, veldefinerte oppgaver der LLM-ens generelle kunnskap er tilstrekkelig. Det er kortfattet og sparer token-plass.
- Few-shot: Ideelt for komplekse, nyanserte eller tilpassede oppgaver som krever bestemte formater eller stiler. Det gir viktig veiledning og forbedrer nøyaktigheten, men bruker flere tokens.
Test av zero-shot og few-shot
Hvilken promptteknikk er vanligvis best for enkle, tydelig definerte oppgaver der det ikke er behov for spesifikke eksempler?
Oppsummering: Promptkraft
Du har lært om to grunnleggende promptteknikker:
- Zero-shot-prompting bruker bare instruksjoner og utnytter LLM-ens brede kunnskap til enkle oppgaver.
- Few-shot-prompting inkluderer eksempler i prompten og gir viktig veiledning for mer komplekse, nyanserte eller tilpassede resultater.
Når du mestrer disse, kan du kommunisere mer effektivt med LLM-er og oppnå ønskede resultater!
Lær deg AI-prompt engineering med en AI-veileder – gratis
Skriv og kjør ekte kode i nettleseren, få umiddelbar hjelp fra en AI-veileder som er tilgjengelig døgnet rundt, og fortsett der du slapp – på nettet eller i appen.
- Kurs
- 53
- Leksjoner
- 199
Ofte stilte spørsmål
Er leksjonen «Zero-shot- og few-shot-prompting» gratis?
Ja – du kan lese valgfritt 3 av leksjonene i læringsstien AI-prompt engineering, inkludert «Zero-shot- og few-shot-prompting», gratis i sin helhet her på nettet. Deretter låser CoddyKit PRO opp alle leksjoner, samt interaktiv øving med en innebygd kodeeditor og en AI-veileder som er tilgjengelig døgnet rundt. Kurset i AI-prompt engineering inneholder totalt 3 leksjoner.
Hva lærer jeg i «Zero-shot- og few-shot-prompting»?
Oppdag hvordan De kan fremkalle svar uten eksempler (zero-shot) eller ved å gi noen få illustrerende eksempler (few-shot). Du øver på AI-prompt engineering med praktisk kode som du kjører direkte i nettleseren, mens en AI-veileder som er tilgjengelig døgnet rundt, svarer på spørsmålene dine mens du jobber deg gjennom leksjonen.
Trenger jeg erfaring for å begynne med AI-prompt engineering?
Ingen tidligere erfaring er nødvendig. AI-prompt engineering på CoddyKit er lagt opp for både nybegynnere og viderekomne, så De kan begynne her eller helt fra start og lære i Deres eget tempo. Dette er leksjon 2 av 3.
Hvor lang tid tar leksjonen «Zero-shot- og few-shot-prompting»?
De fleste CoddyKit-leksjoner tar omtrent 5–10 minutter. Hver leksjon er kort og interaktiv, slik at De gjør jevne fremskritt og kan fortsette akkurat der De slapp – både på nettet og i appen.
Kan jeg skrive og kjøre kode i denne AI-prompt engineering-leksjonen?
Ja. Alle AI-prompt engineering-leksjoner har en innebygd kodeeditor, slik at De kan skrive og kjøre ekte kode direkte i nettleseren og få umiddelbar tilbakemelding fra AI – uten lokal konfigurering.
Alle leksjonene i dette kurset
- Forstå LLM-enes muligheter
- Zero-shot- og few-shot-prompting
- Rollespill- og persona-prompter