Zero-shot- en few-shot-prompting
Ontdek hoe u reacties kunt uitlokken zonder voorbeelden (zero-shot) of door enkele illustratieve voorbeelden te geven (few-shot).
Zero-shot- en few-shot-prompting is een gratis AI-promptengineering-les op CoddyKit. Dit is les 2 van 3. Je kunt 3 lessen uit dit leerpad gratis volledig lezen — daarna ontgrendelt CoddyKit PRO alle lessen, plus praktische oefeningen met een ingebouwde code-editor en een AI-tutor die 24/7 beschikbaar is. Deze les maakt deel uit van het leertraject AI-promptengineering. Je voortgang wordt gesynchroniseerd op het web en in de CoddyKit-app. De cursus AI-promptengineering bevat in totaal 3 lessen.
Inleiding tot zero-shot en few-shot
Welkom bij deze les over zero-shot- en few-shot-prompting! Dit zijn fundamentele technieken om grote taalmodellen (LLM's) aan te sturen bij het uitvoeren van taken.
Als je deze technieken begrijpt, krijg je betere en nauwkeurigere uitvoer van AI.
Zero-shot begrijpen
Zero-shot prompting betekent dat je een LLM een taak geeft zonder voorbeelden te geven van hoe die moet worden uitgevoerd.
- Je vertrouwt volledig op de vooraf getrainde kennis van het LLM.
- De prompt bevat alleen instructies en invoergegevens.
- Dit werkt goed voor eenvoudige, veelvoorkomende taken die het LLM waarschijnlijk tijdens de training heeft gezien.
Zero-shot in actie: classificeren
Hier is een zero-shot-voorbeeld. We vragen het LLM om het sentiment van tekst te classificeren zonder eerdere sentimentclassificaties te tonen.
Probeer dit voorbeeld uit te voeren:
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: informatie extraheren
Zero-shot prompting is ook uitstekend geschikt om specifieke stukjes informatie uit tekst te halen.
We vertellen het LLM simpelweg waar het naar moet zoeken, waarna het zijn algemene kennis gebruikt om die informatie te vinden.
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)}")Beperkingen van zero-shot
Hoewel zero-shot prompting krachtig is, heeft het beperkingen:
- Dubbelzinnigheid: Taken die voor meerdere interpretaties vatbaar zijn, kunnen inconsistente resultaten opleveren.
- Nieuwheid: Als de taak of het concept erg nieuw of specialistisch is, kan het LLM zonder voorbeelden moeite hebben.
- Complexiteit: Voor redeneringen in meerdere stappen of zeer specifieke opmaak zijn alleen instructies misschien niet genoeg.
Kennismaking met few-shot prompting
Few-shot prompting ondervangt de beperkingen van zero-shot door enkele invoer-uitvoervoorbeelden rechtstreeks in de prompt op te nemen.
- Deze voorbeelden laten het LLM zien welke taak, stijl of indeling gewenst is.
- Het is alsof je een leerling een paar opgeloste vraagstukken laat zien voordat je vraagt een nieuw vraagstuk op te lossen.
- Deze techniek verbetert de prestaties aanzienlijk bij complexe of dubbelzinnige taken.
Few-shot in actie: herschrijven
Hier geven we een voorbeeld van hoe je een zin naar de actieve vorm herschrijft. Zo begrijpt het LLM welke specifieke transformatie we willen.
Let op hoe het voorbeeld de taak verduidelijkt:
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: code genereren
Few-shot prompting is bijzonder nuttig voor het genereren van code of het volgen van specifieke uitvoerindelingen.
Door een voorbeeld van de gewenste code te tonen, bijvoorbeeld een functiehandtekening en -inhoud, kan het LLM die structuur beter nabootsen.
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)}")De juiste techniek kiezen
Hoe bepaal je of je zero-shot of few-shot gebruikt?
- Zero-shot: Het beste voor eenvoudige, goed begrepen taken waarvoor de algemene kennis van het LLM voldoende is. Het is beknopt en bespaart tokenruimte.
- Few-shot: Ideaal voor complexe, genuanceerde of aangepaste taken waarvoor specifieke indelingen of stijlen nodig zijn. Het biedt belangrijke sturing en verbetert de nauwkeurigheid, maar gebruikt meer tokens.
Toets over zero-shot en few-shot
Welke promptingtechniek is over het algemeen beter voor eenvoudige, duidelijk omschreven taken waarvoor geen specifieke voorbeelden nodig zijn?
Samenvatting: de kracht van prompting
Je hebt twee fundamentele promptingtechnieken geleerd:
- Zero-shot prompting gebruikt alleen instructies en benut de brede kennis van het LLM voor eenvoudige taken.
- Few-shot prompting voegt voorbeelden aan de prompt toe en biedt belangrijke sturing voor complexere, genuanceerde of aangepaste uitvoer.
Als je deze technieken beheerst, kun je effectiever met LLM's werken en de gewenste resultaten bereiken!
Leer AI-promptengineering met een AI-tutor — gratis
Schrijf echte code en voer die uit in je browser, krijg direct hulp van een AI-tutor die 24/7 beschikbaar is en ga verder waar je gebleven bent op het web of in de app.
- Cursussen
- 53
- Lessen
- 199
Veelgestelde vragen
Is de les “Zero-shot- en few-shot-prompting” gratis?
Ja — je kunt hier op het web alle 3 lessen van het leerpad AI-promptengineering, waaronder “Zero-shot- en few-shot-prompting”, gratis volledig lezen. Daarna ontgrendelt CoddyKit PRO alle lessen, plus interactieve oefeningen met een ingebouwde code-editor en een AI-tutor die 24/7 beschikbaar is. De cursus AI-promptengineering bevat in totaal 3 lessen.
Wat leer ik in “Zero-shot- en few-shot-prompting”?
Ontdek hoe u reacties kunt uitlokken zonder voorbeelden (zero-shot) of door enkele illustratieve voorbeelden te geven (few-shot). Je oefent met AI-promptengineering door code rechtstreeks in de browser uit te voeren. Een AI-begeleider die 24/7 beschikbaar is beantwoordt je vragen terwijl je de les doorwerkt.
Heb ik ervaring nodig om met AI-promptengineering te beginnen?
Ervaring vooraf is niet nodig. AI-promptengineering op CoddyKit is opgebouwd voor beginners tot gevorderden, zodat je hier of bij het begin kunt starten en in je eigen tempo kunt leren. Dit is les 2 van 3.
Hoe lang duurt de les “Zero-shot- en few-shot-prompting”?
De meeste lessen van CoddyKit duren ongeveer 5–10 minuten. Elke les is kort en interactief, zodat je gestaag vooruitgaat en op het web en in de app precies verdergaat waar je was gebleven.
Kan ik code schrijven en uitvoeren in deze les over AI-promptengineering?
Ja. Elke les over AI-promptengineering bevat een ingebouwde code-editor, zodat je rechtstreeks in je browser echte code kunt schrijven en uitvoeren en direct feedback van AI krijgt — lokale installatie is niet nodig.
Alle lessen in deze cursus
- Mogelijkheden van LLM's begrijpen
- Zero-shot- en few-shot-prompting
- Rollenspellen en personaprompts