Mám do promptu pro AI přidávat příklady? A kolik jich je ideálně?

Ano – přidání 2–5 kvalitních příkladů do vašeho promptu (tzv. few-shot prompting) je jednou z nejúčinnějších technik, jak zlepšit výstup generativní AI. Few-shot prompting spočívá v tom, že modelu poskytnete v promptu několik ukázek (vstup + očekávaný výstup), které ho navedou k lepšímu výkonu a formátu odpovědi .

Co říkají výzkumy?

• Příklady dramaticky zvyšují přesnost. Model Claude 3 Haiku měl bez příkladů jen 11% úspěšnost, ale se třemi příklady vyskočil na 75 % – čímž se vyrovnal mnohem větším modelům bez ukázek .
• Optimální počet je 2–5 příkladů. Toto rozmezí se v odborné literatuře i praktických návodech uvádí jako zlatý střed, kdy model ještě chytá vzory, ale už není zahlcen .
• Více není vždy lépe. Studie z arXiv varuje před tzv. over-promptingem – přemíra příkladů může výkon modelu naopak zhoršit .
• Kvalita poráží kvantitu. Raději vsaďte na různorodé, reprezentativní a čisté ukázky, než abyste jich nacpali do promptu co nejvíc. Nekvalitní nebo nekonzistentní příklady model jen zmatou .
• U logických úloh zkuste nejdřív nulu. Než začnete přidávat příklady, otestujte, jestli si model neporadí sám (zero-shot). V některých případech mu totiž příklady spíš uškodí .

Praktická doporučení

Situace	Doporučený postup
Formátově citlivé úlohy (JSON, štítky, tón)	Použijte 2–5 čistých a různorodých příkladů, protože ukotví formát a styl výstupu .
Běžná klasifikace či generování textu	Začněte se 2–3 kvalitními ukázkami – model se podle nich naladí na správnou vlnu .
Úlohy vyžadující logické uvažování	Zkuste nejdříve prompt bez příkladů; pokud potřebujete lépe ukotvit formát, přidejte 1–2 ukázky a otestujte, zda to pomáhá .
Složitější extrakce dat	Vezměte malou sadu reprezentativních příkladů, které co nejlépe odpovídají zadanému úkolu .
Když si nejste jisti	Začněte se 3 příklady, otestujte a případně upravte – 2–5 je osvědčené rozmezí, víc už může škodit .

Shrnutí: Příklady do promptu rozhodně patří, držte se jich ale 2–5 a dejte přednost kvalitě a pestrosti před kvantitou . Vždy otestujte, zda váš konkrétní model reaguje na few-shot lépe než na zero-shot, obzvlášť u úloh, kde je potřeba logické uvažování – tam může být méně skutečně více .