Примеры в промпте: сколько нужно для идеального ответа ИИ?

Да — правильно подобранные примеры в вашем промпте (few-shot промптинг) — один из самых эффективных приёмов для повышения качества ответов ИИ. Few-shot промптинг передаёт модели несколько готовых примеров «вход-выход», чтобы направить её к лучшему результату . Исследования показывают, что оптимальное количество — 2–5 примеров, а добавление лишних может дать обратный эффект .

Ключевые выводы

• Примеры резко повышают точность. Claude 3 Haiku улучшил результат с 11% (ноль примеров) до 75% всего с тремя примерами — это сравнимо с работой гораздо более крупных моделей без примеров .
• 2–5 примеров — научно обоснованный оптимум. Специализированные руководства называют 2–5 примеров типичным оптимальным диапазоном .
• Больше — не всегда лучше. Исследование на arXiv выявило проблему «over-prompting»: избыток примеров может снизить производительность модели .
• Качество важнее количества. Разнообразные, качественные и хорошо подобранные примеры работают лучше, чем просто увеличение их числа; неоднородные примеры сбивают модель .
• Для задач на логику сначала попробуйте без примеров. Не думайте, что примеры нужны всегда: сравните zero-shot и few-shot, так как перегрузка промпта может ухудшить результат .

Практические рекомендации

Сценарий	Рекомендация
Задачи с форматом (JSON, метки, тон)	Используйте 2–5 чистых, разнообразных примеров — они задают шаблон .
Обычная генерация текста / классификация	Начните с 2–3 качественных примеров .
Задачи на логику и рассуждения	Сначала попробуйте без примеров; добавьте 1–2, только если нужен строгий формат — проверьте, помогают ли они .
Сложное извлечение данных	Возьмите небольшой набор репрезентативных примеров, точно отражающих задачу .
Когда сомневаетесь	Начните с 3 примеров, тестируйте и корректируйте — 2–5 примеров самый надёжный диапазон .

Итог: используйте примеры, держитесь в пределах 2–5 штук и ставьте качество выше количества . Всегда проверяйте, насколько ваша конкретная модель выигрывает от few-shot по сравнению с zero-shot, особенно на сложных логических задачах .