Så många exempel ska du använda i dina AI-promptar för bästa resultat

Ja – att inkludera väldefinierade exempel i din prompt (few-shot prompting) är en av de mest effektiva teknikerna för att förbättra kvaliteten på AI-svar. Few-shot prompting innebär att du ger modellen några få demonstrationer i prompten för att styra den mot bättre resultat och anpassa svaret efter de angivna exemplen . Den optimala mängden ligger vanligtvis på 2–5 exempel, med forskning och vägledning som visar att för många exempel kan leda till avtagande eller till och med negativ effekt .

Viktiga insikter

• Exempel förbättrar träffsäkerheten dramatiskt. Claude 3 Haiku gick från 11 % korrekthet utan exempel till 75 % med bara tre exempel – samma prestanda som mycket större modellers zero-shot-resultat .
• 2–5 exempel är den forskningsunderbyggda optimala nivån. Prompt-guider beskriver few-shot prompting som att använda cirka 2–5 exempel, och en guide identifierar 2–5 exempel som det typiska optimala intervallet .
• Mer är inte alltid bättre. En studie på arXiv identifierade ett ”överprompningsproblem” där för många exempel kan försämra modellens prestanda – det utmanar antagandet att fler exempel alltid hjälper .
• Exempelkvalitet är viktigare än antal. Diversifierade, högkvalitativa och välspridda exempel kan överträffa enbart fler exempel, medan inkonsekventa exempel kan lära modellen inkonsekventa mönster .
• För resonemangstunga uppgifter – prova zero-shot först. Anta inte att exempel alltid behövs; testa zero-shot mot few-shot, eftersom överprompning kan minska prestandan i vissa sammanhang .

Praktiska rekommendationer

Scenario	Rekommenderat tillvägagångssätt
Formatkänsliga uppgifter (JSON, etiketter, ton)	Använd 2–5 rena, varierade exempel, eftersom exempel kan förankra format, ton och etiketter .
Standard textgenerering / klassificering	Börja med 2–3 högkvalitativa exempel – få-exempelsdemonstrationer kan styra modellen mot bättre prestanda .
Resonemangstunga uppgifter	Börja med zero-shot; lägg till 1–2 exempel endast om du behöver starkare formatkontroll, och testa om exemplen hjälper eller stjälper .
Komplexa extraktionsuppgifter	Använd en liten uppsättning representativa exempel som speglar uppgiften väl .
När du är osäker	Börja med 3 exempel, testa och justera – 2–5 exempel är en vanligt rekommenderad nivå, och för många exempel kan orsaka överprompning .

Slutsats: Använd exempel, håll dig till 2–5, och prioritera kvalitet och variation framför kvantitet . Testa om just din modell drar nytta av few-shot jämfört med zero-shot, särskilt för resonemangstunga uppgifter där extra exempel inte alltid hjälper .