Приклад (також відомий як “few-shot prompting” або “multi-shot prompting”) – це метод надання нейромережі одного або декількох демонстраційних зразків бажаної відповіді або формату, щоб навчити модель, як саме вона має реагувати на ваш запит. Це значно покращує можливість моделі зрозуміти та виконати завдання відповідно до ваших очікувань.
- Підвищує точність і якість. Дослідження LLM показали, що використання прикладів разюче впливає на кінцевий результат. Це допомагає моделі генерувати саме те, що вам потрібно, покращуючи точність, послідовність та якість виводу.
- Спрямовує мислення моделі. Приклади допомагають моделі зрозуміти бажану структуру, тон, стиль або патерн відповіді, скеровуючи її “мислення” у потрібному напрямку.
- Зменшує “галюцинації”. Надаючи чіткі зразки, ви мінімізуєте ризик того, що модель згенерує неточну або вигадану інформацію, оскільки вона краще розуміє область “сенсів”, в якій їй потрібно працювати.
- Економить час. Замість того, щоб багато разів переписувати промпт, ви можете один раз надати якісні приклади, щоб модель постійно наслідувала цей шаблон.
- Імітує людське навчання. Це схоже на те, як людина навчається, розглядаючи декілька добре виконаних прикладів, щоб зрозуміти, як виконати подібне завдання.
Приклад є способом надання специфічного контексту для нейромережі. Якщо “контекст” дає загальну інформацію про ситуацію, аудиторію та мету, то “приклад” показує конкретне втілення бажаного результату. Чим більше інформації (включаючи приклади) ви завантажуєте в модель, тим якіснішу відповідь вона надасть.
Як ефективно використовувати приклади у промпті
1. Кількість прикладів
Для більшості освітніх завдань достатньо 3-5 прикладів. Цього вистачає, щоб модель “зрозуміла” формат і логіку відповіді.
Наприклад, якщо ви створюєте тестові завдання для теми “Будова клітини”, трьох прикладів у форматі “запитання + варіанти відповідей” буде достатньо, щоб модель генерувала інші у такому ж стилі.
Для складніших завдань (наприклад, класифікації студентських робіт за рівнем виконання або оцінювання проєктів за критеріями) може знадобитися більше прикладів, щоб модель стабільно відтворювала ваші стандарти оцінювання.
2. Якість прикладів
– Релевантність. Приклади мають відображати ваш реальний сценарій використання.
Наприклад: якщо ви генеруєте інструкції до лабораторних робіт, подайте приклади саме з вашої дисципліни, а не загальні шаблони.
– Різноманітність. Включайте приклади з різних сценаріїв, у тому числі “крайні випадки” та потенційні труднощі.
Наприклад: для оцінювання есе можна додати приклади дуже сильних, середніх і слабких робіт, щоб модель навчилася розрізняти рівні якості.
– Чіткість. Приклади мають бути зрозумілими, грамотно написаними та структурованими.
Наприклад: якщо це інструкція до практичної роботи, вона має чітко містити мету, матеріали, кроки виконання та критерії оцінювання.
3. Структурування прикладів
Чітке відокремлення прикладів від іншої частини промпта допомагає моделі правильно інтерпретувати формат і логіку завдання. Для цього зручно використовувати XML-теги.
Використовуйте <example> для одного прикладу або <examples> для декількох.
Приклад для генерації тестів:
<examples>
<example>
Питання: Яка частина клітини відповідає за виробництво енергії?
Варіанти: A) Мітохондрія, B) Ядро, C) Рибосома, D) Лізосома
Правильна відповідь: A
</example>
<example>
Питання: Який газ виділяють рослини під час фотосинтезу?
Варіанти: A) Кисень, B) Вуглекислий газ, C) Азот, D) Водень
Правильна відповідь: A
</example>
</examples>
Якщо ви хочете, щоб модель показала процес мислення крок за кроком, у прикладі можна використати теги <thinking> і <answer>.
Приклад для вирішення задачі:
<example>
<question>Скільки буде 25% від 200?</question>
<thinking>
25% – це чверть від числа.
Чверть від 200 = 200 ÷ 4 = 50.
</thinking>
<answer>50</answer>
</example>
Переваги такого підходу:
- Модель чітко розуміє, де починається і закінчується приклад.
- Легше масштабувати промпт, додаючи нові приклади без зміни основної структури.
- CoT-структура допомагає моделі навчитися мислити так, як потрібно саме вам (наприклад, пояснювати рішення задач для студентів).
4. Розміщення прикладів у промпті
Приклади краще розміщувати після “інструкцій” (завдання), щоб модель спочатку зрозуміла загальні правила, а потім вже бачила, як вони застосовуються на практиці. Для складних інструментів або функцій можна створити окремий розділ # Examples у промпті.
Приклади використання
– Стиль та тон. Надайте моделі текст, написаний у бажаному стилі, щоб вона відтворювала його у своїх відповідях.
Приклад: якщо ви хочете, щоб пояснення теми з історії було подано у дружньому, доступному стилі для першокурсників, додайте уривок уже готового конспекту з таким тоном і попросіть модель написати новий матеріал у тому ж форматі.
– Структурований вивід. Якщо відповідь потрібна у чітко визначеному форматі (таблиця, маркований список, JSON), надайте приклад, як саме має виглядати результат.
Приклад: для аналізу успішності студентів можна надати таблицю з колонками: “ПІБ студента”, “Оцінка”, “Рекомендації для покращення”, щоб модель заповнила її для нового набору даних.
– Перефразовування / покращення. Щоб переписати або вдосконалити існуючий текст, дайте приклад бажаного рівня якості.
Приклад: надайте чітко й лаконічно оформлений фрагмент методичних рекомендацій та попросіть переписати інші розділи в такому ж стилі.
– Логічні та математичні задачі. Для складних завдань, що вимагають покрокового мислення, використовуйте метод few-shot Chain of Thought (CoT), показуючи моделі приклади розв’язання з поясненням кожного кроку.
Приклад: у курсі з фінансів можна показати, як обчислюється складний відсоток, а потім попросити модель вирішити інші задачі за тим же принципом. І загалом це можна адаптувати до більшості розрахункових робіт.
– Класифікація. Приклади допомагають моделі правильно класифікувати дані.
Приклад: при перевірці студентських есе можна надати зразки робіт із позначеними категоріями (відмінно, добре, потребує доопрацювання), щоб модель використовувала ті ж критерії.
Хоча приклади є дуже ефективними, вони не завжди потрібні для кожного промпта. Однак, їх правильне та продумане використання може підвищити якість результату, який ви отримуєте від нейромережі.