Как работает few-shot промптинг
Языковая модель обучена продолжать текст по контексту — этим и пользуется few-shot: пары «вот вход, вот правильный ответ» задают образец, и новое задание модель решает как очередное продолжение серии, держась формата и логики примеров. Никакого изменения весов не происходит: примеры живут только внутри запроса.
- Системная инструкция. Одной фразой описывается роль и задача: «классифицируй обращение по отделам».
- Примеры. Два-пять пар «запрос → эталонный ответ», контрастных и безошибочных: одна простая, одна с подвохом, одна граничная — так модель усваивает не только формат, но и тонкие правила.
- Целевое задание. Новый запрос в том же формате — модель отвечает по аналогии.
- Фиксация формата. Для машинной обработки ответ зажимается схемой через structured output, чтобы «по аналогии» не растеклось в свободный текст.
Знакомство со способами задать поведение модели
| Способ | Сколько нужно данных | Скорость изменений | Где живёт результат |
|---|---|---|---|
| Zero-shot (только инструкция) | Ничего | Минуты | В промпте |
| Few-shot | 2–10 примеров | Минуты — часы | В промпте, расходует контекст |
| Fine-tuning | Сотни — тысячи примеров | Дни — недели | В весах модели |
| RAG | База документов | Часы — дни | В внешнем хранилище |
Лестница читается снизу вверх: начинают с инструкции, добавляют примеры, и только когда few-shot упёрся в потолок качества или стоимость контекста — переходят к fine-tuning. На практике большинство корпоративных задач на классификацию и форматирование спокойно живёт на второй ступени.
Где few-shot встречается в бизнесе
- Классификация обращений. Три примера с типичными и граничными формулировками — и ассистент раскладывает заявки по отделам заметно стабильнее, чем по «голой» инструкции.
- Тон и стиль текстов. Пара образцов писем компании — и модель держит корпоративный тон во всех черновиках: от ответов клиентам до новостей для внутреннего портала.
- Извлечение полей из документов. Примеры «сырой фрагмент → структурированная запись» задают правила: как писать ИНН, что делать с сокращениями, где границы поля.
- Маршрутизация запросов. Few-shot-классификатор внутри LLM-роутинга разводит поток по моделям: примеры «сложных» и «простых» вопросов задают порог лучше любых описаний словами.
Ограничения и тонкости
Контекст не резиновый. Примеры занимают токены в каждом запросе; когда их нужно много, экономику пересчитывают — иногда выгоднее один раз дообучить компактную модель. Предвзятость к примерам. Модель охотно копирует не только формат, но и ошибки и перекосы выборки: если в примерах только короткие входы, длинные будут обрабатываться хуже. Хрупкость формата. Малозаметное расхождение между примерами и целевым заданием сбивает модель — примеры держат в актуальном состоянии как код, с версионностью. И отдельно: few-shot не заставит модель знать то, чего нет в её знаниях и в примерах, — для фактов из ваших документов нужен RAG, а не примеры.
Сколько стоит (сентябрь 2026)
Разовая настройка few-shot-промптов под задачу (подбор примеров, тест на контрольной выборке) — от 90 000 ₽; пилот с библиотекой промптов под несколько процессов, версионностью и замерами качества — от 480 000 ₽; промышленный слой с автоматической оценкой промптов и сопровождением — от 690 000 ₽. Обучение сотрудников самостоятельной работе с примерами — курсы по работе с ИИ.
Как начать
Возьмите двадцать реальных задач процесса, решите их сами эталонно и выберите три самые показательные пары — простую, граничную и с подвохом. Вложите их в промпт и прогоните оставшиеся семнадцать: доля точных ответов покажет, хватает ли примеров или пора расширять набор. Встраивание в ассистентов и CRM — LLM-интеграции; усиление пошаговым выводом — цепочка рассуждений.