Few-shot prompting, czyli jak uczyć ChatGPT na przykładach
Prosisz ChatGPT o tytuły do maili albo krótkie opisy produktów i za każdym razem dostajesz coś innego. Raz tekst jest za długi, raz zbyt oficjalny, raz w zupełnie innym formacie. Zamiast dopisywać kolejne zdania instrukcji, możesz sięgnąć po few-shot prompting, czyli pokazać modelowi dwa lub trzy gotowe przykłady tego, czego oczekujesz. Model wyłapuje z nich wzór i stosuje go do nowego przypadku.
To jedna z najprostszych technik pisania promptów. Szczególnie dobrze sprawdza się przy zadaniach, które trudno opisać słowami, takich jak styl marki, własne kategorie zgłoszeń czy nietypowy układ notatek. Nie wymaga programowania ani dodatkowych narzędzi, wystarczą dobrze dobrane przykłady. Źle dobrane potrafią jednak zaszkodzić, bo model powieli także ich błędy. Ostrożności wymagają też dane: prawdziwe informacje o klientach wklejone do przykładów stanowią poważne ryzyko dla firmy.
Czym jest few-shot prompting i czym różni się od zero-shot
Few-shot prompting to technika, w której zamiast samego polecenia pokazujesz modelowi kilka gotowych par „wejście → oczekiwany wynik”. Na ich podstawie model odtwarza schemat i stosuje go do nowego przypadku dopisanego na końcu promptu.
Różnicę dobrze widać na jednym zadaniu, czyli nadawaniu tytułów mailom:
- Zero-shot – sama instrukcja, np. „Zaproponuj tytuł do tego maila”. Wynik bywa poprawny, ale długość i styl są przypadkowe.
- One-shot – instrukcja plus jeden przykład, np. mail o przesunięciu spotkania i tytuł „Zmiana terminu – spotkanie zespołu w czwartek o 10:00”. Model zwykle trzyma się tego formatu, ale może zbyt wiernie kopiować jedyny wzór.
- Few-shot – zwykle 2–5 przykładów z różnymi rodzajami maili. Model lepiej odróżnia to, co stałe (schemat, długość), od tego, co zmienne (treść).
Przykłady działają, bo format, ton, długość i sposób rozumowania łatwiej pokazać, niż opisać słowami. Nie jest to przy tym trwałe uczenie. Model się nie zmienia, a podane wzory działają tylko w obrębie danego promptu lub rozmowy.
Przykłady realnie pomagają przy nietypowym formacie odpowiedzi, odwzorowaniu stylu marki albo klasyfikacji według własnych kategorii, których model nie zna. Przy prostych pytaniach i typowych zadaniach zwykle wystarczy dobrze napisane zapytanie z jasnym celem i kontekstem.
Jak napisać prompt few-shot krok po kroku
Prompt z przykładami ma trzy części. Najpierw krótka instrukcja, co model ma zrobić. Potem kilka wyraźnie oddzielonych przykładów, a na końcu nowy przypadek z pustym miejscem na odpowiedź. Granice między przykładami najlepiej zaznaczyć etykietami „Wejście/Wyjście” albo separatorami, np. trzema myślnikami.

Szablon do skopiowania
- Instrukcja: Nadaj mailowi krótki tytuł, najwyżej 6 słów, bez kropki na końcu.
- Wejście: [treść maila 1] Wyjście: [tytuł 1]
- Wejście: [treść maila 2] Wyjście: [tytuł 2]
- Wejście: [treść maila 3] Wyjście: [tytuł 3]
- Wejście: [nowy mail] Wyjście: (puste miejsce na odpowiedź modelu)
Zwykle wystarczą 2–5 przykładów. Kolejne rzadko poprawiają wynik, a wydłużają prompt. Ostatni przykład często wpływa na odpowiedź najmocniej, więc nie kończ przypadkiem nietypowym. Nowy przykład dodaj dopiero wtedy, gdy model regularnie myli się na konkretnym rodzaju danych.
Najczęstsze błędy w przykładach
- Zbyt podobne przykłady, przez które model nie wie, jak potraktować inne przypadki.
- Niespójny format, np. raz lista, raz pełne zdanie.
- Przypadkowy wzorzec, np. ta sama kategoria we wszystkich odpowiedziach albo zawsze trzy zdania.
- Brak przypadków granicznych, takich jak bardzo krótkie lub niejednoznaczne wejście.
Gotowy prompt sprawdź na kilku nowych danych, których nie było w przykładach, i porównaj wyniki z wersją bez przykładów. Jeśli różnicy nie widać, wystarczy sama instrukcja. Gdy odpowiedzi idą w złą stronę, wymieniaj po jednym przykładzie. Tak najłatwiej ustalić, który psuje wynik, i stopniowo ulepszać prompt krok po kroku.
Few-shot prompting w praktyce – przykłady do pracy, firmy i szkoły
Few-shot prompting najlepiej sprawdza się przy zadaniach, które się powtarzają, a wynik ma za każdym razem wyglądać tak samo. Oto typowe zastosowania.

- Praca biurowa. Do klasyfikacji maili lub zgłoszeń podaj 3–4 krótkie wiadomości z kategorią z Twojej listy, np. „reklamacja”, „faktura”, „pytanie o termin”. Model będzie przypisywał nowe teksty według Twoich kategorii, a nie według ogólnych etykiet. Przy notatkach ze spotkań wystarczy jedna wzorcowa notatka z polami „Ustalenia”, „Zadania”, „Osoba odpowiedzialna” i „Termin”, a kolejne chaotyczne zapiski trafią do tego samego układu.
- Marketing i komunikacja. Wklej 2–3 opisy produktów lub posty, które najlepiej oddają ton marki, i poproś o nowy tekst w tym samym stylu. Przykłady lepiej niż hasło „pisz przyjaźnie” pokazują długość zdań, poziom formalności i sposób zwracania się do klienta.
- Szkoła i nauka. Pokaż dwie fiszki w formacie „pojęcie – definicja w jednym zdaniu – przykład” albo dwa pytania testowe z czterema odpowiedziami i zaznaczoną poprawną. Przy zadaniach z matematyki czy fizyki sprawdza się few-shot chain of thought (łańcuch rozumowania). W przykładach rozpisujesz rozwiązanie krok po kroku, a model w ten sam sposób rozwiązuje nowe zadanie, dzięki czemu łatwiej wyłapać błąd.
- Ekstrakcja danych. Podaj fragment tekstu, np. maila z zamówieniem, i gotowy rekord:
Model zwykle zachowa nazwy pól oraz format dat i kwot, ale wyniki warto sprawdzić. To prosty sposób na wydobywanie informacji z tekstu bez pisania kodu.{"firma": "…", "data": "RRRR-MM-DD", "kwota": "…"}
Ograniczenia, bezpieczeństwo danych i alternatywy dla przykładów
Przykłady są dla modelu wzorem, więc przenosi on z nich także to, czego nie chcesz. Najczęstsze pułapki to:
- kopiowanie błędów – literówka, zła kategoria czy stereotypowe sformułowanie w przykładzie wrócą w odpowiedziach;
- przywiązanie do formy – jeśli wszystkie wzorce mają trzy zdania albo to samo słownictwo, model będzie je powielał także tam, gdzie nie pasują;
- zajmowanie miejsca – długie przykłady zużywają okno kontekstu, przez co przy obszernych danych model może gorzej trzymać się instrukcji albo pomijać część materiału.
Osobna sprawa to dane. Do przykładów nie wklejaj prawdziwych danych osobowych, maili klientów, umów ani informacji objętych tajemnicą firmy. Wystarczą dane zanonimizowane albo zmyślone, byle zachowywały strukturę oryginału. Przed użyciem narzędzia sprawdź jego zasady przetwarzania danych oraz wewnętrzną politykę firmy, w tym to, jakich danych nie wklejać do czatu.
Sprawdzonych przykładów nie trzeba wklejać za każdym razem. Można je zapisać we własnych instrukcjach, we własnym GPT lub asystencie AI albo we wspólnej bibliotece promptów zespołu. Dostępne funkcje różnią się w zależności od narzędzia i planu, dlatego warto sprawdzić je w ustawieniach lub dokumentacji.
Bywa też, że przykłady nie są najlepszą drogą. Jeśli wyniki wciąż odbiegają od oczekiwań, napisz dokładniejszą instrukcję z listą reguł albo podziel zadanie na etapy, na przykład najpierw wyciągnij dane, a dopiero potem je sklasyfikuj. Dostrajanie modelu (fine-tuning) ma sens dopiero przy bardzo dużej skali i powtarzalnym zadaniu.
Jeśli po dodaniu piątego czy szóstego przykładu wynik nie jest lepszy, dopracuj instrukcję zamiast dokładać kolejne wzorce, bo problem zwykle leży właśnie w niej.
Najczęściej zadawane pytania
Ile przykładów podać w few-shot prompting?
Zwykle wystarczą 2–5 przykładów, które różnią się treścią, ale mają ten sam format. Więcej rzadko poprawia wynik, za to wydłuża prompt i zużywa okno kontekstu. Kolejny przykład dodaj dopiero wtedy, gdy model regularnie myli się na konkretnym rodzaju danych.
Czym się różni zero-shot od few-shot prompting?
W podejściu zero-shot dajesz modelowi samo polecenie, więc długość, ton i format odpowiedzi bywają przypadkowe. W wersji z przykładami pokazujesz kilka par „wejście → oczekiwany wynik”. Dzięki nim model widzi, co ma być stałe, a co zmienne, i odpowiada bardziej przewidywalnie.
Czy few-shot prompting działa w darmowej wersji ChatGPT?
Tak, bo ta technika polega wyłącznie na treści promptu i nie wymaga żadnych dodatkowych funkcji. Wystarczy wkleić instrukcję, przykłady i nowy przypadek w jednej wiadomości. Plany mogą się różnić limitami czy dostępnymi modelami, dlatego przy bardzo długich przykładach warto sprawdzić aktualne warunki swojego konta.
Czy ChatGPT zapamiętuje przykłady z promptu na stałe?
Nie. Przykłady działają tylko w obrębie danego promptu lub rozmowy, a sam model się od nich nie zmienia. Jeśli chcesz używać ich częściej, zapisz je we własnych instrukcjach, we własnym GPT lub asystencie AI albo w bibliotece promptów zespołu, o ile Twoje narzędzie na to pozwala.
Czy można łączyć few-shot prompting z chain of thought?
Tak, to połączenie dobrze sprawdza się przy zadaniach z matematyki, fizyki czy logiki. W przykładach rozpisujesz rozwiązanie krok po kroku, a model w ten sam sposób rozwiązuje nowe zadanie. Każdy etap jest widoczny, więc łatwiej znaleźć miejsce, w którym pojawił się błąd.



