[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"glossary-few-shot-prompting::ru":3,"gloss-cluster-few-shot-prompting::ru":20,"gloss-next-few-shot-prompting::ru":9},{"slug":4,"category":5,"name":6,"definition":7,"meta_desc":8,"faq":9,"schema_markup":9,"related":10},"few-shot-prompting","prompt-eng","Few-shot-промптинг (промптинг с примерами)","Few-shot-промптинг — это техника, при которой промпт включает небольшое количество (обычно 2-10) готовых примеров — демонстраций точного формата ввода и желаемого формата вывода — прежде чем представить модели реальную задачу. Это даёт модели конкретный паттерн для подражания, а не полагается исключительно на её интерпретацию инструкции на естественном языке, и это один из самых эффективных и надёжных способов повысить согласованность вывода в промышленных LLM-приложениях. Few-shot-промптинг работает благодаря обучению в контексте (in-context learning): модели на основе трансформеров могут вывести правила задачи из примеров, приведённых во время инференса, без каких-либо обновлений весов или дообучения — по сути, «изучая» паттерн заново в рамках одного этого промпта. Для разработчиков SaaS few-shot-промптинг — стандартное решение, когда zero-shot-промптинг выдаёт технически разумные, но непоследовательные по формату, тону или обработке крайних случаев результаты — распространённый симптом: модель иногда возвращает абзац, иногда маркированный список, а иногда включает вступление вроде «Конечно, вот резюме:», которое ломает парсер на следующем этапе. Добавление 3-5 примеров с точно нужным форматом обычно устраняет этот разброс. Компромисс — стоимость в токенах: каждый пример занимает место в контекстном окне и увеличивает счёт за API при каждом вызове, поэтому команды взвешивают прирост точности против добавленной задержки и стоимости, часто сжимая примеры только до существенных полей. Выбор примеров тоже важен — примеры должны охватывать крайние случаи и диапазон ожидаемых входных данных, а не только простые случаи, и должны быть согласованы по формату с реальным входом задачи. Конкретный пример: промпт для извлечения структурированных данных из писем клиентов: «Извлеки номер заказа и тип проблемы из каждого письма. Следуй показанному точному формату.\\n\\nПисьмо: \\\"Здравствуйте, заказ №4471 пришёл повреждённым, помогите пожалуйста.\\\"\\nВывод: {\\\"order_id\\\": \\\"4471\\\", \\\"issue\\\": \\\"damaged\\\"}\\n\\nПисьмо: \\\"Где мой заказ 8823? Прошло уже 2 недели.\\\"\\nВывод: {\\\"order_id\\\": \\\"8823\\\", \\\"issue\\\": \\\"delayed\\\"}\\n\\nПисьмо: \\\"Могу я получить заказ №1290 другого цвета?\\\"\\nВывод:» — модель, увидев паттерн дважды, надёжно возвращает {\\\"order_id\\\": \\\"1290\\\", \\\"issue\\\": \\\"change_request\\\"} в той же строгой форме JSON, хотя «change_request» ни разу не встречалось в примерах — это демонстрирует, что модель обобщает паттерн, а не запоминает его. Смежное усовершенствование, которое принимают промышленные команды, — динамический выбор few-shot-примеров: вместо жёсткого кодирования одних и тех же статичных примеров в каждый промпт, приложение находит 3-5 наиболее похожих исторических примеров для текущего ввода (через поиск по сходству эмбеддингов) и вставляет их вместо статичных — этот гибрид few-shot-промптинга и retrieval обычно превосходит фиксированный, общий набор примеров, особенно на задачах с широким разнообразием типов входных данных.","Few-shot-промптинг включает в промпт несколько пар «вход-выход», чтобы обучить модель нужному паттерну перед ответом.",null,[11,14,17],{"slug":12,"name":13},"in-context-learning","Контекстное обучение (In-Context Learning)",{"slug":15,"name":16},"prompt-template","Шаблон промпта",{"slug":18,"name":19},"zero-shot-prompting","Zero-shot-промптинг (промптинг без примеров)",[21,25,28,31,35,38,41,44,47,50,53,56],{"slug":22,"category":5,"name":23,"updated_at":24},"analogical-prompting","Analogical Prompting","2026-08-24T02:46:37+00:00",{"slug":26,"category":5,"name":27,"updated_at":24},"automatic-prompt-optimization","Автоматическая оптимизация промптов",{"slug":29,"category":5,"name":30,"updated_at":24},"chain-of-density","Цепочка плотности (CoD)",{"slug":32,"category":5,"name":33,"updated_at":34},"chain-of-thought-prompting","Chain-of-thought-промптинг (промптинг с цепочкой рассуждений)","2026-08-24T02:46:36+00:00",{"slug":36,"category":5,"name":37,"updated_at":24},"chain-of-verification","Chain-of-Verification",{"slug":39,"category":5,"name":40,"updated_at":34},"chunking","Чанкинг (Chunking)",{"slug":42,"category":5,"name":43,"updated_at":34},"constrained-decoding","Ограниченное декодирование (Constrained Decoding)",{"slug":45,"category":5,"name":46,"updated_at":34},"context-stuffing","Переполнение контекста (Context Stuffing)",{"slug":48,"category":5,"name":49,"updated_at":34},"delimiter","Разделитель (Delimiter)",{"slug":51,"category":5,"name":52,"updated_at":24},"directional-stimulus-prompting","Directional Stimulus Prompting",{"slug":54,"category":5,"name":55,"updated_at":24},"emotion-prompting","Emotion Prompting",{"slug":57,"category":5,"name":58,"updated_at":24},"generated-knowledge-prompting","Generated Knowledge Prompting"]