Promptowanie few-shot (uczenie w kontekście)

1. Przegląd koncepcji i problem systemowy

Jednym z najczęstszych wyzwań w pracy z modelami językowymi jest niejednoznaczność języka naturalnego. Gdy programista pisze w instrukcji: „Napisz zwięzły interfejs TypeScript zgodny ze stylem naszego projektu”, model musi polegać na uśrednionych założeniach wyniesionych z internetu:

1. Subiektywność sformułowań: Pojęcia takie jak „zwięzły”, „dobry” czy „surowy” są interpretowane przez model zbyt szeroko, co powoduje niestabilność wyników między kolejnymi uruchomieniami.
2. Niemożność opisania wszystkich reguł tekstem: Opis konwencji bazy kodu może wymagać 10 stron zasad, których model nieuchronnie zacznie łamać.
3. „Lepiej raz zobaczyć”: Podobnie jak żywy programista, model językowy znacznie łatwiej powieli styl na podstawie dwóch konkretnych wzorców niż będzie próbował rozgryźć abstrakcyjne opisy.

Few-Shot prompting eliminuje niejednoznaczność poprzez demonstrację: pokazujesz modelowi 2–4 kontrastujące pary „Dane wejściowe -> Wzorcowy wynik”, ustalając jasny kanon zachowania.

2. Taksonomia architektoniczna i model mentalny

Gradacja metod uczenia w kontekście (In-Context Learning):

• 1. Zero-Shot (Bez przykładów): Model otrzymuje czysto tekstową instrukcję oraz nowe zadanie. Nadaje się do podstawowych, rutynowych zadań, ale generuje największą zmienność wyjścia.
• 2. One-Shot (Jeden wzorcowy przykład): Do prompta dodawany jest jeden idealny przykład. To wystarcza, aby ustalić szkielet składniowy (np. format wyjściowego JSON-a).
• 3. Few-Shot (Klasyczny zestaw 2–5 przykładów): Złoty środek. Zawiera przykłady różnych scenariuszy: prosty przypadek, złożony przypadek z danymi zagnieżdżonymi oraz jeden przypadek brzegowy (Edge Case / Obsługa błędów).
• 4. Retrieval-Augmented (Dynamic) Few-Shot: Zaawansowany wzorzec produkcyjny: biblioteka 500 przykładów jest indeksowana w bazie wektorowej. Dla każdego zapytania użytkownika wyszukiwanie wektorowe pobiera top-3 najbardziej trafne przykłady.

3. Pipeline techniczny i mechanika wewnętrzna

Cykl życia przygotowania i wykonania Few-Shot prompta:

1. Exemplar Selection & Curation (Wybór i kuracja przykładów): Tworzony jest kompaktowy zestaw par demonstrujących pożądany wynik bez błędów i zbędnej gadatliwości.
2. Structural Delimitation (Izolacja strukturalna): Przykłady są owijane w surowe tagi XML lub Markdown, aby uniknąć mieszania instrukcji z przykładami: <example id="1"><input>...</input><output>...</output></example>.
3. Induction Head Pattern Activation (Aktywacja głów indukcyjnych): Podczas obliczania warstw uwagi transformer rejestruje przejście od tagu <input> do <output> jako deterministyczną transformację danych.
4. Target Inference Alignment (Generowanie odpowiedzi docelowej): Model generuje odpowiedź na nowe pytanie, podświadomie kopiując składnię, długość, konwencje nazewnictwa oraz klucze użyte w przykładach.

4. Praktyczne scenariusze inżynierskie w środowisku produkcyjnym

01. Surowy parsowanie danych nieustrukturyzowanych do JSON

Musisz przekształcić tekstowe opisy transakcji bankowych na walidowany JSON. Podejście Zero-shot często myli pola dat lub kopiuje grosze. Few-shot z trzema przykładami (w tym zwroty środków i płatności wielowalutowe) zapewnia stabilność schematu na poziomie 99,8%.

02. Przestrzeganie firmowego stylu kodu

Zespół potrzebuje, aby agent kodowy pisał testy jednostkowe ściśle według wewnętrznego standardu: użycie describe.concurrent, specyficzny helper fabryki użytkowników makeUser() oraz zakaz mocków przez jest.spyOn. Dwa przykłady w systemowym prompcie całkowicie rozwiązują ten problem.

03. Kanonizacja i tłumaczenie terminów technicznych

Tłumaczenie dokumentacji na język polski z wymogiem zachowania specyficznych terminów w oryginale (np. Checkpointer, Race condition) oraz tłumaczenia pozostałych zgodnie z korporacyjnym słownikiem.

5. Pułapki, typowe błędy i bezpieczeństwo

• Bias większości i świeżości (Majority & Recency Bias): Modele są niezwykle wrażliwe na kolejność przykładów. Jeśli w 3 z 4 przykładów wynikiem była odpowiedź „Tak”, model będzie miał silne uprzedzenie na rzecz „Tak” dla dowolnego nowego wejścia. Zawsze balansuj klasy w przykładach (50/50).
• Kopiowanie błędów z przykładów (Error Mimicry): Jeśli w jednym ze wzorców przypadkowo pominąłeś nawias zamykający lub zrobiłeś błąd ortograficzny, model odtworzy ten błąd również w nowych wynikach.
• Przerost kontekstu wejściowego: Dziesięć szczegółowych przykładów Few-shot może zająć 15 000 tokenów. Zawsze stosuj Prompt Caching dla systemowych promptów zawierających przykłady.