Покажи пример или попроси подумать вслух
Few-shot и chain-of-thought — два приёма без магии
Промпт — не только вопрос. Можно показать примеры (few-shot) или попросить рассуждать вслух (chain-of-thought). Обе техники используют главное свойство LLM: следующий токен зависит от всего, что уже в контексте.
ZERO-SHOT VS FEW-SHOT
Zero-shot — только описание задачи: «Классифицируй отзыв как позитивный или негативный». Few-shot — добавляешь несколько пар «вход → эталонный ответ» (обычно от 1 до 5) перед реальным вопросом. Модель считывает паттерн из примеров.
Few-shot: учим на примерах в промпте
Структура: user «Отзыв: отлично!» → assistant «позитивный»; user «Отзыв: ужасно» → assistant «негативный»; затем настоящий вопрос. Плюсы: выше точность на нестандартном формате. Минусы: больше токенов и стоимости. Один хороший пример часто лучше трёх слабых.
Chain-of-thought (CoT)
Фраза «думай шаг за шагом» или пример с рассуждением заставляет модель сначала писать промежуточные шаги. Они попадают в контекст — и финальный ответ точнее на логике и арифметике. Цена: длиннее ответ, больше output tokens. Используй на сложных задачах, не на «какой адрес магазина». У reasoning-моделей рассуждение встроено: они сами пишут скрытые шаги до ответа, и OpenAI прямо советует не просить их «думать шаг за шагом».
ПОЧЕМУ ЭТО РАБОТАЕТ
Отдельного «черновика» за пределами контекста у модели нет. Но если шаги уже написаны в тексте, следующие токены опираются на них — как подсказки на экзамене. Ты используешь архитектуру, а не обходишь её.
?Проверь себя
Когда few-shot промпт уместнее zero-shot?
НА ПРАКТИКЕ
CoT + низкая temperature — для расчётов и анализа. Few-shot — для классификации и строгих форматов. Не раздувай промпт десятками примеров: обычно хватает нескольких разнообразных — Anthropic, например, советует 3–5.
