Nắm vững kỹ thuật Few-Shot: Dạy AI bằng ví dụ

Cách đáng tin cậy nhất để AI tạo ra chính xác những gì bạn muốn là hãy cho nó xem ví dụ. Kỹ thuật few-shot prompting là đưa vào 3 - 10 ví dụ đầu vào/đầu ra trong prompt của bạn để AI học được mẫu mình mong muốn.

🔄 Tóm tắt nhanh: Trong bài học trước, bạn đã học các kỹ thuật suy luận (CoT, ToT, tính tự nhất quán) giúp cải thiện cách AI suy nghĩ. Kỹ thuật tạo prompt few-shot cải thiện những gì AI tạo ra - bằng cách cho nó thấy chính xác mẫu bạn muốn.

Zero-Shot và Few-Shot

Zero-shot (không có ví dụ): "Phân loại phiếu hỗ trợ này là Lỗi, Yêu cầu tính năng hoặc Câu hỏi."

Few-shot (có ví dụ):

<examples>
Input: "Ứng dụng bị lỗi khi tôi nhấp vào xuất"
Category: Lỗi

Input: "Bạn có thể thêm chế độ dark mode không?"
Category: Yêu cầu tính năng

Input: "Làm thế nào để reset mật khẩu của tôi?"
Category: Câu hỏi

Input: "Trang đăng nhập hiển thị màn hình trống trên Firefox"
Category: Lỗi

Input: "Có giảm giá cho sinh viên không?"
Category: Câu hỏi
</examples>

<input>Bộ lọc tìm kiếm không hoạt động khi tôi chọn nhiều tag</input>

Phiên bản few-shot đáng tin cậy hơn nhiều vì AI nhìn thấy chính xác từng phân loại trông như thế nào - chứ không chỉ tên phân loại.

Nghệ thuật lựa chọn ví dụ

Không phải tất cả các ví dụ đều như nhau. Các ví dụ được lựa chọn chiến lược sẽ hiệu quả hơn những ví dụ ngẫu nhiên.

Quy tắc 1: Bao gồm mọi phân loại

Để phân loại, hãy bao gồm ít nhất một ví dụ cho mỗi phân loại. Tốt hơn: 2 - 3 ví dụ cho mỗi phân loại.

Quy tắc 2: Bao gồm các trường hợp ngoại lệ

Các ví dụ có giá trị nhất là những ví dụ có thể theo cả hai hướng:

<examples>
<!-- Các trường hợp rõ ràng -->
Input: "Tôi yêu sản phẩm này! Đây là lần mua hàng tốt nhất từ ​​trước đến nay!"
Sentiment: Tích cực

Input: "Trải nghiệm tồi tệ. Tôi muốn được hoàn tiền."
Sentiment: Tiêu cực

<!--  Các trường hợp khó phân loại — những trường hợp này dạy AI VỊ TRÍ của ranh giới  -->
Input: "Sản phẩm hoạt động tốt, nhưng bao bì bị hư hỏng."
Sentiment: Trung lập

Input: "Không tệ, tôi đoán vậy. Nó thực hiện đúng như những gì đã nói."
Sentiment: Trung lập

Input: "Ý tưởng tuyệt vời, nhưng cần cải thiện khâu thực hiện."
Sentiment: Trung lập
</examples>

Nếu không có các trường hợp khó phân loại, AI xử lý tốt những đầu vào rõ ràng nhưng lại đoán mò đối với các đầu vào mơ hồ. Những trường hợp khó phân loại dạy cho AI ranh giới quyết định.

Quy tắc 3: Đa dạng hóa đặc điểm đầu vào

Nếu tất cả các ví dụ của bạn có độ dài, phong cách hoặc độ phức tạp tương tự nhau, AI có thể bị quá khớp với những đặc điểm đó:

<!-- XẤU: Tất cả các ví dụ đều là câu ngắn, đơn giản -->
Input: "Tôi thích nó" → Tích cực
Input: "Tôi ghét nó" → Tiêu cực
Input: "Tạm được" → Trung lập

<!-- TỐT: Đa dạng về độ dài, phong cách và độ phức tạp -->
Input: "Tôi thích nó"
→ Tích cực

Input: "Sau khi sử dụng cái này trong ba tháng, tôi có thể tự tin nói rằng
nó đã thay đổi cách nhóm của chúng tôi cộng tác. Quá trình học hỏi ban đầu
khá khó khăn, nhưng đáng giá từng phút."
→ Tích cực

Input: "Tạm được. Hoạt động được nhưng không có gì đặc biệt cả"
→ Trung lập

✅ Kiểm tra nhanh: Bạn đã xây dựng một prompt few-shot để trích xuất các mục hành động trong cuộc họp. 5 ví dụ của bạn đều cho thấy các ghi chú cuộc họp được định dạng tốt với những mục "HÀNH ĐỘNG: Người này thực hiện X trước Ngày" rõ ràng. Trên thực tế, ghi chú cuộc họp thường rất lộn xộn - lỗi chính tả, phân công không rõ ràng, thiếu ngày tháng. Liệu prompt của bạn có hoạt động tốt với dữ liệu thực tế không?

Câu trả lời: Có lẽ là không tốt lắm. Ví dụ của bạn chỉ thể hiện trường hợp "sạch sẽ". Hãy thêm ví dụ với dữ liệu đầu vào lộn xộn: "John nói anh ấy sẽ xem xét vấn đề ngân sách có thể vào tuần tới" → Hành động: John sẽ xem xét ngân sách vào [tuần tới]. Việc hướng dẫn AI cách xử lý dữ liệu đầu vào lộn xộn, mơ hồ là điều giúp các prompt ngắn gọn hoạt động hiệu quả trong môi trường sản xuất.

Few-Shot cho các nhiệm vụ khác nhau

Chuyển đổi phong cách

Dạy AI giọng văn của bạn:

<task>Viết email cập nhật sản phẩm bằng giọng văn của công ty chúng tôi.</task>

<examples>
Chủ đề: Tính năng bảng điều khiển mới
Phong cách của chúng tôi: "Bảng điều khiển của bạn vừa trở nên thông minh hơn. Chúng tôi đã thêm cảnh báo thời gian thực
sẽ thông báo cho bạn khi các chỉ số thay đổi - không cần kiểm tra thủ công nữa. Tính năng này hiện đã hoạt động. Hãy khám phá ngay."

Chủ đề: Thay đổi giá cả
Phong cách của chúng tôi: "Thông báo: Chúng tôi sẽ điều chỉnh giá bắt đầu từ ngày 1 tháng 3.
Các gói hiện tại sẽ được giữ nguyên cho đến khi gia hạn. Dưới đây là những gì
đang thay đổi và lý do."

Chủ đề: Thời gian bảo trì
Phong cách của chúng tôi: "Lưu ý nhanh: Chúng tôi sẽ thực hiện một số công việc bảo trì vào thứ Bảy này, từ 2 - 4 giờ sáng theo giờ EST. Mọi thứ có thể bị gián đoạn trong vài phút.
Chúng tôi sẽ hoàn thành trước khi bạn uống cà phê."
</examples>

<topic>Tăng giới hạn tốc độ API mới</topic>

Ba ví dụ dạy AI giọng văn chính xác của bạn: Thân mật, trực tiếp, ngôi thứ nhất số nhiều, câu ngắn gọn, không có lời lẽ quảng cáo hoa mỹ.

Trích xuất dữ liệu

Dạy AI lược đồ trích xuất của bạn:

<task>Trích xuất dữ liệu có cấu trúc từ hóa đơn này.</task>

<examples>
Input: "Hóa đơn số 1234 từ Acme Corp, ngày 15 tháng 1 năm 2026.
Items: Web hosting (99 USD/tháng), chứng chỉ SSL (29 USD/năm). Tổng cộng: 128 USD.
Payment due: 15 tháng 2 năm 2026."

Output:
{
  "invoice_number": "1234",
  "vendor": "Acme Corp",
  "date": "2026-01-15",
  "items": [
    {"description": "Web hosting", "amount": 99, "recurring": "monthly"},
    {"description": "SSL cert", "amount": 29, "recurring": "yearly"}
  ],
  "total": 128,
  "due_date": "2026-02-15"
}
</examples>

Tạo code

Dạy AI các mẫu lập trình của bạn:

<task>Viết một hàm Python theo các quy ước của chúng tôi.</task>

<examples>
Request: "Hàm để xác thực định dạng email"
Code:
def validate_email(email: str) -> bool:
    """Validate email format using regex pattern."""
    import re
    pattern = r'^[a-zA-Z0-9._%+-]+@[a-zA-Z0-9.-]+\.[a-zA-Z]{2,}$'
    return bool(re.match(pattern, email))
</examples>

<request>Hàm tính phần trăm thay đổi giữa hai số</request>

Cần bao nhiêu ví dụ?

Ngân sách token rất quan trọng: Mỗi ví dụ sẽ tiêu tốn token từ cửa sổ ngữ cảnh của bạn. Đối với một tác vụ có ngữ cảnh 4K, bạn sẽ có ít chỗ hơn cho các ví dụ so với ngữ cảnh 100K. Hãy ưu tiên chất lượng ví dụ hơn số lượng.

Bài tập thực hành

1. Tạo một bài tập phân loại với ít nhất 3 danh mục và 2 ví dụ cho mỗi danh mục
2. Bao gồm một trường hợp khó phân loại cho mỗi danh mục để kiểm tra giới hạn
3. Thử cùng một nhiệm vụ với dữ liệu đầu vào zero-shot và few-shot - so sánh tính nhất quán
4. Xây dựng một bài tập chuyển đổi phong cách: Đưa ra 3 ví dụ về giọng văn của bạn, sau đó tạo ra một đoạn văn mới
5. Thử nghiệm với thứ tự ví dụ: Di chuyển ví dụ tốt nhất của bạn xuống cuối và xem liệu kết quả có được cải thiện hay không

Những điểm chính cần ghi nhớ

• Kỹ thuật tạo prompt few-shot (3 -10 ví dụ) là kỹ thuật đáng tin cậy nhất để có được kết quả nhất quán và có quy luật
• Chất lượng ví dụ quan trọng hơn số lượng - các ví dụ đa dạng, bao gồm cả trường hợp khó phân loại sẽ cho kết quả tốt hơn nhiều ví dụ tương tự
• Bao quát mọi danh mục, bao gồm cả các trường hợp khó phân loại và thay đổi đặc điểm đầu vào để tránh hiện tượng quá khớp
• Thiên lệch ​​gần đây: Đặt các ví dụ quan trọng nhất của bạn ở cuối để có ảnh hưởng tối đa
• Phương pháp Few-shot có hiệu quả cho phân loại, chuyển đổi phong cách, trích xuất dữ liệu, tạo code, v.v...
• Ngân sách token: Cân bằng số lượng ví dụ với kích thước cửa sổ ngữ cảnh có sẵn