Few-Shot Prompting — Învață AI-ul Prin Exemple

Zero-Shot vs Few-Shot: De Ce Exemplele Schimbă Totul

Ai cerut vreodată unui model AI să-ți traducă o frază și ai observat că răspunsul nu-i tocmai ce ai vrut? Probabil pentru că nu i-ai arătat cum.

Exact asta diferențiază zero-shot de few-shot prompting:

• Zero-shot: Ceri direct, fără exemple. “Traduce asta din română în engleză.”
• Few-shot: Dai 1-3 exemple, apoi ceri. “Iată cum traduc eu… Acum fă asta.”

Diferența? Few-shot produce rezultate mai consistente, mai precise și mai aliniate la stilul tău. Pentru unele sarcini, diferența e vizibilă imediat.

De ce? Modelele de limbaj sunt cum sunt copiii. Putem zice „scrie profesional” și ele cred că asta e de-ajuns. Dar dacă-i arăți 2-3 exemple de limbaj profesional, brusc înțeleg. E pattern recognition pură.

Anatomia Few-Shot Prompting

Structura e simplă:

1. [Instrucțiune clară]
2. [1-3 exemple: Input → Output]
3. [Noul input pentru AI]

Aia-i. Nu mai mult. Exemplele sunt cheia.

Dar cum alegi exemplele? Asta-i arta.

Zero-Shot vs One-Shot vs Few-Shot: Comparație

Iată aceeași sarcină, cu intensități diferite:

Exemplul 1: Clasificare Sentimente

Zero-Shot:

Prompt: Clasifică sentimentul acestui tweet ca pozitiv, negativ sau neutru.
Tweet: "Produsul ăsta e ok, dar sperăm la mai bine."

Răspuns AI: Neutru (dificil de plasat)

One-Shot:

Prompt: Clasifică sentimentul acestui tweet.

Exemplu:
Tweet: "Adorez noua versiune! E mulțumitor de bună!"
Sentiment: Pozitiv

Acum clasifică asta:
Tweet: "Produsul ăsta e ok, dar sperăm la mai bine."

Răspuns AI: Neutru cu tentă pozitivă ușoară (mai precis).

Few-Shot:

Prompt: Clasifică sentimentul acestui tweet.

Exemplu 1:
Tweet: "Adorez noua versiune! E mulțumitor de bună!"
Sentiment: Pozitiv

Exemplu 2:
Tweet: "Chiar nu-mi place cum funcționează. Dezamăgit."
Sentiment: Negativ

Exemplu 3:
Tweet: "Noua versiune e aici. O puteți descărca."
Sentiment: Neutru

Acum clasifică asta:
Tweet: "Produsul ăsta e ok, dar sperăm la mai bine."

Răspuns AI: Neutru, ușor înclinat spre pozitiv (mult mai precis).

Care merge mai bine? Few-shot, clar.

Exemplul 2: Formatare Date

Zero-Shot:

Prompt: Formatează aceste nume în forma: Prenume Nume
"popescu ion"
"maria gherghel"
"vasile ionescu"

Răspuns:
- Ion Popescu
- Maria Gherghel
- Vasile Ionescu

Corect, dar doar “coincidență” – modelul a ghicit formatul.

Few-Shot:

Prompt: Formatează aceste nume în forma exactă pe care o arăt:

Exemplu:
Input: "popescu ion"
Output: [POPESCU, Ion]

Exemplu:
Input: "maria gherghel"
Output: [GHERGHEL, Maria]

Acum fă asta:
"vasile ionescu"

Răspuns: [IONESCU, Vasile]

Ce s-a schimbat? Formatarea exactă. Zero-shot ar fi putut greși.

Exemplul 3: Stil de Scris

Zero-Shot:

Prompt: Scrie o descriere de produs.
Produs: O apă de colonie de lux

Output: "Apa de colonie cu ingredient premium și miros delicat..."
(Generic, fără voce)

Few-Shot:

Prompt: Scrie o descriere de produs în stilul pe care-l arăt:

Exemplu 1:
Produs: O cremă hidratantă
"Piele uscată? Asta-i răspunsul tău. Ingrediente naturale, zero chimicale dubioase."

Exemplu 2:
Produs: Un exfoliant
"Celule moarte? Scapă de ele azi. Aceasta-i tratament de 5 stele pentru piele moartă."

Acum scrie asta (în același stil):
Produs: O apă de colonie de lux

Output: "Miroși? Asta nu-i miros, asta-i o declarație. Ingrediente rare, fiecare picătură e o experiență de lux."

(De observat: branding distinctiv, limbaj direct, fără jargon.)

Când Să Folosești Care

Situație	Zero-Shot	One-Shot	Few-Shot
Task simplu (clasă, categorii)	✓	✓	✓
Task cu format specific	✗	✓	✓✓
Task cu stil unic	✗	✗	✓
Task complex cu logică	✗	✓	✓✓
Task cu nuanțe culturale	✗	✗	✓
Doriți viteză și simplitate	✓	✗	✗

Regula practică: Dacă output-ul trebuie să arate într-un fel specific, folosește few-shot.

5+ Aplicații Practice cu Exemple

Aplicația 1: Extracție Date Structurate

Scenariu: Ai liste de contact neorganizate, trebuie să extragi informații în format JSON.

Prompt: Extrage informații din aceste texte și formatează ca JSON.

Exemplu:
Text: "John Smith, 35 de ani, lucru în IT la Google, email [email protected]"
JSON:
{
  "nume": "John Smith",
  "varsta": 35,
  "industrie": "IT",
  "companie": "Google",
  "email": "[email protected]"
}

Exemplu:
Text: "Maria Popescu e inginer civil la o firma din Brașov, 28 ani, [email protected]"
JSON:
{
  "nume": "Maria Popescu",
  "varsta": 28,
  "industrie": "Construcții",
  "companie": "Firma din Brașov",
  "email": "[email protected]"
}

Acum fă asta:
Text: "Alexandru Ionescu, 42, manager de proiecte în manufacturing, lucru la Siemens România, [email protected]"

Output: [AI-ul va urmări exact formatul JSON]

De ce merge: AI-ul vede pattern-ul. Fără exemple, ar putea da ca text normal.

Aplicația 2: Adaptarea Tonului pentru Brand

Scenariu: Vrei ca AI-ul să răspundă clienților în tonul tău specific.

Prompt: Răspunde la aceasta mesaj de client. Tonul: amical, direct, puțin ironic.

Exemplu - Client spune: "Produsul nu merge."
Răspuns tău: "Oops! Asta nu-i rezultatul pe care-l vrem. Iată cum o rezolvi în 2 minute..."

Exemplu - Client spune: "Cât costă?"
Răspuns tău: "Fara trickuri. Pricing straight up: planul basic e 99 RON/lună. Doriți detalii?"

Acum răspunde la asta (același ton):
Client spune: "De ce e mai scump decât competiția?"

Răspuns: [AI-ul va menține tonul amical + direct + ușor ironic]

De ce merge: Tonul e greu de descris abstract. Exemplele-l clarifică imediat.

Aplicația 3: Transformare Stil Scris

Scenariu: Vrei să transformi note brute în articole profesionale.

Prompt: Transformă note brute în paragrafe fluente și profesionale.

Exemplu:
Note: "Vânzări cresc. Q3 e mai bun decât Q2. Revenue +25%. Team happy."
Paragraf: "Perioada din trimestrul al treilea a marcat o creștere semnificativă a volumelor de vânzări, cu o progresie de 25% comparativ cu trimestrul anterior. Echipa s-a mobilizat eficient și rezultatele reflectă dedicarea comună."

Exemplu:
Note: "Clienți cereau feature X. Am implementat în 2 săptămâni. Feedback pozitiv."
Paragraf: "Răspunzând la feedback-ul clienților, am prioritizat dezvoltarea funcționalității solicitate. Implementarea a fost completată în termenul estimat, iar reacțiile inițiale indică o satisfacție ridicată."

Acum transformă asta (același stil):
Note: "Noul design e gata. Oamenii-l apreciază. Conversion rates mici. Testăm variante."

Paragraf: [AI va menține tonul profesional și structura]

De ce merge: Distanța între “note brute” și “scris profesional” e mare. Exemplele arată cum se face.

Aplicația 4: Clasificare cu Subtilități

Scenariu: Clasificare clienți după tip – dar cu nuanțe.

Prompt: Clasifică acești clienți în: Startup, PME, Enterprise. Uite criterii:

Exemplu:
Descripție: "O echipă de 8 oameni, fund recent. Buget limitat. Cresc rapid."
Clasă: Startup

Exemplu:
Descripție: "100+ angajați, venituri stabile, buget substantial, procesu formal."
Clasă: Enterprise

Exemplu:
Descripție: "30 de oameni, 10 ani activitate, venituri bune, mai puțin formal ca Enterprise."
Clasă: PME

Clasifică asta:
Descripție: "O echipă de 15 oameni, fondat acum 3 ani, revenue 500k RON/an, proceduri mai puțin rigide."

Clasă: [AI va judeca pe baza exemplelor]

De ce merge: Limitele între categorii sunt neclare. Exemplele clarifică.

Aplicația 5: Generare Conținut cu Reguli Specifice

Scenariu: Vrei să generezi idei de titluri, dar cu o anumită lungime și stil.

Prompt: Generează 3 titluri de articol. Reguli: max 10 cuvinte, cuprinzând întrebări sau numere.

Exemplu (de evitat):
Prost: "Cum să Optimizezi Strategie SEO pentru Succesul Online"
Bun: "5 Trucuri SEO Care Dublează Traficul în 30 Zile"

Exemplu (de evitat):
Prost: "Influencer Marketing"
Bun: "Cât Costă Influencer Marketing Azi?"

Exemplu (bun):
"7 Greșeli AI Care-ți Distruge Prompturi"
"Cine Cumpără Cel Mai Mult cu ChatGPT?"

Acum generează 3 titluri noi (aceeași regulă și stil).

De ce merge: Exemplele arată diferența dintre “bun” și “prost” mai clar decât o regulă abstract.

Cum să Alegi Exemple Bune

Nu toate exemplele sunt egale. Iată principii:

1. Diversitate: Alege exemple care acoperă variații ale task-ului.

Prost:

Exemplu 1: "Adorez asta!"
Exemplu 2: "E fantastic!"
(Ambele sunt pozitiv – modelul va crede că doar ceva foarte pozitiv e valid)

Bun:

Exemplu 1: "Adorez asta!" (pozitiv puternic)
Exemplu 2: "E ok, dar..." (neutru, ușor pozitiv)
Exemplu 3: "Chiar nu-mi place." (negativ)

2. Relevanță: Exemplele trebuie să fie relevante la task-ul real.

Prost: Few-shot pentru sentiment analysis cu exemple din fizică. Bun: Few-shot pentru sentiment analysis cu exemple din domeniul clienților.

3. Claritate: Exemplele trebuie să fie clare și fără ambiguitate.

Prost:

Input: "Ceva ciudat se întâmplă"
Output: "Ciudat"
(Ce-i ciudat? Formatted? Tone? Categorie?)

Bun:

Input: "Ceva ciudat se întâmplă"
Output: Sentiment = Negativ, Claritate = Scăzută
(E clar ce-i output)

4. Cantitate optimă: 2-3 exemple sunt de obicei suficiente.

• 1 exemplu: Prea puțin, mai ales pentru task complex.
• 2-3 exemple: Sweet spot.
• 4+ exemple: Overkill pentru majoritatea cazurilor, și poluează prompt-ul.

5. Complexitate asortată: Exemplele trebuie să-i arate task-ul în toată complexitatea sa.

Prost:

Task real: "Extrage informații din texte medicale dense"
Exemple: "John e din New York." (prea simplu)

Bun:

Task real: "Extrage informații din texte medicale dense"
Exemple: (text medical cu 5+ informatii, cu formatting, cu nuanțe)

Few-Shot vs Chain of Thought: O Combinație Puternică

Few-shot și CoT merge incredibil de bine împreună:

Prompt: Rezolva această problemă pas cu pas. Iată cum ar trebui să arăte răspunsurile:

Exemplu 1:
Problemă: "Un produs costă 100 RON. E reducere de 20%. Cât costă?"
Răspuns:
Pasul 1: Calculez 20% din 100 = 20 RON
Pasul 2: Scad din preț: 100 - 20 = 80 RON
Final: 80 RON

Exemplu 2:
Problemă: "Eu am 5 mere. Primesc 3 mai multe. Dau 2. Câte am?"
Răspuns:
Pasul 1: Start 5
Pasul 2: Primesc 3: 5 + 3 = 8
Pasul 3: Dau 2: 8 - 2 = 6
Final: 6 mere

Acum rezolva asta:
Problemă: "O sticlă de apă costă 5 RON. Cumpăr 10. Dacă-i reducere de 10%, cât dau în total?"

Rezultat: AI-ul va urma structura (pas cu pas) din exemplu, combinând puterea few-shot + CoT.

Greșeli Frecvente cu Few-Shot

1. Exemplu care nu-i format corect: Dacă exemplul are o greșeală, AI o va imita.

2. Exemplu prea mare: Output lung din exemplu = prompt-uri lungi și lente. Fii concis.

3. Exemplu care contrazice instrucțiunile: Instrucțiune: “Răspunde în 50 de cuvinte”. Exemplu: 500 de cuvinte. Confuzie.

4. Prea puține variații: Dacă AI-ul vede doar un fel de input, va fi șocat când apare altceva.

5. Exemplu obscur: Dacă nu-i clar ce-i input și ce-i output, nu merge.

Când Few-Shot Nu Ajută

Few-shot e puternic, dar nu-i magie:

• Sarcini care necesită cunoștințe specifice: Few-shot nu poate învăța fapte specifice pe care nu le are în antrenament
• Sarcini care necesită creativitate extremă: Exemplele limitează domeniul
• Sarcini care evoluează: (Exemplele sunt statice)

Integrare în Workflow Real

În practică:

Pas 1: Definește clar task-ul

"Vreau să clasific feedback-uri de clienți"

Pas 2: Creează 2-3 exemple reprezentative

Exemplu pozitiv, negativ, neutru

Pas 3: Testează cu AI-ul

Pune prompt-ul + exemple + exemplu test

Pas 4: Rafinează pe baza rezultatelor

Dacă output-ul nu-i bun, revizuiește exemplele

Concluzie: Puterea Exemplelor

Few-shot prompting e una din cele mai simple și mai eficace tehnici pentru a le instrui. Nu-i magic, e pattern recognition pură. Arăți cum ar trebui să arate lucrul, și ele fac la fel.

Diferența între “răspunsul generic” și “răspunsul perfect pentru brand-ul meu” e adesea doar 2-3 exemple bune.

Nu-i complicat. E pragmatic. Și merge.

Urmează: Descoperă cum rolurile transformă AI-ul în expert și combină toate tehnicile pentru prompturi mega-puternice.