مرداد
ChatGPT
آموزش few-shot در پرامپتنویسی: با چند مثال خروجی هوش مصنوعی را دقیق کن
اگر از جوابهای کلی و بیثبات هوش مصنوعی خسته شدهای، «few-shot» همان تکنیکی است که کیفیت خروجی را یک پله بالا میبرد؛ بهجای توضیح طولانی، به مدل چند «مثال» نشان میدهی و میگذاری خودش الگو را یاد بگیرد.
لیست مطالب
۱) few-shot چیست و چه فرقی با zero-shot دارد؟
وقتی بدون هیچ مثالی فقط یک دستور به مدل میدهی، به آن «zero-shot» میگویند؛ مثل اینکه بگویی «این جمله را دستهبندی کن». اگر یک مثال بگذاری «one-shot» و اگر چند مثال بگذاری «few-shot» است. در few-shot تو الگوی کار را با نمونه به مدل نشان میدهی و مدل همان الگو را برای ورودی تازه ادامه میدهد.
این تکنیک بهویژه وقتی مفید است که خروجی باید قالب مشخصی داشته باشد، یا وقتی توضیحدادن کار با کلمات سختتر از نشاندادن آن است. اگر تازهکار هستی، پیش از سراغرفتن به few-shot مرور مبانی نوشتن پرامپت کمک میکند تا پایه محکم بماند.
مثال: نسخهٔ zero-shot: «احساسِ این جمله را بگو: فیلم خستهکننده بود.» — نسخهٔ few-shot:
«غذا عالی بود» ← مثبت
«سرویس افتضاح بود» ← منفی
«فیلم خستهکننده بود» ←
در نسخهٔ دوم مدل دقیقاً میداند خروجی باید یک برچسبِ کوتاه باشد، نه یک توضیح بلند.
۲) چرا مدل از «مثال» بهتر از «توضیح» یاد میگیرد؟
مدلهای زبانی روی حجم عظیمی از متن آموزش دیدهاند و کارِ اصلیشان پیشبینی «ادامهٔ محتمل» است. وقتی چند جفت ورودی/خروجی میبینند، سریع تشخیص میدهند چه نگاشتی میخواهی و همان را ادامه میدهند. توضیح کلامی گاهی مبهم است («خلاصه کن» یعنی چند خط؟ با چه لحنی؟) اما مثال، انتظار تو را دقیق و بیابهام نشان میدهد.
به همین دلیل few-shot معمولاً هم دقت را بالا میبرد و هم خروجی را قابلپیشبینیتر میکند. برای تمرینهای عملی بیشتر روی کارهای روزمره، مجموعه آموزشهای ChatGPT پر از نمونهٔ کاربردی است.
مثال: بهجای «یک عنوان جذاب بنویس»، الگو نشان بده:
موضوع: آموزش آشپزی ← عنوان: «در ۱۰ دقیقه سرآشپز شو»
موضوع: مدیریت زمان ← عنوان: «روزت را دو برابر کن»
موضوع: یادگیری زبان ← عنوان:
حالا سبک عنوانها یکدست و در همان حالوهوا میماند.
۳) ساختار یک پرامپت few-shot استاندارد
یک پرامپت few-shot خوب معمولاً سه بخش دارد: یک جملهٔ کوتاه که کار را معرفی میکند، چند مثالِ «ورودی ← خروجی» با قالب ثابت، و در پایان یک ورودی تازه که خروجیاش را خالی میگذاری تا مدل کامل کند. استفاده از جداکنندهٔ روشن (مثل «ورودی:» و «خروجی:») کمک میکند مدل مرز مثالها را گم نکند.
ترتیب هم مهم است: مثالها را از ساده به کمی پیچیدهتر بچین تا الگو واضحتر شود و مدل بهتر آن را بگیرد.
مثال: کار: تبدیل جمله به «کلیدواژههای جستوجو».
ورودی: بهترین لپتاپ برای برنامهنویسی چیست؟ ← خروجی: لپتاپ برنامهنویسی، خرید لپتاپ
ورودی: چطور وزن کم کنم؟ ← خروجی: کاهش وزن، رژیم لاغری
ورودی: ارزانترین سفر به شمال ← خروجی:
۴) چند مثال کافی است؟ کیفیت مهمتر از تعداد
یک تصور غلط رایج این است که «هرچه مثال بیشتر، بهتر». در عمل معمولاً ۲ تا ۵ مثالِ خوب کافی است. مثالهای زیاد پرامپت را طولانی، کند و پرهزینه میکنند و گاهی مدل را روی جزئیات بیربط حساس میکنند.
مهمتر از تعداد، «تنوع» و «درستبودن» مثالهاست: بهتر است چند حالت متفاوت (مثبت، منفی، حالت مرزی) را پوشش بدهی تا ده مثالِ شبیهبههم. اگر خروجی هنوز خوب نبود، اول کیفیت مثالها را بالا ببر، بعد به فکر افزودن تعداد باش.
مثال: سه مثالِ متنوع بهتر از پنج مثال تکراری است:
«۲۰٪ تخفیف تا جمعه» ← تبلیغ
«فردا جلسه ساعت ۹ است» ← اطلاعرسانی
«ممنون که خرید کردی، نظرت را بنویس» ← درخواست بازخورد
هر مثال یک نوع پیام متفاوت را پوشش میدهد.
۵) یکدستسازی قالب خروجی با few-shot (JSON، جدول، برچسب)
یکی از بهترین کاربردهای few-shot «قفلکردن» قالب خروجی است. اگر میخواهی خروجی همیشه JSON، جدول یا فهرست ثابت باشد، کافی است دو سه مثال با دقیقاً همان قالب بدهی؛ مدل قالب را کپی میکند و دیگر لازم نیست هر بار توضیح بدهی.
این کار مخصوصاً وقتی خروجی را به یک برنامه یا فایل اکسل میدهی حیاتی است، چون داده باید ساختارمند و قابلخواندن بماند. اگر با ابزارهای شرکت OpenAI کار میکنی، آشنایی با اینکه OpenAI چیست کمک میکند بهتر از مدلهایش استفاده کنی.
مثال: قفلکردن خروجی روی JSON:
متن: «سلام، من مریم هستم، ۳۰ ساله از تهران.» ← {“نام”:”مریم”,”سن”:30,”شهر”:”تهران”}
متن: «رضا ۲۵ ساله ساکن شیراز است.» ← {“نام”:”رضا”,”سن”:25,”شهر”:”شیراز”}
متن: «نگار ۲۸ ساله از مشهد.» ←
۶) کاربردهای واقعی few-shot در کار و کسبوکار
few-shot در دنیای واقعی همهجا به کار میآید: دستهبندی تیکتهای پشتیبانی، استخراج اطلاعات از ایمیلها، تبدیل لحن پیامها، تولید دادهٔ نمونه برای تست، و یکدستکردن پاسخهای تکراری. برای تیمها این یعنی سرعت بیشتر و خطای کمتر، بدون نیاز به راهاندازی پیچیده.
مثلاً یک فروشگاه اینترنتی میتواند با چند مثال، نظرهای مشتریان را به «مثبت، منفی، پیشنهاد بهبود» دستهبندی کند؛ یک تیم بازاریابی میتواند دهها عنوان تبلیغاتی همسبک بسازد؛ و یک واحد منابع انسانی میتواند از روی رزومهها اطلاعات کلیدی را با قالب ثابت استخراج کند. در همهٔ اینها، few-shot جای یک راهنمای طولانی را با چند نمونهٔ ساده میگیرد و کار را برای همهٔ اعضای تیم قابلتکرار میکند.
اگر میخواهی ببینی چرا این مهارتها برای سازمانها ارزشمندند، اهمیت هوش مصنوعی در کسبوکار را بخوان.
مثال: مسیردهی خودکار تیکت پشتیبانی:
«پول از حسابم کم شد ولی سفارش ثبت نشد» ← مالی
«رمز عبورم کار نمیکند» ← فنی
«میخواهم سفارشم را لغو کنم» ← فروش
«برنامه مدام بسته میشود» ←
۷) اشتباههای رایج در few-shot و راهحلها
چند دام رایج را بشناس: یک، مثالهای متناقض که مدل را گیج میکنند؛ راهحل: پیش از افزودن مثال، تناقضها را حذف کن. دو، قالب ناهمگون (یکجا با نقطه، یکجا بدون)؛ راهحل: یک قالب را انتخاب و همهجا تکرار کن. سه، «سوگیری ترتیب» یعنی مدل تحتتأثیر ترتیب یا برچسب آخرین مثال قرار میگیرد؛ راهحل: ترتیب و برچسبها را متنوع کن. چهار، «نشتی قالب» وقتی مدل توضیح اضافه میدهد؛ راهحل: در مثالها فقط خروجی خام را بگذار.
رفتار مدلهای مختلف با یک پرامپت یکسان هم میتواند فرق کند؛ این مقایسهٔ ChatGPT و DeepSeek نمونهٔ جالبی از همین تفاوتهاست.
مثال: اصلاح قالب ناهمگون — بهجای نوشتن «خوب بود.» ← مثبت و بعد «بد» ← منفیِ قوی، بنویس:
«خوب بود» ← مثبت
«بد بود» ← منفی
یعنی یک برچسب ثابت برای هر دسته، بدون تغییر ناگهانی.
۸) کِی few-shot، کِی zero-shot یا راهحل سنگینتر؟
few-shot نقطهٔ تعادل خوبی است اما همیشه بهترین انتخاب نیست. برای کارهای خیلی ساده که مدل بدون مثال هم درست انجام میدهد، zero-shot سریعتر و ارزانتر است. اگر کار بسیار تخصصی، پرتکرار و پرحجم است و باید هزاران بار با کیفیت ثابت اجرا شود، شاید سرمایهگذاری روی راهحلهای سنگینتر مثل fine-tuning منطقیتر باشد.
مثل هر ابزار هوش مصنوعی، دانستن مرزها مهم است؛ برای یک دید واقعبینانه، توان و محدودیتهای واقعی هوش مصنوعی را از دست نده.
مثال: اگر فقط میخواهی یک جمله را به انگلیسی ترجمه کنی، zero-shot کافی است: «این جمله را به انگلیسی ترجمه کن: …». اما اگر میخواهی ترجمه همیشه لحن رسمی و قالب مشخص داشته باشد، دو مثال few-shot اضافه کن تا خروجی یکدست بماند.
۹) یک قالب آمادهٔ few-shot برای استفادهٔ روزمره
برای اینکه مجبور نباشی هر بار از صفر شروع کنی، یک قالب سادهٔ چهارخطی را بهخاطر بسپار: اول در یک جمله بگو «کار چیست»، بعد دو تا چهار مثالِ «ورودی ← خروجی» با ساختار ثابت بیاور، سپس ورودی تازه را بگذار و خروجیاش را خالی رها کن تا مدل کامل کند. همین چارچوب برای بیشتر کارها — از دستهبندی و خلاصهسازی گرفته تا تغییر لحن و استخراج داده — جواب میدهد و فقط کافی است مثالها را عوض کنی.
یک نکتهٔ مهم: مثالها را تا جای ممکن از دادهٔ واقعی خودت بردار، نه نمونههای ساختگی؛ هرچه مثالها به کاربرد واقعی نزدیکتر باشند، خروجی هم دقیقتر و قابلاعتمادتر میشود. این قالب را یک بار بساز، در جایی ذخیره کن و بارها بهکار ببر؛ بهمرور یک کتابخانهٔ کوچک از پرامپتهای آمادهٔ خودت خواهی داشت که کارت را چند برابر سریعتر میکند.
مثال: قالب عمومی و همهکاره:
کار: [کاری که میخواهی] را انجام بده و فقط خروجی را بنویس.
ورودی: [نمونهٔ ۱] ← خروجی: [پاسخ ۱]ورودی: [نمونهٔ ۲] ← خروجی: [پاسخ ۲]ورودی: [ورودی واقعی تو] ← خروجی:
پرسشهای پرتکرار
few-shot با fine-tuning چه فرقی دارد؟ در few-shot مثالها داخل خودِ پرامپتاند و مدل تغییری نمیکند؛ در fine-tuning مدل با دادهها دوباره آموزش میبیند. few-shot سریع و ارزانتر است و fine-tuning برای حجم بالا و کارهای بسیار تخصصی مناسبتر.
چند مثال ایدهآل است؟ معمولاً ۲ تا ۵ مثالِ متنوع و یکدست. اگر جواب نگرفتی، اول کیفیت مثالها را بالا ببر و بعد تعداد را زیاد کن.
آیا few-shot روی همهٔ مدلها کار میکند؟ بله، روی مدلهای زبانی بزرگ امروزی مثل ChatGPT، Claude و Gemini جواب میدهد؛ فقط قالب و جداکننده را روشن نگهدار. برای تازهترین اخبار مدلها هم بخش اخبار را دنبال کن.
نسخهٔ فوری این مطلب در تلگرام: اینجا بخوانید
