Few-Shot Prompting : montrez le motif à l'IA au lieu de le décrire

Le few-shot prompting colle des exemples résolus dans le prompt pour que l'IA imite le motif exact — le verrou de format le plus fort, et le plus cher.

TL;DR

Le few-shot prompting signifie montrer à l'IA deux exemples résolus ou plus — Entrée A → Sortie B — au lieu de décrire ce que vous voulez, pour qu'elle imite le motif, le ton et le format exacts que vous avez démontrés. C'est le verrou le plus fort qui existe sur les sorties personnalisées — et le prompt le plus cher que vous puissiez envoyer, car chaque exemple voyage dans chaque message.

L'Analogie

Essayez d'enseigner un pirouette à quelqu'un par téléphone.

« Fais tourner ton corps à 360 degrés sur une jambe, sur la pointe du pied, bras arrondis, regard fixe. » Techniquement complet. Et absolument intransmissible ainsi — les mots décrivent la compétence, mais la compétence n'est pas faite de mots. Placez maintenant le même élève devant un professeur de danse, qui ne dit rien et fait simplement trois pirouettes, lentement, et dit : « comme ça. »

Le corps de l'élève sait déjà plus grâce à trois démonstrations qu'avec n'importe quel paragraphe de description. Les humains apprennent beaucoup de choses par imitation bien plus vite que par instruction — et les modèles de langage, il s'avère, sont construits pareil. Montrez trois exemples d'un motif à un modèle, et il reproduira souvent le motif impeccablement, y compris des détails auxquels vous n'auriez jamais pensé et que vous ne sauriez pas décrire.

C'est toute la distinction de cette leçon. Un prompt one-shot dit — verbe, contexte, format — et pour le travail standard (résumer, lister, traduire, réécrire), dire suffit, parce que le modèle connaît déjà ces danses. Le few-shot prompting montre — vous collez la danse elle-même, deux ou trois représentations d'Entrée → Sortie, et le modèle imite. Décrire en prose le format particulier des tickets de support de votre entreprise, c'est l'appel téléphonique. Coller trois vrais tickets, c'est la démonstration.

Une dernière chose sur les professeurs de danse : les démonstrations ne sont pas gratuites. Le temps du professeur, le studio, les trois représentations lentes — montrer coûte plus que dire, à chaque séance. Gardez cette pensée ; elle devient l'économie de toute cette technique.

Comment Ça Marche et le Coût

Un prompt few-shot est une pile d'exemples résolus suivie d'une nouvelle entrée, structurée pour que le motif soit inconfondable :

Élément	Rôle
Exemple 1 : Entrée → Sortie	Définit la transformation
Exemple 2 : Entrée → Sortie	Confirme que ce n'était pas une coïncidence
Exemple 3 : Entrée → Sortie	Verrouille le comportement aux cas limites (l'entrée difficile montre comment vous voulez traiter les cas difficiles)
Nouvelle entrée	Le tour du modèle de continuer le motif

Les exemples font ce que les instructions ne peuvent pas : ils démontrent tout à la fois — format, ton, longueur, capitalisation, quoi inclure, quoi sauter — y compris cent micro-décisions que vous n'aviez jamais remarqué prendre. « Apple → Pomme. Car → Voiture. Maintenant traduis : House. » — trois lignes, et le modèle connaît la langue, la direction, la casse et le registre. Aucun paragraphe d'instruction ne pourrait tout spécifier en moins de tokens. Voilà pourquoi le few-shot surpasse même d'excellentes descriptions dès que le motif cible est personnalisé : le modèle cesse de deviner votre dialecte et commence à le parler.

Maintenant l'addition. Chaque exemple que vous collez est du texte dans la fenêtre de contexte — le bureau que le modèle relit avant chaque réponse. Les exemples ne s'évaporent pas après la première réponse ; ils restent sur le bureau toute la conversation, ajoutant des tokens à chaque message suivant traité. Trois exemples substantiels peuvent facilement peser plus que le reste de la conversation réunie. Et dans Uzu, où les messages sont facturés en G-Credits, cette physique devient visible dans votre solde : un prompt few-shot coûte plus par message qu'un one-shot maigre, et continue de coûter plus pendant toute la vie du chat.

D'où la règle sur laquelle ce cursus tourne :

One-shot par défaut ; few-shot par nécessité. Montrez des exemples quand le format ou la logique est vraiment personnalisé — un style maison, une règle de parsing, un schéma de classification avec vos propres cas limites. Si une instruction claire peut le capturer, dites-le. Dire coûte moins cher — et souvent, ça suffit.

Le calcul économique pur : les exemples méritent leur prix seulement quand un format faux vous coûterait plus que ce qu'ont coûté les tokens — une ré-exécution, un nettoyage manuel, un système en aval qui casse sur une sortie malformée. C'est ça, le test du few-shot : pas « est-ce que les exemples aideraient ? » (ils aident presque toujours) mais « est-ce que ce motif exige une démonstration ? »

Avant / Après (Les Prompts)

Exemple 1 — le titre au style maison

Réécris cette annonce de fonctionnalité en titre percutant dans la voix de notre marque.

« Voix de la marque » est une description de pirouette par téléphone. Le modèle devine — percutant pour lui, marque pour lui — et rend quelque chose d'énergique et complètement hors voix.

Réécris cette annonce de fonctionnalité en titre dans notre style. Notre style :

Ancien dashboard, nouveau dashboard → Vos métriques ont appelé. Elles veulent un plus grand écran. Mode hors-ligne livré → Le Wi-Fi est parti. Le travail, non. Thème sombre sorti → Chouettes de nuit, celui-là est pour vous.

Annonce de fonctionnalité : L'export en masse est disponible →

Trois démonstrations et le modèle ne devine plus — la longueur, le format flèche, le gras, le registre jeu de mots sont tous montrés, y compris le micro-style que vous n'auriez jamais spécifié. La quatrième ligne complète un motif, pas une instruction.

Exemple 2 — le format d'extraction

Extrais la date, la ville et le total de chaque ligne de reçu ci-dessous.

Assez simple — jusqu'à ce que votre système consommant la sortie attende AAAA-MM-JJ | VILLE_EN_MAJUSCULES | centimes-sans-symbole, un format qui n'existe nulle part dans la nature. La version instruction produit des dates lisibles, des noms de ville corrects et un symbole monétaire — correct, et incompatible.

Extrais chaque ligne en : date, ville, total. Suis exactement le motif :

« Payé 42,50 € à Lisbonne le 3 mai » → 2026-05-03 | LISBONNE | 4250 « São Paulo, 12/Jan, R$199,90 » → 2026-01-12 | SÃO PAULO | 19990

« Caisse Tokyo 7 Nov ¥3.000 » →

Deux exemples, et les règles non documentées sont enseignées : ordre ambigu jour-mois résolue, accents conservés en majuscules, symboles retirés, décimales converties en unités. Sortie prête pour la machine d'un modèle jamais « configuré » — il a été montré.

Exemple 3 — le ton qui ne doit pas dériver

Rends mes réponses client chaleureuses mais pas lyriques, professionnelles mais pas rigides.

Chaque mot de cette phrase est une affaire de goût, et le goût du modèle diffère du vôtre. La réponse revient parée de points d'exclamation — chaleureuse, selon sa lecture.

Réécris mes brouillons de réponse pour correspondre à cette voix :

Brouillon : « Votre remboursement a été traité. » → Réponse : « Votre remboursement est en route — vous le verrez sous 3 jours ouvrés. Merci de votre patience pendant que nous réglions cela. » Brouillon : « L'article est en rupture. » → Réponse : « Celui-là s'est vendu plus vite que prévu ! Nous le recevons cette semaine et je vous écris dès qu'il revient. »

Brouillon : « Votre compte a été suspendu. » →

Le ton ne peut pas se décrire ; il ne peut que se démontrer. Avec deux exemples, la troisième réponse atterrit dans la voix automatiquement — sans sermon sur les points d'exclamation.

Erreurs Courantes

Exemples contradictoires. L'exemple un sort en minuscules, l'exemple trois capitalise ; l'un est formel, l'autre plaisante. Le modèle résout la contradiction en moyennant — produisant une sortie différente de tous vos exemples. Auditez vos exemples comme des constats d'audit : chaque détail doit concorder, parce que chaque détail enseigne.
Trop d'exemples, bureau débordé. Dix exemples « par sécurité » occupent la fenêtre de contexte pendant toute la conversation — déplaçant le contexte ultérieur et gonflant le coût en tokens de chaque réponse dans Uzu. Deux à quatre exemples affûtés verrouillent presque toujours le motif ; ajoutez un cinquième seulement quand un cas limite précis exige sa propre démonstration.
Exemples paresseux. Un exemple avec une coquille, une sortie molle ou une dérive de format n'échoue pas seulement à enseigner — il activement enseigne votre défaut. Le modèle reproduira vos erreurs avec une fidélité parfaite. Polissez les exemples comme un texte publié.
Utiliser le few-shot pour des tâches standard. Coller trois exemples de « résume en un paragraphe » ne démontre rien que le modèle ne fait déjà avec une instruction claire — vous payez des prix de démonstration pour une danse que tout le monde connaît. Gardez la technique pour des motifs qui ne vivent vraiment que dans vos exemples.
Oublier que les exemples persistent. La pile collée au message un est encore sur le bureau au message trente — coûtant toujours des tokens, influençant toujours le ton. Si une tâche ultérieure dans le même chat exige un comportement différent, ouvrez un nouveau chat ou retirez explicitement le motif (« nouveau format à partir d'ici : ... »).

Questions Fréquentes

Quelle est la différence entre prompting zero-shot, one-shot et few-shot ?

Zero-shot signifie demander sans exemples — instruction pure, comme « traduis ceci en français ». One-shot signifie inclure un seul exemple pour ancrer le motif ; few-shot signifie deux exemples résolus ou plus — là où le verrou de motif devient assez fort pour les formats personnalisés. (L'anatomie du « prompt one-shot » de ce cursus concerne une instruction unique complète — et quand cette instruction inclut des exemples, elle devient few-shot.) Plus votre motif cible est inhabituel, plus il faut d'exemples pour l'enseigner.

Quand utiliser le few-shot plutôt que simplement décrire le format ?

Utilisez le few-shot quand le motif est personnalisé, précis et coûteux à rater : styles maison, règles de parsing, schémas de classification, sortie qui alimente un autre système — tout ce où la description en prose laisse le modèle deviner. Si le format est standard (un tableau, cinq puces, un paragraphe) ou qu'une description peut le capturer entièrement, le one-shot est plus rapide, moins cher et suffisant. Le test : un inconnu compétent pourrait-il reproduire votre format avec votre seule description ? Sinon, démontrez.

Les exemples rendent-ils les prompts d'IA plus chers ?

Oui. Chaque exemple est des tokens dans la fenêtre de contexte, et la fenêtre est retraitée à chaque réponse de la conversation — les exemples ajoutent donc du coût non pas une fois, mais en continu. Dans Uzu, où les messages sont facturés en G-Credits, une pile few-shot lourde est visiblement le prompt le plus cher que vous puissiez envoyer. D'où la discipline : démontrez seulement ce que la description ne peut pas capturer, et gardez les exemples au minimum qui verrouille le motif.

Leçon Suivante

Le few-shot exige que vous ayez déjà des exemples parfaits — mais qu'en est-il du motif que vous ne pouvez pas montrer parce que vous ne l'avez jamais écrit ? Il existe un mouvement pour ça : cessez de rédiger la réponse et commencez à rédiger la question. Confiez à la machine l'écriture du prompt lui-même.

Passez à la leçon suivante : Meta-Prompting

Exercice pratique avant de partir : trouvez un format de sortie sur lequel vous avez corrigé l'IA plus de deux fois. Construisez une pile de trois exemples à partir de vos corrections — vos brouillons comme entrées, vos versions corrigées comme sorties — et passez la prochaine tâche au travers. Notez ce que le modèle reproduit que vous n'avez jamais écrit.