TL;DR
Few-shot prompting betyder att visa AI:n två eller fler utprovade exempel — Indata A → Utdata B — istället för att beskriva vad du vill, så att den imiterar det exakta mönster, ton och format du demonstrerade. Det är det starkaste låset på anpassad utdata som finns — och den dyraste prompten du kan skicka, eftersom varje exempel följer med i varje meddelande.
Analysen
Försök lära någon en piruett över telefonen.
"Rotera din kropp 360 grader på ett ben, på fotbladet, armarna rundade, huvudet fixerar." Tekniskt komplett. Och fullständigt olärbar på det sättet — orden beskriver färdigheten, men färdigheten är inte gjord av ord. Ställ nu samma elev framför en danslärare, som inte säger något och helt enkelt gör tre piruetter, långsamt, och säger: "så där."
Elevens kropp vet redan mer från tre demonstrationer än från något stycke av beskrivning. Människor lär sig många saker genom imitation vida snabbare än genom instruktion — och språkmodeller, visar det sig, är byggda på samma sätt. Visa en modell tre exempel på ett mönster och den återger ofta mönstret felfritt, inklusive detaljer du aldrig tänkte nämna och inte skulle ha vetat hur du beskriver.
Det är hela distinktionen i den här lektionen. En one-shot-prompt berättar — verb, kontext, format — och för standardarbete (sammanfatta, lista, översätta, skriva om) räcker berättande, eftersom modellen redan kan de danserna. Few-shot prompting visar — du klistrar in själva dansen, två eller tre framföranden av Indata → Utdata, och modellen härmar. Att beskriva ditt företags egendomlina supportärende-format i prosa är telefonsamtalet. Att klistra in tre riktiga ärenden är demonstrationen.
En sak till om danslärare: demonstrationer är inte gratis. Lärarens tid, studion, de tre långsamma framförandena — att visa kostar mer än att berätta, varje enda session. Behåll den tanken; den blir ekonomin för hela tekniken.
Hur det fungerar & kostnaden
En few-shot-prompt är en stapel av utprovade exempel följt av en ny indata, strukturerad så att mönstret är omisskännligt:
| Element | Roll |
|---|---|
| Exempel 1: Indata → Utdata | Definierar transformationen |
| Exempel 2: Indata → Utdata | Bekräftar att det inte var en tillfällighet |
| Exempel 3: Indata → Utdata | Låser kantfallsbeteende (den knepiga indatan visar hur du vill att svåra fall hanteras) |
| Ny indata | Modellens tur att fortsätta mönstret |
Exemplen gör något instruktioner inte kan: de demonstrerar allt på en gång — format, ton, längd, kapitalisering, vad som ska inkluderas, vad som ska hoppas över — inklusive hundra mikrobeslut du aldrig märkte att du fattade. "Apple → Pomme. Bil → Voiture. Översätt nu: Hus." — tre rader, och modellen vet språket, riktningen, skriftläget och registret. Inget instruktionsstycke kunde specificera allt det i färre tokens. Det är därför few-shot slår till och med utmärkta beskrivningar närhelst målmönstret är anpassat: modellen slutar gissa din dialekt och börjar tala den.
Sedan notan. Varje exempel du klistrar in är text på kontextfönstret — skrivbordet modellen läser om före varje enskilt svar. Exempel avdunstar inte efter det första svaret; de ligger på skrivbordet hela konversationen och lägger till tokens på varje efterföljande meddelande som bearbetas. Tre kraftfulla exempel kan enkelt väga tyngre än resten av konversationen tillsammans. Och i Uzu, där meddelanden prissätts i G-Credits, blir den fysiken synlig i din balans: en few-shot-prompt kostar helt enkelt mer per meddelande än en mager one-shot, och den fortsätter kosta mer så länge chatten lever.
Därav regeln denna läroplan körs på:
One-shot som standard; few-shot av nödvändighet. Visa exempel när formatet eller logiken är verkligt anpassat — en husstil, en tolkningsregel, ett klassificeringsschema med dina egna kantfall. Om en tydlig instruktion kan fånga det, berätta det. Berättande är billigare — och ofta är det tillräckligt.
Den renaste ekonomiska spel: exempel förtjänar sitt pris bara när ett fel format skulle kosta dig mer än tokens gjorde — en omkörning, en manuell uppstädning, ett nedströms system som går sönder på felaktig utdata. Det är few-shot-testet: inte "skulle exempel hjälpa?" (de hjälper nästan alltid) utan "kräver det här mönstret demonstration?"
Före & efter (promptarna)
Exempel 1 — husstilsrubriken
Skriv om det här funktionstillkännagivandet som en slagkraftig rubrik i vårt varumärkesröst.
"Varumärkesröst" är en telefonbeskrivning av en piruett. Modellen gissar — slagkraftig för den, varumärke för den — och lämnar tillbaka något energetiskt och helt av stämma.
Skriv om det här funktionstillkännagivandet som en rubrik som matchar vår stil. Vår stil:
Gammal dashboard, ny dashboard → Dina mätvärden ringde. De vill ha en större skärm. Offline-läge släppt → Wi-Fi borta. Jobbet kvar. Mörkt tema släppt → Nattugglorna, den här är för er.
Funktionstillkännagivande: Massexport är live →
Tre demonstrationer och modellen gissar inte längre — längden, pilformatet, fetningen, ordvitsregistret är allt visat, inklusive mikrostilen du aldrig skulle kunna specificera. Den fjärde raden fullbordar ett mönster, inte en instruktion.
Exempel 2 — extraheringsformatet
Extrahera datum, stad och summa från varje kvittorad nedan.
Tillräckligt enkelt — tills ditt system som konsumerar utdatan förväntar sig ÅÅÅÅ-MM-DD | STAD_VERSALER | öre-utan-symbol, ett format som inte finns någonstans i naturen. Instruktionsversionen producerar läsbara datum, korrekta stadsnamn och en valutasymbol — korrekt, och inkompatibelt.
Extrahera varje rad till: datum, stad, summa. Följ mönstret exakt:
"Betalt 42,50 € i Lissabon den 3 maj" → 2026-05-03 | LISSABON | 4250 "São Paulo, 12/jan, R$199,90" → 2026-01-12 | SÃO PAULO | 19990
"Kassa Tokyo 7 nov ¥3 000" →
Två exempel, och de odokumenterade reglerna är lärda: tvetydig dag-månad-ordning löst, accenter behållna i versaler, symboler bortstrippade, decimaler omvandlade till enheter. Maskinredo utdata från en modell som aldrig "konfigurerades" för något — den blev visad.
Exempel 3 — tonen som inte får driva
Gör mina kundsvar varma men inte överdådiga, professionella men inte stela.
Varje ord i den meningen är en smaksak, och modellens smak skiljer sig från din. Svaret kommer tillbaka dekorerat med utropstecken — varmt, enligt dess läsning.
Skriv om mina utkast till svar så att de matchar den här rösten:
Utkast: "Din återbetalning har behandlats." → Svar: "Din återbetalning är på väg — du ser den inom 3 bankdagar. Tack för ditt tålamod medan vi redade ut det här." Utkast: "Artikeln är slutsåld." → Svar: "Den där sålde slut snabbare än vi väntat! Vi fyller på i veckan och mejlar dig direkt när den är tillbaka."
Utkast: "Ditt konto suspenderades." →
Ton kan inte beskrivas; den kan bara demonstreras. Med två exempel landar det tredje svaret automatiskt i rätt röst — ingen utropsteckensföreläsning krävs.
Vanliga misstag
- Motstridiga exempel. Exempel ett matar ut gemener, exempel tre versaliserar; ett är formellt, ett skämtar. Modellen löser motsägelsen genom att medelvärdesbilda den — vilket producerar utdata som inte liknar något av dina exempel. Granska dina exempel som granskningsfynd: varje detalj måste överensstämma, eftersom varje detalj lär ut.
- För många exempel, sprängt skrivbord. Tio exempel "för säkerhets skull" upptar kontextfönstret under hela konversationen — tränger undan senare kontext och blåser upp token-kostnaden för varje svar i Uzu. Två till fyra skarpa exempel låser nästan alltid mönstret; lägg till ett femte bara när ett specifikt kantfall kräver sin egen demonstration.
- Slarviga exempel. Ett exempel med ett stavfel, en slarvig utdata eller en formatdrift lär inte bara ut inget — det aktivt lär ut din defekt. Modellen återger dina fel med perfekt trohet. Polera exempel som publicerad text.
- Att använda few-shot för standarduppgifter. Att klistra in tre exempel på "sammanfatta i ett stycke" demonstrerar inget modellen inte redan gör från en tydlig instruktion — du betalar demonstrationspriser för en dans alla kan. Spara tekniken för mönster som genuint lever bara i dina exempel.
- Att glömma att exemplen kvarstår. Stapeln du klistrade in vid meddelande ett ligger fortfarande på skrivbordet vid meddelande trettio — kostar fortfarande tokens, påverkar fortfarande tonen. Om en senare uppgift i samma chatt behöver annat beteende, starta antingen en ny chatt eller dra tillbaka mönstret explicit ("nytt format från och med nu: ...").
FAQ
Vad är skillnaden mellan zero-shot, one-shot och few-shot prompting?
Zero-shot betyder att fråga utan exempel — ren instruktion, som "översätt det här till franska." One-shot betyder att inkludera ett enda exempel för att förankra mönstret; few-shot betyder två eller fler utprovade exempel, vilket är där mönsterlåset blir tillräckligt starkt för anpassade format. (Denna läroplans "one-shot-prompt"-anatomi handlar om en komplett enskild instruktion — och när den instruktionen inkluderar exempel examineras den till few-shot.) Ju mer ovanligt ditt målmönster är, desto fler exempel krävs för att lära ut det.
När ska jag använda few-shot istället för att bara beskriva formatet?
Använd few-shot när mönstret är anpassat, precist och dyrt att få fel: husstilar, tolkningsregler, klassificeringsscheman, utdata som matar ett annat system — allt där prosabeskrivning lämnar modellen gissande. Om formatet är standard (en tabell, fem punkter, ett stycke) eller en beskrivning kan fånga det helt är one-shot snabbare, billigare och tillräckligt. Testet: kunde en kompetent främling återge ditt format från din beskrivning ensam? Om inte, demonstrera.
Gör exempel AI-promptar dyrare?
Ja. Varje exempel är tokens på kontextfönstret, och fönstret bearbetas om för varje svar i konversationen — så exempel lägger till kostnad inte en gång utan kontinuerligt. I Uzu, där meddelanden prissätts i G-Credits, är en tung few-shot-stapel synligt den dyraste prompten du kan skicka. Därför är disciplinen: demonstrera bara det som beskrivning inte kan fånga, och håll exemplen till minimiet som låser mönstret.
Nästa lektion
Few-shot kräver att du redan har perfekta exempel — men vad händer med mönstret du inte kan visa för att du aldrig skrivit det? Det finns ett drag för det: sluta skissa svaret och börja skissa frågan. Överlåt själva promptskrivandet till maskinen.
Fortsätt till nästa lektion: Meta-Prompting
Övningsdrill innan du går: hitta ett utdataformat du har rättat AI:n på mer än två gånger. Bygg en treexempelstapel från dina korrigeringar — dina utkast som indata, dina fixade versioner som utdata — och kör nästa uppgift genom den. Notera vad modellen återger som du aldrig skrev ner.