W trybie zero-shot model wykonuje zadanie wyłącznie na podstawie swojej wytrenowanej wiedzy - bez żadnych demonstracji. W trybie few-shot dostajesz w prompcie 2-5 przykładów pokazujących oczekiwany format i logikę odpowiedzi, co drastycznie poprawia precyzję przy klasyfikacji, ekstrakcji danych i formatowaniu. Dla ekspertów i solopreneurów budujących systemy AI to fundamentalna umiejętność: odpowiednia liczba przykładów często decyduje o tym, czy automatyzacja działa niezawodnie, czy produkuje losowe wyniki.
Spis treści
Czym jest zero-shot learning?
Zero-shot prompting to technika, w której dajesz modelowi AI polecenie bez żadnych przykładów. Model polega wyłącznie na swojej wiedzy zdobytej podczas treningu, aby zrozumieć zadanie i wygenerować odpowiedź. Przykład: zapytanie "Oceń sentyment tego tekstu jako pozytywny, negatywny lub neutralny: 'Produkt jest OK.'" - model rozpoznaje koncept sentymentu i klasyfikuje poprawnie, bo nauczył się tego z danych treningowych. Zero-shot sprawdza się najlepiej w prostych zadaniach, które model już dobrze rozumie: analiza sentymentu, streszczanie, tłumaczenie, podstawowa klasyfikacja. Zawodzi przy zadaniach nietypowych, wymagających specyficznego formatowania albo rozumienia kontekstu branżowego.
Czym jest few-shot learning?
Few-shot prompting to technika, w której do promptu dodajesz 2-5 starannie dobranych przykładów pokazujących modelowi, jak ma wykonać zadanie. Przykłady działają jak demonstracja - model uczy się wzorca w locie, bez ponownego trenowania. Przykład few-shot dla klasyfikacji sentymentu: pokazujesz 3 przykłady ("Uwielbiam to!" → pozytywny, "Jestem rozczarowany." → negatywny, "Może być." → neutralny), a potem pytasz o nowe zdanie. Model widzi wzorzec i odpowiada poprawnie, nawet jeśli zdanie jest niejednoznaczne. Few-shot radzi sobie z zadaniami, gdzie zero-shot się gubi: niuanse językowe, sarkazm, specyficzny format JSON, branżowa terminologia. Kosztem jest zużycie tokenów - każdy przykład zajmuje miejsce w oknie kontekstowym.
One-shot: szczególny przypadek few-shot
One-shot learning to wariant few-shot, gdzie dajesz dokładnie jeden przykład. Sprawdza się, gdy zadanie ma przewidywalną strukturę, a pojedynczy przykład wystarcza do pokazania formatu. Przykład: tłumaczenie nazwy firmy z zachowaniem konwencji - pokazujesz jedno tłumaczenie wzorcowe i model od razu rozumie schemat. Jeden dobry przykład często wystarcza do zadań formatujących. Jeśli jeden przykład nie daje stabilnych wyników, przejdź do 3 przykładów - to najczęstszy sweet spot.
Kiedy zero-shot wystarcza?
Zero-shot działa dobrze dla zadań, które model widział wielokrotnie w danych treningowych: analiza sentymentu ogólnego, tłumaczenie między popularnymi językami, streszczanie tekstu, odpowiedzi na pytania ogólne, generowanie prostego kodu, klasyfikacja według oczywistych kategorii. Współczesne modele jak Claude Opus 5 czy GPT-5 radzą sobie z coraz szerszym zakresem zadań zero-shot dzięki większej wiedzy ogólnej i lepszemu rozumieniu instrukcji. Zasada praktyczna: najpierw testuj zero-shot z najlepszym dostępnym modelem. Jeśli wynik jest zadowalający, nie komplikuj promptu przykładami - są zbędnym kosztem.
Kiedy few-shot jest niezbędny?
Few-shot jest konieczny, gdy: (1) potrzebujesz precyzyjnego formatu wyjścia, np. JSON o określonej strukturze; (2) zadanie wymaga znajomości specyficznej terminologii lub konwencji branżowej; (3) model ma rozpoznawać niuanse - ironię, sarkazm, subtelne rozróżnienia kategorii; (4) klasyfikujesz dane o wysokiej zmienności, gdzie kategorie nakładają się na siebie; (5) budujesz system AI, który ma działać niezawodnie na setkach lub tysiącach przypadków - koszt 3 przykładów to ułamek kosztu błędnej klasyfikacji. W systemach produkcyjnych few-shot to standard przy zadaniach typu ekstrakcja danych z dokumentów, klasyfikacja zgłoszeń czy formatowanie treści.
Ograniczenia i pułapki few-shot
Few-shot ma trzy główne ograniczenia. Po pierwsze, koszt tokenów - każdy przykład to dodatkowe tokeny w prompcie, co zwiększa koszt API i zajmuje miejsce w oknie kontekstowym. Przy 5 przykładach po 200 tokenów tracisz 1000 tokenów, które mogłyby pójść na dane właściwe. Po drugie, ryzyko overfittingu do przykładów - model może nauczyć się powierzchownego wzorca zamiast rzeczywistej logiki zadania. Jeśli przykłady są niereprezentatywne, model będzie systematycznie błędnie klasyfikował przypadki spoza rozkładu demonstracji. Po trzecie, malejące korzyści - badania pokazują, że po 5-8 przykładach jakość zwykle przestaje rosnąć, a czasem nawet spada. Więcej nie zawsze znaczy lepiej.
Few-shot a modele reasoningowe - ważny wyjątek
Współczesne modele reasoningowe (GPT-5 z reasoning mode, Claude z rozszerzonym myśleniem) często działają gorzej z few-shot niż zero-shot przy zadaniach wymagających logicznego rozumowania. Badania Anthropic i OpenAI pokazują, że przykłady mogą zbić model z jego własnego toku rozumowania - model kopiuje powierzchowny wzorzec zamiast przeprowadzić głęboką analizę. Dla zadań matematycznych, logicznych i wymagających wieloetapowego wnioskowania, lepiej sprawdza się zero-shot z instrukcją "pomyśl krok po kroku" (Chain of Thought). Few-shot zostaje najlepszym narzędziem do klasyfikacji, formatowania i ekstrakcji, ale nie do rozumowania.
Znaczenie dla budowania systemów AI
Dla solopreneurów i ekspertów budujących własne systemy AI, decyzja zero-shot vs few-shot to jedno z pierwszych praktycznych pytań przy projektowaniu promptu. W systemie sprzedaży wiedzy, gdzie AI ma klasyfikować leady albo formatować treści, 3 dobrze dobrane przykłady to często różnica między "działa" a "nie do użytku". Warto zbudować bibliotekę sprawdzonych przykładów dla powtarzalnych zadań - to inwestycja jednorazowa, która zwraca się przy każdym wywołaniu API. Jednocześnie, przy zadaniach analitycznych i doradczych, lepiej dać modelowi swobodę rozumowania niż ograniczać go przykładami.
Najczęstsze pytania
Czy zero-shot zawsze działa gorzej niż few-shot?
Nie. Przy prostych zadaniach (sentyment, tłumaczenie, podstawowa klasyfikacja) zero-shot na nowoczesnych modelach jak Claude Opus czy GPT-5 daje wyniki bliskie few-shot, a przy zadaniach wymagających rozumowania matematycznego lub logicznego zero-shot z Chain of Thought często przewyższa few-shot. Few-shot jest lepszy głównie przy zadaniach formatujących i klasyfikacyjnych z niuansami.
Ile przykładów optymalnie podać w prompcie few-shot?
Zazwyczaj 2-5 przykładów to sweet spot. Mniej niż 2 to one-shot, który może nie pokazać wystarczającego wzorca. Więcej niż 5-8 rzadko poprawia wynik, a zużywa cenne tokeny i miejsce w oknie kontekstowym. Kluczowa jest jakość i reprezentatywność przykładów, nie ich liczba. Jeden świetny przykład bije pięć przeciętnych.
Czy mogę łączyć few-shot z RAG?
Tak. RAG-based few-shot to technika, gdzie przykłady są dynamicznie pobierane z bazy wektorowej zamiast być na stałe w prompcie. System wyszukuje najbardziej podobne oznaczone przypadki dla każdego zapytania i dodaje je do promptu. To rozwiązanie skaluje się lepiej niż sztywna lista przykładów i pozwala używać setek potencjalnych demonstracji bez marnowania okna kontekstowego.
