Montrer vaut mieux qu’expliquer. Quelques exemples corrigent souvent le format et le ton plus vite qu’un paragraphe de règles.
Comment ça marche
L’article sur GPT-3 de Brown et ses collègues a popularisé le terme. Il testait un modèle de 175 milliards de paramètres sur des tâches « specified purely via text interaction with the model » (traduction : « spécifiées uniquement par interaction textuelle avec le modèle »), sans mise à jour de gradient ni fine-tuning, et constatait que les performances few-shot progressaient fortement avec la taille du modèle. L’article définit trois configurations :
| Configuration | Exemples dans le prompt |
|---|---|
| Zero-shot | aucun, seulement une instruction |
| One-shot | un |
| Few-shot | plusieurs, dans la limite de la fenêtre de contexte |
Un prompt few-shot pour étiqueter des tickets de support pourrait ressembler à ceci :
Ticket: "My card was charged twice." -> billing
Ticket: "The app crashes on login." -> bug
Ticket: "Can you add dark mode?" -> feature_request
Ticket: "I was billed after cancelling." ->
Le modèle prolonge le schéma. Le guide d’Anthropic qualifie les exemples de « one of the most reliable ways to steer » (traduction : « l’un des moyens les plus fiables d’orienter ») le format, le ton et la structure, et demande qu’ils soient pertinents, variés et encadrés de balises pour que le modèle les distingue des instructions.
Pourquoi c’est important
- Contrôle du format. Les exemples montrent des cas limites que les règles oublient, comme la façon d’écrire un champ vide. Pour du JSON strict, associez-les à la sortie structurée.
- Coût. Chaque exemple est renvoyé en entrée à chaque appel. Cinq exemples de 200 tokens ajoutent 1 000 tokens par requête. Placés dans un préfixe fixe, ils peuvent être facturés comme tokens d’entrée en cache.
- Raisonnement. Des exemples qui montrent les étapes, et pas seulement la réponse, relèvent du prompting chain-of-thought.
- Quand s’arrêter. Si vous avez besoin de centaines d’exemples, le fine-tuning peut revenir moins cher par appel que de les envoyer à chaque fois.
Sur BroadNet Inference
Le few-shot prompting ne demande aucune fonctionnalité d’API particulière : c’est du texte brut dans messages. BroadNet renvoie cached_tokens dans usage, ce qui vous permet de vérifier si votre bloc d’exemples est lu depuis le cache. Avec une clé à l’usage, le prix en cache est inférieur au prix d’entrée ; sur DeepSeek V4.1 Flash, c’est $0.0055 contre $0.175 par million de tokens. Pour les tâches en arabe, voir le prompt engineering en arabe, et pour l’extraction de documents avec exemples, le guide des factures en arabe.
Erreurs fréquentes
- Utiliser des exemples qui partagent tous la même étiquette ou la même longueur. Le modèle reproduit le biais.
- Changer d’exemples à chaque requête. Cela casse le préfixe en cache et rend les résultats plus difficiles à comparer.