---
title: "Что такое few-shot промптинг? Примеры в промпте | BroadRouter"
description: "Few-shot промптинг — несколько готовых примеров в промпте, чтобы модель повторила шаблон. Как это работает, сколько примеров брать и во сколько они обходятся."
url: https://broadrouter.com/ru/glossary/few-shot-prompting/
lang: ru
updated: 2026-11-16
publisher: BroadRouter (a BroadNet site); API by BroadNet Inference, https://inference.broadnet.ai
---

Переведено с английского с помощью ИИ. [Читать оригинал на английском](https://broadrouter.com/glossary/few-shot-prompting/) (обновлён 2026-11-16).

# Few-shot промптинг (few-shot prompting)

Обновлено 2026-11-16

Few-shot промптинг — это приём, при котором в промпт перед реальным входом добавляют несколько готовых примеров «вход — выход», чтобы языковая модель по ним поняла задачу и формат. Веса модели не меняются; в zero-shot примеров нет, в one-shot — один.

Также называют: few-shot, few-shot промптинг, промптинг с примерами, обучение на нескольких примерах, примеры в промпте, one-shot, zero-shot, few-shot prompting, few-shot learning, multishot prompting, in-context examples, one-shot prompting

Показать лучше, чем объяснить. Несколько примеров часто исправляют формат и тон быстрее, чем абзац правил.

## Как это работает

Термин стал общеупотребительным благодаря статье о GPT-3 от Brown и соавторов. В ней модель на 175 млрд параметров проверяли на задачах, “specified purely via text interaction with the model” (перевод: «заданных исключительно через текстовое взаимодействие с моделью»), без обновления градиентов и дообучения, и обнаружили, что качество в режиме few-shot сильно растёт с размером модели. Статья определяет три режима:

| Режим | Примеров в промпте |
| --- | --- |
| Zero-shot | ни одного, только инструкция |
| One-shot | один |
| Few-shot | несколько, сколько позволяет контекстное окно |

Few-shot промпт для разметки обращений в поддержку может выглядеть так:

```text
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." ->
```

Модель продолжает шаблон. Руководство Anthropic называет примеры “one of the most reliable ways to steer” (перевод: «одним из самых надёжных способов управлять») форматом, тоном и структурой и просит, чтобы они были релевантными, разнообразными и обёрнутыми в теги, чтобы модель могла отличить их от инструкций.

## Почему это важно

-   **Контроль формата.** Примеры показывают пограничные случаи, которые упускают правила, например как записывать пустое поле. Для строгого JSON сочетайте их со [структурированным выводом](https://broadrouter.com/ru/glossary/structured-output/).
-   **Стоимость.** Каждый пример заново отправляется как вход в каждом вызове. Пять примеров по 200 токенов добавляют к каждому запросу 1000 токенов. Если поместить их в фиксированный префикс, они могут тарифицироваться как [вход из кэша](https://broadrouter.com/ru/glossary/cached-input-tokens/).
-   **Рассуждения.** Примеры, которые показывают шаги, а не только ответ, — это промптинг [chain-of-thought](https://broadrouter.com/ru/glossary/chain-of-thought/).
-   **Когда остановиться.** Если нужны сотни примеров, [дообучение](https://broadrouter.com/ru/glossary/fine-tuning/) может оказаться дешевле в расчёте на вызов, чем каждый раз отправлять их.

## В BroadNet Inference

Few-shot промптингу не нужны особые функции API: это обычный текст в `messages`. BroadNet возвращает `cached_tokens` в `usage`, так что можно проверить, читается ли ваш блок примеров из кэша. На ключе с оплатой по факту цена входа из кэша ниже цены входа; у DeepSeek V4.1 Flash это $0.0055 против $0.175 за 1 млн токенов. Для задач на арабском см. [промпт-инжиниринг для арабского](https://broadrouter.com/ru/blog/arabic-prompt-engineering/), а для извлечения данных из документов с примерами — [руководство по арабским счетам](https://broadrouter.com/ru/guides/read-arabic-invoices-with-vision/).

## Частые ошибки

-   Брать примеры с одной и той же меткой или длиной. Модель копирует этот перекос.
-   Менять примеры от запроса к запросу. Это ломает кэшируемый префикс и затрудняет сравнение результатов.

## Вопросы и ответы

### Сколько примеров нужно в few-shot промпте?

Anthropic советует от 3 до 5 для лучшего результата. Каждый пример увеличивает число входных токенов в каждом вызове, так что перестаньте добавлять примеры, когда качество перестаёт расти.

### Few-shot промптинг — это то же самое, что дообучение?

Нет. Few-shot примеры живут в промпте и отправляются заново с каждым запросом. Дообучение один раз меняет веса модели, и примеры больше не нужно отправлять.

### Куда класть примеры: в системный промпт или в реплики чата?

Подойдёт и то и другое. Держите их на фиксированном месте ближе к началу, чтобы они образовали стабильный префикс, который можно кэшировать.

## См. также

-   [Системный промпт (system prompt)](https://broadrouter.com/ru/glossary/system-prompt/) (термин)
-   [Цепочка рассуждений (chain-of-thought, CoT)](https://broadrouter.com/ru/glossary/chain-of-thought/) (термин)
-   [Дообучение (fine-tuning)](https://broadrouter.com/ru/glossary/fine-tuning/) (термин)
-   [Вход из кэша (cached input tokens)](https://broadrouter.com/ru/glossary/cached-input-tokens/) (термин)
-   [Структурированный вывод (structured output)](https://broadrouter.com/ru/glossary/structured-output/) (термин)
-   [Промпт-инжиниринг (prompt engineering)](https://broadrouter.com/ru/glossary/prompt-engineering/) (термин)
-   [Как читать арабские счета и чеки vision-моделью](https://broadrouter.com/ru/guides/read-arabic-invoices-with-vision/) (руководство)
-   [Промпт-инжиниринг для арабского: регистр, RTL, цифры и смешанный текст](https://broadrouter.com/ru/blog/arabic-prompt-engineering/) (статья)
-   [Как структурировать промпты, чтобы префикс кэшировался](https://broadrouter.com/ru/blog/prompt-structure-for-caching/) (статья)

Проверьте на своей реальной нагрузке. Новые аккаунты получают стартовый грант US$5 на Gemma и распознавание речи. Для DeepSeek, GLM и Qwen3.8 нужно пополнить баланс.

[Начать](https://inference.broadnet.ai/account/?utm_source=broadrouter&utm_medium=referral&utm_campaign=ru-glossary-few-shot-prompting&utm_content=page-cta) ·

**Источники**

-   [Brown и др. (2020), Language Models are Few-Shot Learners (проверено 2026-11-16)](https://arxiv.org/abs/2005.14165)
-   [Anthropic, лучшие практики промптинга (эффективное использование примеров) (проверено 2026-11-16)](https://platform.claude.com/docs/en/build-with-claude/prompt-engineering/claude-prompting-best-practices)
-   [Справочник BroadNet Inference API, токены из кэша (проверено 2026-11-16) (на английском)](https://inference.broadnet.ai/docs?utm_source=broadrouter&utm_medium=referral&utm_campaign=ru-glossary-few-shot-prompting&utm_content=sources)
