Few-shot
Technique de prompting consistant à donner 2 à 5 exemples au modèle pour l'orienter.
Définition complète
Le few-shot est probablement la technique de prompting la plus simple et la plus efficace pour les tâches structurées. Au lieu de décrire la tâche en mots, tu montres 2 à 5 exemples du format input → output que tu attends. Le modèle infère le pattern et le reproduit.
Exemple typique pour extraire des entités : ``` Texte : "J'ai rendez-vous avec Marie Dupont mardi à 14h chez Carrefour" Extraction : {personne: "Marie Dupont", date: "mardi", heure: "14h", lieu: "Carrefour"}
Texte : "Le chef de projet Tom Garcia attend l'audit pour vendredi" Extraction : {personne: "Tom Garcia", role: "chef de projet", deadline: "vendredi", tache: "audit"}
Texte : "Réunion avec Sarah jeudi 10h dans la salle B" Extraction : ```
Le modèle complète automatiquement avec la bonne structure, sans avoir besoin de schéma JSON explicite.
Quand utiliser few-shot : - Tâches avec un format de sortie précis (JSON, classification, extraction) - Tâches où la formulation en mots est ambiguë - Quand zero-shot donne des résultats inconsistants
Le nombre magique est généralement 3-5 exemples. Au-delà, on perd du contexte utile pour la vraie requête. En dessous (2 exemples), le modèle peut sur-généraliser.
Approfondir
Tu veux maîtriser Few-shot en pratique ?
Le module "Prompt engineering — penser comme un LLM" couvre few-shot en profondeur, avec démonstrations interactives et exercices.
Découvrir le module →Termes liés
Capacité d'un LLM à réaliser une tâche sans aucun exemple dans le prompt.
Art et science de concevoir des instructions optimales pour les LLMs.
Adaptation d'un modèle pré-entraîné à une tâche ou un domaine spécifique en le réentraînant.
Technique de prompt engineering qui demande au modèle de raisonner étape par étape avant de répondre.