BroadRouter

Few-shot prompting (prompt avec exemples)

Mis à jour

Le few-shot prompting est une technique où le prompt contient quelques exemples entrée-sortie résolus avant l’entrée réelle, pour qu’un modèle de langage en déduise la tâche et le format. Les poids du modèle ne changent pas ; le zero-shot n’utilise aucun exemple et le one-shot un seul.

Aussi appelé : few-shot prompting, few-shot, apprentissage few-shot, prompt avec exemples, exemples dans le prompt, one-shot, zero-shot, few-shot learning, multishot prompting, in-context examples, one-shot prompting

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.

Questions fréquentes

Combien d’exemples mettre dans un prompt few-shot ?

Anthropic conseille 3 à 5 pour de meilleurs résultats. Chaque exemple supplémentaire coûte des tokens d’entrée à chaque appel : arrêtez d’en ajouter dès que la qualité ne progresse plus.

Le few-shot prompting est-il la même chose que le fine-tuning ?

Non. Les exemples few-shot vivent dans le prompt et sont renvoyés à chaque requête. Le fine-tuning modifie les poids du modèle une fois pour toutes : il n’est alors plus nécessaire d’envoyer les exemples.

Faut-il mettre les exemples dans le prompt système ou en tours de chat ?

Les deux fonctionnent. Placez-les à une position fixe, près du début, pour qu’ils forment un préfixe stable et mis en cache.

Lire en MarkdownDemander à ChatGPTDemander à ClaudeDemander à Perplexity