---
title: "Apakah itu few-shot prompting? Contoh dalam prompt | BroadRouter"
description: "Few-shot prompting meletakkan beberapa contoh dalam prompt supaya model meniru coraknya. Cara ia berfungsi, berapa banyak contoh yang perlu, dan kosnya."
url: https://broadrouter.com/ms/glossary/few-shot-prompting/
lang: ms
updated: 2026-11-16
publisher: BroadRouter (a BroadNet site); API by BroadNet Inference, https://inference.broadnet.ai
---

Diterjemahkan daripada bahasa Inggeris dengan bantuan AI. [Baca versi asal dalam bahasa Inggeris](https://broadrouter.com/glossary/few-shot-prompting/) (dikemas kini 2026-11-16).

# Few-shot prompting (prompt dengan beberapa contoh)

Dikemas kini 2026-11-16

Few-shot prompting ialah teknik di mana prompt mengandungi sebilangan kecil contoh pasangan input-output sebelum input sebenar, supaya model bahasa dapat menyimpulkan tugas dan format daripadanya. Pemberat model tidak berubah; zero-shot tidak menggunakan contoh dan one-shot menggunakan satu.

Juga dikenali sebagai: few-shot prompting, prompt beberapa contoh, few-shot learning, multishot prompting, in-context examples, contoh dalam konteks, one-shot prompting

Menunjukkan lebih berkesan daripada memberitahu. Beberapa contoh selalunya membetulkan format dan nada lebih cepat daripada satu perenggan peraturan.

## Cara ia berfungsi

Kertas kajian GPT-3 oleh Brown dan rakan-rakan mempopularkan istilah ini. Ia menguji model 175 bilion parameter dengan tugas yang “specified purely via text interaction with the model” (Terjemahan BroadRouter: “ditetapkan semata-mata melalui interaksi teks dengan model”), tanpa kemas kini gradien atau fine-tuning, dan mendapati prestasi few-shot meningkat dengan ketara apabila saiz model bertambah. Kertas itu mentakrifkan tiga tetapan:

| Tetapan | Contoh dalam prompt |
| --- | --- |
| Zero-shot | tiada, hanya arahan |
| One-shot | satu |
| Few-shot | beberapa, dihadkan oleh tetingkap konteks |

Prompt few-shot untuk melabel tiket sokongan mungkin kelihatan begini:

```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." ->
```

Model menyambung corak itu. Panduan Anthropic menyifatkan contoh sebagai “one of the most reliable ways to steer” (Terjemahan BroadRouter: “salah satu cara paling boleh dipercayai untuk mengemudi”) format, nada dan struktur, dan meminta contoh yang relevan, pelbagai dan dibalut dalam tag supaya model dapat membezakannya daripada arahan.

## Mengapa ia penting

-   **Kawalan format.** Contoh menunjukkan kes pinggir yang terlepas oleh peraturan, seperti cara menulis medan kosong. Untuk JSON yang ketat, gandingkan dengan [output berstruktur](https://broadrouter.com/ms/glossary/structured-output/).
-   **Kos.** Setiap contoh dihantar semula sebagai input pada setiap panggilan. Lima contoh 200 token menambah 1,000 token bagi setiap permintaan. Jika diletakkan dalam awalan tetap, ia boleh dicaj sebagai [token input cache](https://broadrouter.com/ms/glossary/cached-input-tokens/).
-   **Penaakulan.** Contoh yang menunjukkan langkah-langkah, bukan hanya jawapan, ialah prompt [chain-of-thought](https://broadrouter.com/ms/glossary/chain-of-thought/).
-   **Bila perlu berhenti.** Jika anda memerlukan beratus-ratus contoh, [fine-tuning](https://broadrouter.com/ms/glossary/fine-tuning/) mungkin lebih murah bagi setiap panggilan daripada menghantarnya setiap kali.

## Di BroadNet Inference

Few-shot prompting tidak memerlukan ciri API khas; ia hanya teks biasa dalam `messages`. BroadNet melaporkan `cached_tokens` dalam `usage`, jadi anda boleh menyemak sama ada blok contoh anda dibaca daripada cache. Pada kunci PAYG, harga cache lebih rendah daripada harga input; pada DeepSeek V4.1 Flash, ia ialah $0.0055 berbanding $0.175 bagi setiap 1M token. Untuk tugas bahasa Arab, lihat [kejuruteraan prompt bahasa Arab](https://broadrouter.com/ms/blog/arabic-prompt-engineering/), dan untuk pengekstrakan dokumen dengan contoh, [panduan invois bahasa Arab](https://broadrouter.com/ms/guides/read-arabic-invoices-with-vision/).

## Kesilapan biasa

-   Menggunakan contoh yang semuanya berkongsi satu label atau panjang yang sama. Model meniru bias itu.
-   Menukar contoh bagi setiap permintaan. Ini merosakkan awalan cache dan menyukarkan perbandingan hasil.

## Soalan lazim

### Berapa banyak contoh yang patut ada dalam prompt few-shot?

Anthropic mencadangkan 3 hingga 5 untuk hasil terbaik. Lebih banyak contoh menelan lebih banyak token input pada setiap panggilan, jadi berhenti menambah apabila kualiti tidak lagi meningkat.

### Adakah few-shot prompting sama dengan fine-tuning?

Tidak. Contoh few-shot berada dalam prompt dan dihantar semula pada setiap permintaan. Fine-tuning mengubah pemberat model sekali sahaja, jadi contoh tidak perlu dihantar lagi.

### Patutkah contoh diletakkan dalam prompt sistem atau sebagai giliran chat?

Kedua-duanya boleh. Simpan contoh pada kedudukan tetap berhampiran permulaan supaya ia membentuk awalan yang stabil dan boleh di-cache.

## Lihat juga

-   [Prompt sistem (system prompt)](https://broadrouter.com/ms/glossary/system-prompt/) (istilah)
-   [Chain-of-thought (CoT, rantaian pemikiran)](https://broadrouter.com/ms/glossary/chain-of-thought/) (istilah)
-   [Fine-tuning (penalaan halus)](https://broadrouter.com/ms/glossary/fine-tuning/) (istilah)
-   [Token input cache (cached input tokens)](https://broadrouter.com/ms/glossary/cached-input-tokens/) (istilah)
-   [Output berstruktur (structured output)](https://broadrouter.com/ms/glossary/structured-output/) (istilah)
-   [Kejuruteraan prompt (prompt engineering)](https://broadrouter.com/ms/glossary/prompt-engineering/) (istilah)
-   [Baca invois dan resit Arab dengan model vision](https://broadrouter.com/ms/guides/read-arabic-invoices-with-vision/) (panduan)
-   [Kejuruteraan prompt bahasa Arab: laras, RTL, angka dan teks bercampur](https://broadrouter.com/ms/blog/arabic-prompt-engineering/) (artikel)
-   [Cara menyusun prompt supaya prefix di-cache](https://broadrouter.com/ms/blog/prompt-structure-for-caching/) (artikel)

Cuba dengan beban kerja sebenar anda. Akaun baharu bermula dengan kredit US$5 untuk Gemma dan transkripsi. DeepSeek, GLM dan Qwen3.8 memerlukan tambah nilai.

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

**Sumber**

-   [Brown et al. (2020), Language Models are Few-Shot Learners (disemak 2026-11-16)](https://arxiv.org/abs/2005.14165)
-   [Anthropic, prompting best practices (use examples effectively) (disemak 2026-11-16)](https://platform.claude.com/docs/en/build-with-claude/prompt-engineering/claude-prompting-best-practices)
-   [Rujukan API BroadNet Inference, token cache (disemak 2026-11-16) (Bahasa Inggeris)](https://inference.broadnet.ai/docs?utm_source=broadrouter&utm_medium=referral&utm_campaign=ms-glossary-few-shot-prompting&utm_content=sources)
