Le few-shot prompting consiste à donner 2 à 5 exemples de la tâche dans le prompt, pour que le modèle comprenne par démonstration ce qu'on attend.
1. Zero-shot vs few-shot
Zero-shot : on demande sans exemple.
« Classe cet email comme spam ou non-spam : 'Gagnez 1000$ maintenant !' »
Few-shot : on donne plusieurs exemples avant la tâche.
Le zero-shot demande sans exemple, le few-shot en donne deux à cinq avant la tâche : un prompt plus long et plus coûteux, qui paie sur la classification et l'extraction
2. Structure typique d'un prompt few-shot
Classe chaque email comme SPAM ou NON-SPAM.
Ex 1 : « Réunion demain à 10h » → NON-SPAM
Ex 2 : « Gagnez 1000$ maintenant cliquez ici !! » → SPAM
Ex 3 : « Voici le rapport mensuel ci-joint » → NON-SPAM
Ex 4 : « Pénis plus gros en 3 jours médicament miracle » → SPAM
Maintenant classe : « Offre limitée, votre compte va expirer ! »
→
3. Pourquoi ça marche
Les LLMs apprennent par pattern matching dans le contexte. Les exemples leur montrent :
Le format attendu de la réponse
Le style et la précision souhaitée
La logique de classification
4. Bonnes pratiques
Diversité : varie les cas (faciles, limites, exceptions)
Cohérence : utilise le même format pour tous les exemples
Clarté : sépare bien chaque exemple (sauts de ligne, séparateurs)
Ordre : place les exemples les plus représentatifs en premier
Quantité : 3 à 5 exemples est souvent un bon équilibre
5. Cas où le few-shot brille
Tâches de classification spécifiques
Extraction de données structurée (parser un texte → JSON)
Formatage précis (style, ton)
Tâches sans nom standard (« écris dans le style de notre marque »)
6. Limites
Augmente la longueur du prompt (= plus de coût)
Peut biaiser si les exemples sont trop similaires
Inutile pour des tâches générales que le modèle maîtrise déjà