Few-shot prompting

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.

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