Kỹ Năng cho tương lai/Kiến thức AI nền tảng/Prompt & Context

Few-shot Prompting: Dạy AI bằng ví dụ

Few-shot Prompting là kỹ thuật cung cấp cho mô hình AI một hoặc một vài ví dụ minh họa (Demonstrations - thường từ 2 đến 5 mẫu) bao gồm cả dữ liệu đầu vào chuẩn và kết quả đầu ra tương ứng ngay trong Prompt, trước khi yê

Chu Hồng Hạnh1/10/20262 phút đọc
Nội dung bài viết · Xem mục lục

Giải thích khái niệm

Few-shot Prompting là kỹ thuật cung cấp cho mô hình AI một hoặc một vài ví dụ minh họa (Demonstrations - thường từ 2 đến 5 mẫu) bao gồm cả dữ liệu đầu vào chuẩn và kết quả đầu ra tương ứng ngay trong Prompt, trước khi yêu cầu mô hình xử lý dữ liệu mới. Nhờ các ví dụ trực quan này, mô hình áp dụng cơ chế học tại chỗ (In-Context Learning)—ngay lập tức nhận diện được mẫu cấu trúc, quy tắc gán nhãn, văn phong và định dạng phản hồi phức tạp mà người dùng mong muốn mà không cần phải huấn luyện lại mô hình (Fine-tuning).

Ứng dụng khi nào

Few-shot Prompting bắt buộc áp dụng khi bài toán yêu cầu định dạng đầu ra phức tạp (như xuất ra chuỗi JSON tuân thủ Schema khắt khe), gán nhãn dữ liệu theo tiêu chuẩn riêng của doanh nghiệp, xử lý thuật ngữ chuyên ngành hoặc khi câu từ chỉ dẫn suông không thể diễn tả trọn vẹn quy tắc.

Ví dụ minh họa

Hãy trích xuất tên sản phẩm và lỗi kỹ thuật theo đúng mẫu sau: Ví dụ 1: "Máy giặt Aqua nhà tôi bị chảy nước ở gầm" -> [Sản phẩm: Máy giặt Aqua] | [Mã lỗi: Chảy nước chân máy] Ví dụ 2: "Tủ lạnh LG không lạnh ngăn mát" -> [Sản phẩm: Tủ lạnh LG] | [Mã lỗi: Mất nhiệt ngăn mát] Yêu cầu thực thi: "Tivi Sony bỗng nhiên bị sọc màn hình phía trên" -> Mô hình sẽ sinh ra đầu ra chuẩn xác: Sản phẩm: Tivi Sony | Mã lỗi: Sọc màn hình.

Nguồn

Chu Hồng Hạnh — Cẩm nang AI cơ bản: Thuật ngữ AI từ nền tảng đến hệ thống AI Agents tự chủ.

Bài liên quan

Xem các bài viết khác