Few-Shot Prompting

Few-Shot Prompting je technika, pri ktorej modelu nedáš iba zadanie úlohy, ale aj niekoľko ukážkových dvojíc vstup → výstup. Model sa podľa nich prispôsobí očakávanému formátu, štýlu a rozhodovacím pravidlám.

Inak povedané: namiesto „povedz, čo má robiť" mu to krátko ukážeš na príkladoch.

V roku 2026 sú modely schopné spracovať stovky tisíc tokenov v jednom kontexte — few-shot prompting tak zostáva jednou z najefektívnejších techník, pretože sa škáluje s kvalitou príkladov, nie s množstvom dotrénovaných dát.

1. Zero-shot vs One-shot vs Few-shot

Režim Čo model dostane Kedy sa hodí
Zero-shot iba inštrukciu jednoduché a bežné úlohy
One-shot 1 príklad keď stačí naznačiť formát
Few-shot 2–10 príkladov nejednoznačné pravidlá, špecifický štýl
Many-shot desiatky až stovky príkladov dlhé kontexty, komplexné doménové pravidlá

Few-shot je prakticky najsilnejší, keď úloha závisí od jemných nuancií (tone-of-voice, doménové pravidlá, hraničné prípady). Many-shot je relevantný od modelov, ktoré spoľahlivo spracujú dlhé kontexty — v roku 2026 ide o bežný štandard.

2. Prečo to funguje

Model využíva in-context learning (ICL): z príkladov odčíta „lokálne pravidlá" bez toho, aby sa pretrénoval. Nejde o memorovanie — model generalizuje vzor z distribúcie príkladov.

Z príkladov sa naučí najmä:

  • formát výstupu (JSON, tabuľka, odrážky, enum hodnoty),
  • štýl (stručný, formálny, technický, konverzačný),
  • rozhodovanie (ako klasifikovať hraničné prípady),
  • obmedzenia (čo má ignorovať, odmietnuť alebo obísť).

Dôležité: in-context learning nemenní váhy modelu. Pravidlá platia len v rámci daného kontextu. Ak reštartuješ session, model na príklady zabudne — to je zároveň výhoda (žiadna závislosť od pipeline-u) aj nevýhoda (musíš príklady posielať pri každom volaní).

Čo výskum hovorí: Štúdie ukazujú, že kvalita príkladov má väčší vplyv ako ich počet. Päť dobre vybraných príkladov porazí pätnásť náhodných. Rozmanitosť a pokrytie hraničných prípadov sú kľúčové.

3. Ako navrhnúť dobrý few-shot prompt

  1. Začni inštrukciou Krátko definuj úlohu a čo presne má model vrátiť. Netolerantne špecifikuj formát výstupu.

  2. Vyber reprezentatívne príklady Nevyberaj len „ľahké" prípady. Zahrň hraničné a mätúce vstupy, ktoré by model bez príkladov zvládol zle.

  3. Udrž konzistentný formát Každý príklad má mať rovnakú štruktúru — rovnaké kľúčové slová, rovnaké odsadenie, rovnaké oddeľovače.

  4. Oddeľ príklady od reálneho vstupu Použi jasné delimitery (napr. ### Príklady, ### Úloha, alebo XML tagy <examples>, <task>).

  5. Drž počet príkladov primeraný Začni s 3–5 príkladmi, potom pridávaj iba ak to merateľne zlepšuje výsledok na tvojom eval sete.

  6. Testuj na slepom sete Príklady použité v prompte nesmú uniknúť do evalovacieho setu — inak meriš zaučenie, nie generalizáciu.

4. Chain-of-Thought Few-Shot

Bežný few-shot ukáže len vstup a finálny výstup. Chain-of-Thought (CoT) few-shot navyše ukáže uvažovací postup medzi nimi — model sa naučí nielen čo odpovedať, ale aj ako nad problémom premýšľať.

Kedy CoT few-shot použiť:

  • logické a matematické úlohy,
  • viacstupňové rozhodovanie (napr. triedenie ticketov podľa viacerých kritérií),
  • právne alebo medicínske klasifikácie, kde je dôležité zdôvodnenie,
  • ladenie promptu — vidíš, kde model uvažuje nesprávne.

Príklad CoT few-shot promptu:

Klasifikuj bezpečnostnú závažnosť IT incidentu. Premysli to nahlas, potom uveď stupeň: {nizka|stredna|vysoka|kriticka}.

### Príklady

Vstup: "Jeden zamestnanec nemôže otvoriť Excel súbory na svojom notebooku."
Uvažovanie: Problém postihuje jedného používateľa, nie sieťový systém. Žiadne bezpečnostné riziko.
Výstup: nizka

Vstup: "VPN prestala fungovať pre celé oddelenie finance."
Uvažovanie: Postihnuté celé oddelenie, môže blokovať kritické procesy, ale nejde o bezpečnostný incident.
Výstup: stredna

Vstup: "Detekovaný neautorizovaný prístup do HR databázy z externej IP adresy."
Uvažovanie: Potenciálny únik osobných údajov, externý útočník, možný regulačný dopad (GDPR).
Výstup: kriticka

### Úloha
Vstup: "Phishingový e-mail prešiel filtrom a otvorilo ho 12 zamestnancov."
Uvažovanie:
Výstup:

CoT funguje obzvlášť dobre pri modeloch s extended thinking — príklady uvažovania ďalej kalibrujú, ako hlboko má model reasoning viesť.

5. Dynamická selekcia príkladov (RAG-based few-shot)

Statický set príkladov funguje, kým sú vstupy predvídateľné. Pri variabilných vstupoch je lepšie dynamicky vyberať príklady, ktoré sú sémanticky najbližšie aktuálnemu vstupu.

Postup:

  1. Udrž databázu validovaných dvojíc vstup → výstup (môže byť z produkčných logov, manuálne anotované).
  2. Pri každom volaní embeduj aktuálny vstup.
  3. Vyhľadaj K najblíže podobných príkladov pomocou vektorového vyhľadávania.
  4. Vlož ich do promptu pred aktuálny vstup.

Výhody oproti statickému few-shot:

  • Príklady sú relevantnejšie → lepšia presnosť na dlhom chvoste vstupov.
  • Nepotrebuješ ručne udržiavať jeden „univerzálny" set príkladov.
  • Pridaním nových príkladov do databázy vylepšíš správanie bez zmeny kódu.

Nevýhody:

  • Vyžaduje embedding model a vektorovú databázu.
  • Latencia sa zvyšuje o čas vyhľadávania.
  • Ak databáza obsahuje chybné príklady, propagujú sa do produkcie.
Prístup Vhodný pre Nevhodný pre
Statický few-shot úzke, predvídateľné úlohy dlhý chvost rôznorodých vstupov
Dynamický few-shot širokú doménu, variabilné vstupy real-time s latency SLA pod 100 ms
Fine-tuning objem > 10 000 príkladov, stabilná úloha rýchle iterácie, prototypovanie

6. Šablóna (copy-paste)

Základný few-shot pre klasifikáciu sentimentu:

Si klasifikátor sentimentu pre e-shop recenzie.
Vráť iba jednu hodnotu: {pozitivne|neutralne|negativne}.

### Príklady
Vstup: "Produkt prišiel rýchlo a funguje perfektne."
Výstup: pozitivne

Vstup: "Balenie bolo dobré, ale výkon je priemerný."
Výstup: neutralne

Vstup: "Po dvoch dňoch sa pokazil, neodporúčam."
Výstup: negativne

Vstup: "Neviem, očakával som viac za tú cenu."
Výstup: neutralne

### Úloha
Vstup: "Služba bola v poriadku, ale čakal som lepšiu kvalitu."
Výstup:

Rozšírená verzia s JSON výstupom:

Extrahuj entitu a zámer z emailu zákazníka.
Vráť validný JSON objekt s kľúčmi "entita" a "zámer".

### Príklady
Vstup: "Chcel by som vrátiť objednávku číslo 4821."
Výstup: {"entita": "objednavka_4821", "zámer": "vrátenie"}

Vstup: "Kedy mi dorazí balík?"
Výstup: {"entita": "balík", "zámer": "tracking"}

Vstup: "Máte tento model aj v červenej farbe?"
Výstup: {"entita": "produkt", "zámer": "dostupnosť_variantu"}

### Úloha
Vstup: "Zaplatil som dvakrát za tú istú vec."
Výstup:

7. Few-Shot vs Fine-tuning: kedy čo zvoliť

Few-shot a fine-tuning nie sú konkurenti — sú to nástroje s rôznymi use-case profilmi.

Kritérium Few-Shot Prompting Fine-tuning
Rýchlosť nasadenia minúty až hodiny dni až týždne
Počet potrebných príkladov 3–50 stovky až tisíce
Náklady na iteráciu nízke (len prompt) vysoké (tréning + evaluácia)
Flexibilita okamžitá zmena promptu vyžaduje retraining
Výkon na špecifickej úlohe dobrý zvyčajne lepší
Konzistentnosť pri scale závisí od kontextu stabilnejší
Vhodnosť pre prototypy výborná nevhodné
Vhodnosť pre produkciu (vysoký objem) závisí od token ceny efektívnejší pri obrovskom objeme

Odporúčanie: začni few-shotom, iteruj, zmeraj. Na fine-tuning prejdi až keď few-shot merateľne nestačí a máš dostatok validovaných príkladov.

8. Praktické použitie

Few-shot sa hodí najmä na:

  • klasifikáciu textu (sentiment, intent, priorita, kategorizácia),
  • extrakciu štruktúrovaných údajov do JSON alebo tabuľky,
  • normalizáciu odpovedí (konzistentný štýl, terminológia),
  • doménové úlohy s vlastným žargónom (medicína, právo, technická podpora),
  • interné pravidlá a biznis logiku, ktorú nechceš riešiť fine-tuningom,
  • generovanie textu s presným tónom (brand voice, formálny register),
  • validáciu a refactoring kódu podľa interných konvencií.

Tip pre produkciu: Verzionuj svoje few-shot príklady rovnako ako kód. Keď príklady zmeníš, otestuj dopad na celom eval sete pred nasadením.

9. Najčastejšie chyby (anti-patterny)

  • Príklady si navzájom odporujú → model je nekonzistentný a nevie, ktoré pravidlo platí.
  • Všetky príklady sú príliš podobné → model zlyhá na hraničných alebo neobvyklých vstupoch.
  • Miešanie formátov → model mení štruktúru výstupu; každý príklad musí vyzerať identicky.
  • Priveľa príkladov bez merania → zbytočný rast ceny a latencie bez zodpovedajúceho zlepšenia.
  • Uniknuté citlivé dáta v príkladoch → bezpečnostný problém, najmä pri zdieľaných promptoch.
  • Príklady z eval setu → meriš zaučenie, nie generalizáciu; výsledky sú skreslené nahor.
  • Chýba inštrukcia nad príkladmi → model sa riadi príkladmi, ale nemusí pochopiť zámer úlohy.

10. Limity a trade-offy

  • Token budget: viac príkladov = menej miesta pre aktuálny vstup a výstup. V roku 2026 modely s kontextom 200 k–1 M tokenov tento limit posúvajú, ale cena za tokeny stále platí.
  • Latencia a cena: dlhší prompt je pomalší a drahší. Pri vysokom objeme volaní sa to sčítava.
  • Krehkosť pri doménovej zmene: nové typy vstupov môžu vyžadovať nové príklady; statický set zastaráva.
  • Nie je to tréning modelu: pravidlá platia iba v rámci aktuálneho kontextu — každé volanie začína od nuly.
  • Závislosť od kvality príkladov: zlé príklady aktívne škodia — model sa naučí zlé pravidlá.
  • Multimodálne príklady: ak pracuješ s obrázkami alebo audio, few-shot príklady musia byť v rovnakom modalitnom formáte, čo zvyšuje komplexitu promptu.

11. Quick Reference

Parameter Odporúčanie
Počet príkladov začni 3–5, iteruj podľa eval výsledkov
Zloženie príkladov mix jednoduchých + hraničných + neobvyklých prípadov
Formát striktne konzistentný naprieč všetkými príkladmi
Delimitery jasné sekcie (### Príklady, ### Úloha) alebo XML tagy
CoT pridaj ak úloha vyžaduje viacstupňové uvažovanie
Dynamická selekcia zvážiť pri širokej doméne a variabilných vstupoch
Eval testuj na slepom sete mimo príkladov, verzionuj príklady
Bezpečnosť anonymizuj citlivé dáta, nikdy nepoužívaj produkčné PII
Fine-tuning prah prejdi naň až keď few-shot nestačí a máš 500+ validovaných dvojíc

Zhrnutie

  • Few-shot prompting je najrýchlejší spôsob, ako zvýšiť presnosť a konzistenciu bez fine-tuningu.
  • Kvalitu určuje najmä výber príkladov — rozmanitosť a pokrytie hraničných prípadov sú dôležitejšie ako ich počet.
  • Chain-of-Thought few-shot zlepšuje výkon na viacstupňových a logických úlohách.
  • Dynamická selekcia príkladov škáluje technik na širšie domény bez ručnej údržby statického setu.
  • Treba kontrolovať tokeny, cenu, robustnosť na nových vstupoch a verzionovať príklady ako kód.
  • Fine-tuning je správna voľba až vtedy, keď few-shot merateľne nestačí a máš dostatok dát.