Prompt avec exemples (few-shot) : montrer plutôt qu'expliquer

Montrer au lieu de décrire

Décrire précisément un format de réponse est difficile. Le montrer est beaucoup plus simple. Le prompt few-shot (« avec quelques exemples ») repose sur cette idée : dans votre prompt, vous placez deux, trois ou quatre paires « entrée → réponse attendue », puis la nouvelle entrée à traiter. Le modèle repère le schéma et le reproduit.

Un exemple concret

Imaginez que vous triez les messages d’un service client en trois catégories. Votre consigne peut ressembler à ceci :

• « Mon colis n’est jamais arrivé » → Livraison
• « Je souhaite changer mon adresse e-mail » → Compte
• « Le produit est cassé à l’ouverture » → Réclamation
• « Je n’arrive plus à me connecter » → ?

Sans exemple, le modèle pourrait répondre par une phrase entière, inventer une quatrième catégorie ou varier l’orthographe. Avec les exemples, il répond presque toujours par un seul mot, choisi dans la bonne liste. Pour une sortie structurée comme du JSON, montrer un exemple du format exact est souvent plus efficace qu’une longue explication.

D’où vient le terme

L’expression a été popularisée par l’article de présentation de GPT-3, « Language Models are Few-Shot Learners » (Brown et al., OpenAI, mai 2020). Les auteurs y montrent qu’un grand modèle peut accomplir une tâche nouvelle à partir de quelques démonstrations données uniquement sous forme de texte, sans réentraînement. Cette capacité est parfois appelée « apprentissage en contexte ».

Pourquoi ça compte

Le few-shot est la technique la plus accessible de l’ingénierie de prompt : pas de code, pas de données d’entraînement, et un effet souvent immédiat sur la régularité des réponses. Pour un agent ou une automatisation, c’est une manière peu coûteuse de rendre un résultat prévisible avant d’envisager un affinage, plus lourd à mettre en place.

Pièges fréquents

• Des exemples trop semblables. Si tous vos exemples sont courts et positifs, le modèle aura du mal avec un cas long ou ambigu. Variez-les.
• Un biais involontaire. Si deux exemples sur trois appartiennent à la même catégorie, le modèle peut la favoriser. Équilibrez.
• Des exemples incohérents. Une faute de format dans un exemple sera fidèlement copiée.
• Croire que le modèle a « appris ». Les exemples ne valent que pour la requête en cours.

Termes voisins

Le few-shot se combine bien avec la chaîne de pensée : vos exemples peuvent alors montrer non seulement la réponse, mais aussi le raisonnement qui y mène. Le générateur de prompt du site vous aide à ajouter une section d’exemples à votre consigne.