Few-Shot Prompting چیست؟ آموزش کامل پرامپت‌نویسی با مثال‌نمونه

با Few-Shot Prompting، فقط با ۲ تا ۳ مثال ساده، هوش مصنوعی را دقیقاً به سمتی که می‌خواهی هدایت کن.

۱. Few-Shot Prompting چیست و چرا مهم است؟

وقتی از هوش مصنوعی می‌خواهی کاری انجام دهد، دو راه داری: یا با کلمات توضیح بدهی چه می‌خواهی، یا چند نمونه‌ی واقعی نشانش بدهی. تحقیقات نشان داده که مغز زبانی مدل‌های بزرگ از الگو یاد می‌گیرد، نه از توضیح انتزاعی. Few-Shot Prompting دقیقاً از همین ویژگی استفاده می‌کند.

به‌جای اینکه بگویی «لحن رسمی داشته باش»، یک یا چند جفت ورودی-خروجی نمونه می‌دهی و بعد ورودی جدیدت را اضافه می‌کنی. مدل به‌جای اینکه حدس بزند «رسمی» یعنی چه، مستقیم از نمونه‌ها می‌فهمد.

مثال: به‌جای «به فارسی رسمی ترجمه کن» بنویس:
ورودی: «می‌خوایم باهاتون همکاری کنیم» → خروجی: «تمایل به ایجاد همکاری با شما را داریم.»
ورودی: «چی می‌خوای بخری؟» → خروجی: «مایلید چه محصولی تهیه فرمایید؟»
حالا ترجمه کن: «کِی میای؟»

۲. تفاوت Zero-Shot، One-Shot و Few-Shot

در دنیای پرامپت‌نویسی، این سه اصطلاح پرکاربرد هستند و هر کدام برای موقعیت خاصی مناسب‌اند:

Zero-Shot: هیچ مثالی نمی‌دهی و مستقیم دستور می‌دهی. مناسب برای سؤالات ساده یا دستوراتی که مدل با آن‌ها آشناست. مثلاً «چکیده‌ای از این متن بنویس».

One-Shot: یک نمونه‌ی واقعی می‌دهی. وقتی فرمت خاصی داری ولی نمی‌خواهی پرامپت طولانی شود. مناسب برای وظایف نسبتاً ساده با یک الگوی مشخص.

Few-Shot: دو تا پنج مثال می‌دهی. قوی‌ترین حالت برای وظایف پیچیده، فرمت‌های خاص، و زمانی که به دقت بالا نیاز داری.

مثال: برای دسته‌بندی احساسات متن:
نمونه ۱: «این محصول عالیه!» → مثبت
نمونه ۲: «خیلی بد بود، راضی نشدم» → منفی
نمونه ۳: «معمولی بود، نه خوب نه بد» → خنثی
حالا این متن را دسته‌بندی کن: «بسته‌بندی خوب ولی تأخیر داشت»

۳. ساختار استاندارد یک پرامپت Few-Shot

برای اینکه مثال‌هایت بیشترین تأثیر را داشته باشند، از این ساختار استفاده کن: ابتدا یک دستور کلی کوتاه، سپس مثال‌ها با برچسب واضح، و در انتها ورودی جدید بدون خروجی تا AI آن را کامل کند.

به این توجه کن که برچسب‌ها باید در تمام مثال‌ها یکسان باشند. اگر از «ورودی» و «خروجی» استفاده کردی، همین‌ها را در همه‌ی مثال‌ها بنویس. بی‌نظمی در برچسب‌ها مدل را گیج می‌کند.

مثال:
«تیتر خبری جذاب برای این رویدادها بنویس:
رویداد: افتتاح پل جدید شهر → تیتر: پل رویای مردم افتتاح شد؛ ترافیک نیمه شد
رویداد: کشف واکسن جدید → تیتر: انقلاب در پزشکی؛ واکسن جدید بیماری‌های مزمن را هدف گرفت
حالا برای این رویداد تیتر بنویس: معرفی مدل هوش مصنوعی جدید شرکت گوگل»

۴. کاربرد در تولید محتوا و بازاریابی

یکی از پرکاربردترین موارد Few-Shot در تولید محتوا است. وقتی می‌خواهی هوش مصنوعی به سبک خاص برندت بنویسد، چند نمونه از محتوای قبلی‌ات بده تا لحن و سبک را یاد بگیرد.

برای شبکه‌های اجتماعی هم فوق‌العاده کار می‌کند: کافی است ۲ تا ۳ پست موفق قبلی‌ات را به‌عنوان نمونه بدهی و موضوع جدید را بنویسی.

مثال برای اینستاگرام:
«کپشن اینستاگرام با لحن صمیمی و قلاب‌دار بنویس.
موضوع: کافه جدید باز شد → کپشن: صبح‌ات رو با قهوه‌ای شروع کن که یادت نمیره ☕ کافه ما باز شد و اولین فنجون برای تو رایگانه! 👇
موضوع: پیش‌فروش محصول جدید → کپشن: فقط ۴۸ ساعت فرصت داری 🔥 محصولی که ۶ ماه روش کار کردیم آماده‌ست — لینک پیش‌فروش در بیو!
حالا برای این موضوع کپشن بنویس: دوره‌ی آموزشی آنلاین»

۵. کاربرد در ترجمه و ویرایش متن

Few-Shot برای ترجمه‌های تخصصی که اصطلاحات خاص دارند، ابزاری بی‌نظیر است. به‌جای اینکه فهرستی از اصطلاحات بدهی، چند جمله با ترجمه‌ی صحیح‌شان به‌عنوان نمونه می‌دهی.

در ابزارهایی مثل ChatGPT، این روش به‌ویژه در ترجمه‌ی متون حقوقی، پزشکی یا فنی بسیار مفید است چون اصطلاحات تخصصی را مستقیم از نمونه یاد می‌گیرد.

مثال برای ترجمه‌ی حقوقی:
«این جملات حقوقی را به فارسی حرفه‌ای ترجمه کن:
«Force Majeure» → قوه‌ی قاهره
«Indemnification clause» → شرط جبران خسارت
«Breach of contract» → نقض قرارداد
حالا ترجمه کن: «Liquidated damages»»

۶. نکات طلایی انتخاب مثال‌های مناسب

کیفیت مثال‌هایت مستقیماً روی کیفیت خروجی تأثیر می‌گذارد. چند اصل مهم وجود دارد که باید رعایت کنی:

تنوع مثال‌ها: اگر سه مثالت همه یک نوع هستند، AI فقط آن نوع را یاد می‌گیرد. یکی ساده، یکی متوسط، یکی کمی پیچیده بگذار.

طول مناسب: مثال‌های خیلی طولانی پرامپت را سنگین می‌کنند و ممکن است به محدودیت توکن بخوری. مثال‌های کوتاه و واضح بهترند.

مثال منفی: گاهی یک مثال از «چیزی که نمی‌خواهی» هم اضافه کن. مثلاً: «این نمونه اشتباه است: …» تا مدل بفهمد چه چیزی ممنوع است.

مثال: برای نوشتن توضیح محصول بدون ادعاهای اغراقی:
درست: «کفش راحتی با رویه‌ی چرم طبیعی، مناسب استفاده‌ی روزمره»
اشتباه: «بهترین کفش دنیا که زندگیت رو تغییر می‌ده!»
حالا توضیح این محصول را بنویس: هدفون بی‌سیم ۳۰ ساعت باتری

۷. Few-Shot برای کدنویسی و تحلیل داده

برنامه‌نویسان و تیم‌های کسب‌وکار می‌توانند از Few-Shot برای تبدیل داده‌های خام به فرمت خاص استفاده کنند. وقتی می‌خواهی JSON خاصی تولید شود یا داده‌ها به فرمت مشخصی تبدیل شوند، یک یا دو نمونه کافی است.

این روش در مقایسه با توضیح دادن فرمت JSON یا CSV، بسیار سریع‌تر و دقیق‌تر نتیجه می‌دهد چون مدل مستقیماً الگوی خروجی را می‌بیند. برای آشنایی بیشتر با محدودیت‌های واقعی هوش مصنوعی هم می‌توانی مطالعه کنی.

مثال برای تبدیل متن به JSON:
«اطلاعات زیر را به JSON تبدیل کن:
متن: «علی احمدی، ۳۲ ساله، تهران» → {\”name\”: \”علی احمدی\”, \”age\”: 32, \”city\”: \”تهران\”}
متن: «سارا موسوی، ۲۸ ساله، اصفهان» → {\”name\”: \”سارا موسوی\”, \”age\”: 28, \”city\”: \”اصفهان\”}
حالا تبدیل کن: «رضا کریمی، ۴۵ ساله، شیراز»»

۸. اشتباهات رایج در Few-Shot Prompting

خیلی از کاربران این تکنیک را می‌دانند ولی اشتباهات کوچکی می‌کنند که نتیجه را خراب می‌کند. شایع‌ترین اشتباهات اینها هستند:

مثال‌های متناقض: اگر مثال‌هایت با هم تضاد داشته باشند، AI گیج می‌شود. اطمینان حاصل کن که همه‌ی مثال‌ها یک الگوی منسجم دارند.

خیلی زیاد مثال دادن: بیش از ۵ تا ۶ مثال معمولاً کمکی نمی‌کند و فقط توکن مصرف می‌کند. در مدل‌هایی با محدودیت context، ممکن است اطلاعات مهم را حذف کنی.

مثال‌های بی‌ربط: اگر مثال‌هایت از حوزه‌ای دیگر باشند، مدل الگوی اشتباه یاد می‌گیرد. مثال‌ها باید دقیقاً از همان نوع وظیفه باشند.

مثال اشتباه: برای نوشتن محتوای بازاریابی تکنولوژی، مثال از متون پزشکی دادن — این الگوی غلطی ایجاد می‌کند.

۹. ترکیب Few-Shot با تکنیک‌های دیگر

قدرت واقعی Few-Shot وقتی آشکار می‌شود که آن را با تکنیک‌های دیگر ترکیب کنی. برای مثال، می‌توانی Few-Shot را با Role Prompting ترکیب کنی: ابتدا یک نقش به مدل بده (مثلاً «تو یک ویراستار حرفه‌ای هستی»)، سپس چند نمونه بده.

همچنین ترکیب Few-Shot با Chain-of-Thought (که در آموزش‌های قبلی توضیح داده‌ایم) عالی کار می‌کند: در مثال‌هایت نه‌تنها خروجی نهایی، بلکه مراحل استدلال را هم نشان بده تا AI یاد بگیرد چطور فکر کند.

مثال ترکیبی Few-Shot + Chain-of-Thought:
«سؤال ریاضی را حل کن و مراحل را نشان بده:
سؤال: اگه ۳ قلم ۱۵ هزار تومان باشه، ۷ تا چند؟
مرحله ۱: قیمت هر قلم = ۱۵۰۰۰ ÷ ۳ = ۵۰۰۰
مرحله ۲: قیمت ۷ قلم = ۵۰۰۰ × ۷ = ۳۵۰۰۰
جواب: ۳۵ هزار تومان
حالا حل کن: اگه ۵ دفتر ۴۰ هزار تومان باشه، ۱۲ تا چند؟»

پرسش و پاسخ (FAQ)

چند مثال برای Few-Shot کافی است؟
معمولاً ۲ تا ۴ مثال بهترین نتیجه را می‌دهند. بیشتر از ۵ مثال در اکثر موارد تفاوت چشمگیری ایجاد نمی‌کند و فقط توکن مصرف می‌کند.

آیا Few-Shot در همه‌ی مدل‌های هوش مصنوعی کار می‌کند؟
بله، این تکنیک در ChatGPT، Gemini، Claude، Grok و تقریباً تمام مدل‌های زبانی بزرگ کار می‌کند چون همه از معماری Transformer استفاده می‌کنند که برای الگوشناسی بهینه شده.

اگر مثال‌های خوب نداشته باشم چطور؟
ابتدا از مدل بخواه یک یا دو نمونه برایت بسازد، سپس آن‌ها را ویرایش کن و به‌عنوان مثال در پرامپت بعدی استفاده کن. این یک روش خلاقانه برای بوت‌استرپ کردن Few-Shot است.

تفاوت Few-Shot با Fine-tuning چیست؟
Few-Shot مثال‌ها را درون پرامپت می‌دهی و نیازی به آموزش مجدد مدل نیست — سریع و رایگان است. Fine-tuning یعنی مدل را با داده‌های جدید واقعاً آموزش بدهی که گران‌تر و زمان‌برتر است ولی نتایج پایدارتری می‌دهد.