Когда вы даете промпт с примерами, модель не «учит правило» в человеческом смысле. Она не выписывает себе инструкцию вроде «делай всегда вот так». Вместо этого она пытается продолжить увиденный шаблон наиболее уместным образом.
Поэтому качество результата зависит от того, насколько хорошо примеры показывают структуру задачи. Если структура видна слабо, ответ будет шатким. Если структура повторяется несколько раз, модель увереннее понимает, что здесь существенно.
Почему одного примера мало
Один пример плохо отделяет правило от случайности
Это главная причина. Один образец почти всегда содержит лишние детали: конкретные слова, длину, настроение, порядок частей. По одному случаю трудно понять, что было сутью задачи.
Если сказать совсем просто, один пример отвечает на вопрос «как это выглядело один раз». Но задача модели — угадать ответ на другой вопрос: «что здесь должно повторяться всегда»
Именно здесь три примера полезнее. Они позволяют сравнить несколько случаев и увидеть пересечение между ними.
Один пример сужает картину слишком рано
Когда у модели только один образец, она может подстроиться под него слишком буквально. Это похоже не на понимание правила, а на осторожное копирование ближайшего паттерна.
В результате ответ нередко получается либо слишком похожим на пример, либо, наоборот, уходит в сторону, если новый вход чуть отличается.
Коротко: один пример часто делает поведение хрупким. Работает, пока новая задача очень похожа на образец, и начинает ломаться, когда меняется формулировка, тема или структура исходного текста.
Один пример хуже показывает диапазон задачи
Три примера могут показать не только правило, но и его устойчивость при небольших различиях. Модель видит: входы разные, а принцип обработки один и тот же. Это очень важный сигнал.
Тогда она понимает задачу не как единичный шаблон, а как класс похожих случаев.
Например, если вы хотите, чтобы ИИ превращал сухой текст в ясное объяснение, один пример может показать только один стиль переписывания. Три примера уже показывают, что независимо от темы нужно:
- Убирать лишнюю сложность
- Сохранять смысл
- Делать фразы прямее
- Не уходить в разговорную болтовню
Почему именно три часто достаточно
Три — не магическое число, но на практике это часто хороший минимум. Один пример слишком слаб, два уже лучше, а три обычно дают модели достаточно опор, чтобы увидеть повторяющийся принцип.
У трех примеров есть важное преимущество: появляется не просто пара совпадений, а более устойчивая картина. Если нечто повторилось трижды, модель с большей вероятностью воспринимает это как правило задачи, а не как случайность.
Что дают три примера по сравнению с одним
| Ситуация | Что понимает модель | Типичный риск |
| Один пример | Видит один удачный образец | Путает правило со случайными деталями |
| Два примера | Начинает замечать сходство | Все еще может переоценить общие случайные черты |
| Три примера | Лучше выделяет устойчивый шаблон | Ошибается реже, если примеры согласованы |
Важно не только количество, но и качество. Три плохих примера хуже одного хорошего. Но если примеры действительно показывают один и тот же принцип на немного разных случаях, это обычно работает заметно надежнее.
Как это выглядит на практике
Представьте задачу: «Преобразуй отзыв клиента в вежливый деловой ответ»
Если есть один пример, модель видит один конкретный ответ. Но она не знает, что в нем главное: вежливость, краткость, обязательное извинение, предложение решения или фирменный тон.
Если есть три примера, она уже замечает более надежную схему:
- Сначала признать проблему
- Потом коротко извиниться
- Затем дать следующий шаг
- Сохранить спокойный деловой тон
Вот здесь и появляется настоящее улучшение. Модель начинает не копировать один ответ, а воспроизводить скрытый каркас ответа.
Где часто возникает ошибка понимания
Частая ошибка звучит так: «Чем больше примеров, тем умнее модель понимает задачу». Это не совсем так.
Правильнее сказать иначе: чем яснее и устойчивее показан шаблон, тем легче модели продолжить его правильно. Иногда один пример уже достаточен, если задача очень простая и почти не допускает двусмысленности.
Например, если вы просите привести строку к формату «Имя: значение», одного примера может хватить. Там сама задача узкая, и пространство вариантов маленькое.
Но если задача связана со стилем, структурой, тоном, приоритетами, логикой или скрытыми правилами отбора, одного примера обычно мало. Слишком много вещей нужно угадать сразу.
Проблема не только в количестве
Иногда пользователь добавляет три примера, но они все равно работают плохо. Обычно причина в одном из трех:
- Примеры слишком похожи и не показывают диапазон задачи*
- Примеры противоречат друг другу по тону, формату или логике
- Примеры не выделяют главное, потому что в них слишком много случайных деталей
* Прим. Верно для случаев, когда нужно закрепить именно вариативность. Если же нужно закрепить стандарт, то есть именно похожесть, можете игнорировать эту причину.
То есть три примера помогают не автоматически, а потому, что дают модели возможность увидеть повторяющуюся структуру. Если структуры не видно, дополнительное количество мало что меняет.
Важное ограничение
Больше примеров — не всегда лучше. Если промпт становится слишком длинным, модель может начать хуже удерживать главное, особенно если примеры перегружены лишними деталями.
Кроме того, большое число примеров иногда делает ответ излишне шаблонным. Модель начинает слишком крепко держаться за показанный формат и хуже адаптируется к особенностям нового запроса.
Поэтому рабочая логика обычно такая:
- Если примеры критически нужны и важны для чего-то важного (например, примеры понимания или анализа), давать их обязательно. Как минимум 2 (если их много), но лучше по 3.
- Если примеры нужны просто для закрепления каких-то форматов, опять же лучше по 2-3, но если промпт и без того большой, а примеров много, можно по 1.
Практика
Покажите правило, а не случай
Зачем это нужно
Чтобы модель увидела общий принцип, а не зацепилась за частные детали одного ответа
Как делать
Дайте три примера, где задача одна и та же, но исходные данные немного различаются. При этом итоговый формат, тон и принцип обработки должны оставаться одинаковыми
Точная формулировка для копирования в чат с ИИ
«Ниже три случайных примера преобразования. Определи общий принцип и примени его к новому тексту. Сохрани тот же тон, ту же структуру ответа и тот же критерий отбора важного»
Результат
Ответы становятся стабильнее и меньше зависят от случайных особенностей одного образца
Делайте примеры немного разными
Зачем это нужно
Чтобы модель увидела, что правило переносится на разные случаи, а не относится только к одному типу входа
Как делать
Меняйте тему, длину или формулировки входных данных, но не меняйте сам принцип задачи
Точная формулировка для копирования в чат с ИИ
«Вот несколько случайных примеров одной и той же операции на разных входных данных. Выполни ту же операцию для нового случая, не копируя дословно стиль конкретного примера»
Результат
Меньше буквального копирования, больше переноса общего шаблона
Убирайте шум из примеров
Зачем это нужно
Чтобы случайные детали не маскировали основное правило
Как делать
Не перегружайте примеры лишними пояснениями, декоративным стилем и дополнительными задачами. Один пример должен показывать один и тот же тип преобразования
Точная формулировка для копирования в чат с ИИ
«Ориентируйся не на конкретные слова или смыслы из примеров, а на общий способ преобразования: что сохраняется, что меняется и в каком формате должен быть результат»
Результат
Модель точнее схватывает механику задачи и реже уходит в сторону
Коротко о главном
- Один пример часто показывает только случай, а не правило
- Три примера лучше помогают выделить устойчивый шаблон и отделить его от случайных деталей
- Модель работает надежнее, когда видит повторяющийся принцип на немного разных входах
- Важно не только количество, но и согласованность примеров
- Лучшие примеры показывают общий способ работы, а не просто один удачный ответ
