Baza wiedzy
Zero-shot prompt
Zero-shot prompt (lub zero-shot learning w kontekście promptowania) to technika formułowania zapytania do modelu językowego (AI), w której prosisz o wykonanie zadania bez podawania jakichkolwiek przykładów (wzorów) oczekiwanego rezultatu.
Innymi słowy: rzucasz model na głęboką wodę, polegając wyłącznie na jego wiedzy ogólnej, zdolnościach kojarzenia i instrukcji, którą mu przekazałeś.
Samo określenie wywodzi się z faktu, że model ma „zero prób/szans” (zero shots) na podpatrzenie, jak prawidłowo powinno wyglądać rozwiązanie specyficznego zadania, zanim sam je wygeneruje.
Do czego służy zero-shot prompt?
Technika ta jest idealna do szybkich, standardowych zadań, w których reguły gry są powszechnie znane, a struktura odpowiedzi nie musi sztywno trzymać się unikalnego szablonu. Służy głównie do:
Szybkiej kategoryzacji i klasyfikacji: Gdy chcesz przypisać tekst do określonej kategorii.
Analizy sentymentu: Do sprawdzania emocji w tekście (np. opinii klientów).
Tłumaczeń i transformacji tekstu: Przeredagowanie stylu, zmiana tonu, proste tłumaczenia.
Burzy mózgów i generowania pomysłów: Gdy szukasz szerokiego spojrzenia i nie chcesz ograniczać AI konkretnym schematem.
Przykład Zero-shot promptu:
Prompt: Oceń sentyment poniższej opinii klienta. Odpowiedz tylko jednym słowem: Pozytywny, Neutralny lub Negatywny. Tekst: „Strona ładuje się potwornie wolno, a formularz kontaktowy nie działa na telefonie.”
Odpowiedź AI: Negatywny
Model doskonale wie, czym jest „sentyment” i co oznacza „negatywny”, więc nie potrzebuje przykładów, by poprawnie wykonać to zadanie.
Zero-shot vs. Inne techniki (Szerszy kontekst)
Żeby lepiej zrozumieć wartość zero-shot, warto zestawić go z jego „starszym rodzeństwem”, czyli technikami few-shot oraz one-shot. Szerokie badania nad tym, jak modele LLM uczą się w locie na podstawie podanych przykładów (tzw. In-Context Learning), znajdziesz w klasycznym już artykule naukowym zespołu OpenAI na arXiv: „Language Models are Few-Shot Learners”.
| Technika | Na czym polega? | Kiedy stosować? |
| Zero-shot | Czysta instrukcja, zero przykładów. | Proste, intuicyjne zadania, kreatywne burze mózgów. |
| One-shot | Instrukcja + dokładnie 1 przykład (wzór) pokazujący relację wejście-wyjście. | Gdy chcesz narzucić specyficzny format odpowiedzi (np. konkretny kod JSON). |
| Few-shot | Instrukcja + kilka przykładów (zwykle 2-5), pokazujących różne warianty. | Złożone zadania, analiza trudnych danych, specyficzny styl pisania (np. mikrocopy Twojej marki). |
Kiedy Zero-shot NIE wystarcza?
Mimo że współczesne modele (jak rodzina Gemini) radzą sobie z zero-shot potężnie, technika ta ma swoje ograniczenia. Przestaje działać, gdy:
Masz unikalny szablon danych: Chcesz, aby AI wypluło raport w specyficznym formacie, którego nie ma w Internecie.
Uczysz AI specyficznego tonu głosu (Tone of Voice): Trudno opisać słowami esencję stylu Twojej marki – znacznie lepiej po prostu dać modelowi 3 przykłady Twoich wcześniejszych tekstów (few-shot).
Zadanie jest wysoce specjalistyczne: Dotyczy niszowej wiedzy medycznej, prawnej lub bardzo skomplikowanej logiki programistycznej.