Few-Shot Prompting

Wat is Few-Shot Prompting?

Few-shot prompting is de techniek van een klein aantal uitgewerkte input-output-voorbeelden direct in de prompt opnemen zodat het model het gewenste patroon afleidt en toepast op nieuwe input. Het onderwijst door demonstratie in plaats van beschrijving, en er is geen training of fine-tuning bij betrokken: de voorbeelden leven in de prompt zelf.

De belangrijkste punten

• Voorbeelden communiceren formaat, toon, en afhandeling van randgevallen veel preciezer dan instructies. Drie correcte outputs tonen verslaat ze beschrijven in een alinea.
• Twee tot vijf goed gekozen voorbeelden vangen meestal het meeste van de winst. Kwaliteit en dekking van de voorbeelden doen er meer toe dan aantal.
• Modellen imiteren alles in de voorbeelden, inclusief gebreken. Inconsistente labels of slordige formattering in je shots reproduceren zich getrouw in de output.
• Few-shot prompting is alleen-op-inferentiemoment, wat het het goedkope, snelle alternatief maakt voor fine-tuning bij het aanleren van een taakspecifiek patroon aan een model.

Hoe het werkt

De prompt wordt samengesteld als een korte reeks demonstratieparen, meestal input dan gewenste output, een paar keer herhaald, gevolgd door de echte input. Taalmodellen zijn sterke patroonvoltooiers, dus wanneer de context een consistente mapping vastlegt, zet het model die voort. Dit gedrag wordt vaak in-context learning genoemd: er verandert niets aan de gewichten van het model, en het "leren" verdampt wanneer de prompt eindigt. De aanpak werd op schaal gedemonstreerd in OpenAI's GPT-3-paper van 2020, waar een model met 175 miljard parameters vertaling, vraagbeantwoording, en cloze-taken behandelde puur uit in-context-voorbeelden, zonder gradient-updates of fine-tuning [1]. De verwante term "few shot learning" dateert van voor moderne LLM's en beschreef oorspronkelijk modellen trainen uit weinig gelabelde voorbeelden; in huidige praktijk wijzen beide termen meestal naar deze promptingtechniek.

Voorbeeldselectie is waar het engineeringwerk leeft. Goede shots dekken de verdeling van echte inputs, inclusief de lastige gevallen: het lege veld, de dubbelzinnige invoer, de input die geweigerd zou moeten worden. Volgorde doet ertoe aan de marges, en consistentie doet er veel toe, want het model behandelt elk detail van de voorbeelden als signaal, tot witruimte en interpunctie aan toe. Wat het model uit shots haalt is subtieler dan het lijkt: een EMNLP-studie van 2022 door Min et al. vond dat willekeurig de labels in demonstraties vervangen de prestaties over 12 modellen inclusief GPT-3 nauwelijks schaadde, wat suggereert dat voorbeelden vooral formaat en inputverdeling aanleren in plaats van exacte input-label-mappings [2]. Productiesystemen maken selectie vaak dynamisch, met semantisch zoeken om de opgeslagen voorbeelden meest gelijkend op het binnenkomende verzoek op te halen en die in de prompt te splicen.

Few-shot prompting stapelt netjes met andere technieken. Shots kunnen chain-of-thought-redenering demonstreren, niet alleen eindantwoorden, wat zowel de procedure als het formaat aanleert. En omdat een vast blok voorbeelden een stabiel promptprefix is, maakt prompt caching zelfs een lange voorbeeldsectie goedkoop om bij elke aanroep opnieuw te versturen. Voor een many-shot-prompt met 10.000 tokens aan voorbeelden meldde Anthropic in 2025 dat caching de kosten met 86% en de latentie met 31% verlaagt [3].

Voorbeeld

Een team extraheert gestructureerde data uit leveranciersfacturen die als rommelige tekst binnenkomen. Hun alleen-instructie-prompt bleef drift produceren: datums in gemengde formaten, valutasymbolen soms wel opgenomen, factuurregels af en toe samengevoegd. Ze vervingen het meeste van de instructies door vier uitgewerkte voorbeelden, elk met een ruw factuur-snippet en de exacte doel-JSON, en namen bewust één factuur op met een ontbrekend PO-nummer (output: "po_number": null) en één dubbele factuurregel (output: bewaard als twee items). Formatfouten verdwenen grotendeels, omdat het model nu een gedemonstreerd patroon kopieert in plaats van proza te interpreteren. Wanneer een nieuw faalpatroon in productie verschijnt, is de fix meestal één voorbeeld toevoegen dat de correcte afhandeling demonstreert.

Veelvoorkomende misvattingen

De klassieke fout is voorbeelden behandelen als decoratie en ze de geschreven instructies laten tegenspreken. Wanneer instructies zeggen "geef ISO-datums" maar een voorbeeld toont "5 maart 2026," moet het model een kant kiezen, en kiest hij vaak voor de demonstratie. Voorbeelden zijn het sterkste signaal in de prompt. Audit ze als code: houd ze consistent met elkaar en met de instructies, en werk ze bij wanneer vereisten veranderen, of ze worden de bug.

FAQ

Wat is het verschil tussen few-shot prompting en few-shot learning? In modern LLM-gebruik zijn ze effectief hetzelfde: een model conditioneren met in-prompt-voorbeelden, geen gewichtsupdates. In de oudere machine-learning-literatuur betekende few-shot learning een model trainen of aanpassen vanuit een kleine gelabelde dataset. Context vertelt je welke betekenis een auteur bedoelt.

Hoeveel voorbeelden moet ik opnemen? Begin met twee of drie en voeg alleen toe wanneer evals gaten laten zien. Opbrengst neemt snel af, elk shot kost tokens bij elke aanroep, en een opgeblazen voorbeeldsectie kan de eigenlijke taak verdringen. Als je merkt dat je tientallen voorbeelden nodig hebt, is dat een signaal om fine-tuning te overwegen.

Wanneer verslaat few-shot zero-shot? Wanneer het outputformaat strikt is, de taakconventie ongewoon is, of randgevallen gedemonstreerde afhandeling nodig hebben. Voor taken die het model al goed doet met alleen instructies is zero-shot goedkoper en voegen voorbeelden weinig toe behalve tokenkosten.

Bronnen

1. Brown et al., OpenAI. "GPT-3 voert taken uit vanuit in-context-voorbeelden zonder gradient-updates." https://arxiv.org/abs/2005.14165. Geraadpleegd augustus 2026.
2. Min et al., EMNLP 2022. "Willekeurige labels in few-shot-demonstraties schaden prestaties nauwelijks over 12 modellen." https://arxiv.org/abs/2202.12837. Geraadpleegd augustus 2026.
3. Anthropic. "Prompt-caching-besparingen voor een many-shot-prompt van 10.000 tokens." https://claude.com/blog/prompt-caching. Geraadpleegd augustus 2026.