Few-Shot Prompting

Ang ideya: Isama ang napatunayan at mataas-ang-kalidad na mga pares ng salin bilang in-context examples upang matutuhan ng LLM ang mga pattern, estilo, at kombensiyon ng target language sa pamamagitan ng demonstrasyon sa halip na instruksiyon.

:::info Ito ay cookbook, hindi tapos na implementasyon Binabalangkas ng gabay na ito ang approach at ang mahahalagang desisyon sa disenyo nito. Iangkop ito sa inyong language pair at mga available na resource. :::

Kailan Ito Gamitin

• Mayroon kayong maliit na set ng napatunayang mga salin (kahit 5–10 gold pairs ay nakatutulong)
• Nais ninyong maitugma ng LLM ang partikular na estilo o register sa pamamagitan ng halimbawa sa halip na tuntunin
• Ang inyong target language ay may mga pattern na mas madaling ipakita kaysa ilarawan (ayos ng salita, mga pattern ng affixation, mga marker ng pormalidad)

Paano Ito Gumagana

1. Mag-curate ng example pairs — pumili ng mataas-ang-kalidad na source→target translations na nagpapakita ng mahahalagang pattern
2. I-format bilang in-context examples — isama ang mga ito sa system o user prompt bago ang aktuwal na kahilingan sa pagsasalin
3. Patakbuhin ang harness — sukatin kung napapahusay ng mga halimbawa ang metrics kumpara sa zero-shot
4. Mag-iterate sa pagpili ng halimbawa — palitan ang mga halimbawa upang masaklaw ang iba't ibang failure modes

Halimbawang Istruktura ng Prompt

You are translating English to Plains Cree (SRO orthography).

Examples of correct translations:
- "Hello" → "tânisi"
- "Thank you" → "kinanâskomitin"  
- "I am going home" → "nikîwân"
- "The children are playing" → "awâsisak mêtawêwak"

Now translate the following:
- "Welcome to the school"

Kritikal na Tuntunin: Walang Kontaminasyon ng Eval Data

:::danger HUWAG gumamit ng evaluation data bilang few-shot examples Kung ang inyong mga halimbawa ay nagmumula sa evaluation dataset, ang inyong method ay madidiskuwalipika mula sa leaderboard. Ang few-shot examples ay dapat magmula sa mga independiyenteng source — mga diksyunaryo, aklat-aralin, community-verified pairs, o hiwalay na development set. Fine-fingerprint ng harness ang eksakto ninyong prompt; natutukoy ang kontaminasyon. :::

Mahahalagang Desisyon sa Disenyo

Ilang halimbawa? 3–8 ang pinakamainam. Kapag mas kaunti, napakaliit ng signal para sa LLM; kapag mas marami, inuubos ang context window para sa lumiliit na dagdag na pakinabang.

Aling mga halimbawa? Unahin ang diversity kaysa difficulty. Saklawin ang iba't ibang istruktura ng pangungusap, haba ng salita, at katangiang gramatikal. Huwag ipumpol ang mga halimbawa sa iisang pattern.

Static vs. dynamic selection? Mas simple ang static examples. Ang dynamic selection (pagpili ng mga halimbawang kahawig ng kasalukuyang input) ay maaaring magpahusay ng kalidad ngunit nagdaragdag ng complexity — isaalang-alang ang chained models para sa retrieval step.

Mga Kalamangan at Kahinaan

✅ Makapangyarihan para sa pagtutugma ng estilo	❌ Nililimitahan ng maliit na context window ang bilang ng halimbawa
✅ Walang kinakailangang training	❌ Ang pagpili ng halimbawa ay isang sining, hindi agham
✅ Gumagana sa anumang LLM	❌ Panganib ng kontaminasyon ng eval data (diskuwalipikasyon)
✅ Madaling mag-A/B test ng iba't ibang example sets	❌ Maaaring hindi mag-generalize ang mga halimbawa sa lahat ng uri ng input

Mahusay Isama Sa

• Coached LLM Prompting — mas mahusay ang rules + examples na magkasama kaysa alinman nang mag-isa
• Dictionary-Augmented LLM — forced terms + style examples
• FST-Gated Pipeline — mga halimbawa para sa estilo, FST para sa katumpakang morpolohikal

Tingnan Din

• Mga Tuntunin sa MT Evaluation — kung ano ang madidiskuwalipika
• Evaluation Datasets — alamin kung ano ang HINDI ninyo maaaring gamitin bilang mga halimbawa
• Sumuporta sa Low-Resource Language