Skip to main content
Le few-shot learning est l’une des techniques les plus puissantes et les plus accessibles du prompt engineering. En montrant au modèle quelques exemples du résultat attendu, vous lui communiquez non seulement le contenu souhaité, mais aussi le format, le ton et le niveau de détail. Cette approche exploite la capacité des LLM à reconnaître des patterns et à les généraliser, sans aucun réentraînement.

​
Zero-shot, one-shot, few-shot : quelles différences ?

Ces trois termes décrivent le nombre d’exemples fournis au modèle dans votre prompt. En zero-shot, vous faites confiance au modèle pour interpréter votre demande sans indication supplémentaire. En few-shot, vous guidez activement ses anticipations en lui montrant exactement ce que vous attendez.

​
Pourquoi les exemples améliorent drastiquement les résultats

Un LLM est fondamentalement un système de prédiction de texte. Lorsque vous lui fournissez des exemples, vous lui donnez un contexte immédiat qui oriente sa prédiction bien plus précisément qu’une description abstraite. Les bénéfices sont multiples :
  • Format garanti : le modèle reproduit la structure exacte de vos exemples.
  • Ton cohérent : registre formel, informel, technique, il s’aligne sur vos exemples.
  • Réduction des ambiguïtés : un exemple vaut mille mots d’instruction.
  • Comportement prévisible : les variations entre deux exécutions sont réduites.

​
Structure d’un prompt few-shot

Un prompt few-shot suit une structure répétitive de paires Entrée / Sortie, suivie de l’entrée réelle pour laquelle vous souhaitez une réponse.
La dernière ligne laisse intentionnellement la sortie vide : c’est là que le modèle complète la séquence.

​
Comparaison : zero-shot, one-shot et few-shot

Voici le même problème traité avec les trois approches pour illustrer concrètement leurs différences.
Aucun exemple n’est fourni. Le modèle doit interpréter la consigne seul.
Résultat typique :
“Soyez assuré(e) que nous traiterons cette question dans les meilleurs délais.”
✅ Fonctionne bien pour des tâches courantes. ⚠️ Le niveau de formalité et la longueur peuvent varier d’une exécution à l’autre.

​
Combien d’exemples utiliser ?

La question du nombre optimal d’exemples est pratique avant tout.
  • 1 à 2 exemples suffisent pour des tâches de format simple (JSON, reformulation courte).
  • 3 à 5 exemples couvrent la majorité des cas complexes sans alourdir le prompt.
  • 6 à 8 exemples sont utiles pour des tâches très nuancées ou des taxonomies détaillées.
  • Au-delà de 8, le gain marginal est faible et le coût en tokens augmente significativement.
Privilégiez la qualité des exemples sur leur quantité. Trois exemples bien choisis, représentatifs et variés surpassent systématiquement huit exemples redondants ou mal formulés. Si vos résultats ne s’améliorent pas en ajoutant des exemples, revoyez leur qualité plutôt que d’en ajouter davantage.

​
Choisir les bons exemples : diversité et représentativité

La sélection des exemples est l’étape la plus critique du few-shot learning. Voici les principes à respecter : Représentativité : vos exemples doivent couvrir les cas les plus fréquents que le modèle rencontrera. Si votre tâche implique des avis positifs, négatifs et neutres, incluez des exemples des trois catégories. Diversité syntaxique : évitez les exemples qui se ressemblent trop. Un modèle exposé à cinq phrases courtes du même type aura du mal avec les phrases longues et complexes. Absence d’ambiguïté : chaque exemple doit avoir une sortie incontestablement correcte. Un exemple douteux introduit du bruit dans l’apprentissage contextuel. Cohérence du format : respectez rigoureusement la même structure dans tous vos exemples. Un délimiteur manquant ou une capitalisation irrégulière peut perturber le modèle.

​
Aller plus loin

Le few-shot learning se combine naturellement avec d’autres techniques :
  • Chain-of-Thought : incluez le raisonnement intermédiaire dans vos exemples pour guider le modèle sur des tâches complexes.
  • Personas : combinez un role-playing avec des exemples few-shot pour contrôler à la fois le style et le contenu.
  • Prompts itératifs : démarrez avec des exemples généraux et affinez-les progressivement au fil de la conversation.
Le few-shot learning est votre premier réflexe dès que les instructions seules ne suffisent pas à obtenir le format ou la qualité attendus.