- Few-shot là đưa vài cặp đầu vào và đầu ra mẫu vào câu lệnh; mô hình nhìn mẫu để làm việc mới mà không cần huấn luyện lại.
- Ví dụ giúp nhiều nhất ở định dạng, giọng văn và cách xếp nhãn, những thứ khó tả bằng lời.
- Ví dụ tốt thì sát việc thật, đa dạng, đủ nhãn, và được bọc trong thẻ riêng để không lẫn với chỉ dẫn. Tài liệu Claude gợi ý ba đến năm ví dụ.
- Ví dụ không được trùng với câu dùng để đo. Muốn biết ví dụ có giúp không, hãy đo trên một tập thử tách riêng.
Bài dùng Python thuần, không gọi API, nên chạy được ngay. Các nguồn gồm mục Use examples effectively trong trang Prompting best practices của Claude và bài báo GPT-3 của Brown và cộng sự năm 2020, đọc ngày 11/11/2026.
Zero-shot, one-shot, few-shot
Ba tên gọi này chỉ số ví dụ có trong câu lệnh. Zero-shot là chỉ nói việc cần làm, không kèm ví dụ nào. One-shot là kèm một ví dụ. Few-shot là kèm vài ví dụ. Bài báo của Brown và cộng sự năm 2020, giới thiệu GPT-3, dùng chính cách chia này để đánh giá mô hình, và cho thấy một mô hình đủ lớn có thể làm nhiều việc mới chỉ nhờ vài ví dụ đặt trong ngữ cảnh, không cần cập nhật trọng số. Hiện tượng đó thường được gọi là học trong ngữ cảnh.
Điều cần hiểu đúng: mô hình không "học" theo nghĩa thay đổi bản thân. Sau lệnh gọi, nó không nhớ gì về các ví dụ. Mỗi lần gọi, bạn phải gửi lại ví dụ, và chúng chiếm chỗ trong cửa sổ ngữ cảnh, tốn token như mọi phần khác của câu lệnh.
Ví dụ giúp được gì
Trang Prompting best practices của Claude gọi ví dụ là một trong những cách đáng tin cậy nhất để điều chỉnh định dạng, giọng văn và cấu trúc câu trả lời, và nói vài ví dụ được chọn kỹ làm tăng độ chính xác và độ nhất quán. Thử nghĩ về việc xếp góp ý của học sinh vào bốn nhãn khen, chê, góp ý, hỏi. Bằng lời, ta có thể định nghĩa từng nhãn, nhưng ranh giới vẫn mờ: câu "ví dụ hay nhưng thầy nói hơi nhanh, lần sau thầy chậm lại chút nha" là khen hay góp ý? Một ví dụ mẫu xếp nó vào góp ý trả lời câu hỏi đó rõ hơn cả đoạn định nghĩa.
Ví dụ cũng hữu ích khi bạn cần một khuôn trình bày riêng: mỗi mục một dòng, ngày viết kiểu Việt Nam, tên môn viết hoa chữ đầu. Nhưng nếu cần dữ liệu có cấu trúc chặt để code đọc, khuôn JSON như bài AI trả về JSON chắc chắn hơn; ví dụ khi đó chỉ để minh họa cách điền giá trị.
Ví dụ không thay được chỉ dẫn. Bạn vẫn cần nói rõ việc phải làm, các nhãn được phép, định dạng đầu ra, như bài system prompt là gì đã trình bày. Ví dụ đứng sau để làm rõ những chỗ lời nói chưa tới.
Chọn ví dụ thế nào
Tài liệu Claude nêu ba yêu cầu. Ví dụ phải sát việc thật: nếu ứng dụng nhận góp ý gõ vội trên điện thoại, đừng dùng ví dụ là câu văn chỉn chu. Ví dụ phải đa dạng, gồm cả trường hợp biên, để mô hình không bắt chước một khuôn ngoài ý muốn. Ví dụ phải có cấu trúc: bọc mỗi ví dụ trong thẻ example, cả nhóm trong thẻ examples, để mô hình phân biệt ví dụ với chỉ dẫn. Tài liệu gợi ý dùng ba đến năm ví dụ, và cho biết có thể nhờ chính mô hình đánh giá bộ ví dụ hoặc sinh thêm ví dụ từ bộ ban đầu.
"Khuôn ngoài ý muốn" là chuyện hay gặp. Nếu cả năm ví dụ đều mở đầu bằng "Buổi học", hoặc mọi câu khen đều ngắn còn mọi câu chê đều dài, mô hình có thể dựa vào những đặc điểm bề mặt đó thay vì nghĩa. Nếu ba trên năm ví dụ là khen, mô hình có thể nghiêng về nhãn khen khi phân vân.
Ví dụ bằng Python
Chương trình mẫu làm việc xếp góp ý vào bốn nhãn. Hàm soat_vi_du kiểm một bộ ví dụ trước khi dùng. Hàm tao_cau_lenh ghép chỉ dẫn, các ví dụ trong thẻ và câu cần xếp. Hàm do tính tỷ lệ đúng của một hàm phân loại trên tập thử. Để chạy được mà không cần khóa API, bộ đo được thử với mo_hinh_gia, một hàm quy tắc thô chỉ để chứng minh bộ đo hoạt động, không phải mô hình thật.
"""Few-shot: đưa vài ví dụ mẫu vào câu lệnh. Chọn ví dụ, soát ví dụ, ghép câu lệnh có thẻ <examples>, và đo trên tập thử.
Việc mẫu: xếp góp ý của học sinh về buổi học vào một trong bốn nhãn khen / chê / góp ý / hỏi.
- soat_vi_du: báo nhãn thiếu ví dụ, nhãn lệch số lượng, ví dụ trùng nhau, ví dụ lọt vào tập thử, ví dụ cùng một khuôn.
- tao_cau_lenh: bọc mỗi ví dụ trong <example>, cả nhóm trong <examples>, câu cần xếp trong <cau_can_xep>.
- do: tỷ lệ đúng của một hàm phân loại trên tập thử. Hàm mo_hinh_gia chỉ để chạy thử bộ đo, KHÔNG phải mô hình thật.
"""
from collections import Counter
NHAN = ["khen", "chê", "góp ý", "hỏi"]
VI_DU_TOT = [
("Thầy giảng phần đệ quy dễ hiểu lắm ạ.", "khen"),
("Bài tập về nhà nhiều quá, em làm tới khuya mà chưa xong.", "chê"),
("Thầy có thể gửi slide trước buổi học để em xem trước không ạ?", "góp ý"),
("Vòng while khác vòng for ở chỗ nào vậy thầy?", "hỏi"),
("Ví dụ hay nhưng thầy nói hơi nhanh, lần sau thầy chậm lại chút nha.", "góp ý"),
]
VI_DU_YEU = [
("Buổi học hay quá.", "khen"),
("Buổi học hay lắm.", "khen"),
("Buổi học hay quá.", "khen"),
("Buổi học chán.", "chê"),
("Phòng học nóng quá, mở thêm quạt được không ạ?", "góp ý"),
]
TAP_THU = [
("Phòng học nóng quá, mở thêm quạt được không ạ?", "góp ý"),
("Em chưa hiểu sao danh sách lại bắt đầu từ chỉ số 0?", "hỏi"),
("Hôm nay thầy chữa bài kỹ, em hiểu ra nhiều.", "khen"),
("Mạng phòng máy chập chờn, em nộp bài không được.", "chê"),
("Nên có thêm bài tập dễ cho bạn mới học.", "góp ý"),
("Hàm range(1, 5) có lấy số 5 không thầy?", "hỏi"),
("Thầy dạy hay quá!", "khen"),
("Sao hôm nay nghỉ học mà không báo trước vậy thầy?", "chê"),
]
def soat_vi_du(vi_du, tap_thu):
loi, dem = [], Counter(n for _, n in vi_du)
thieu = [n for n in NHAN if dem[n] == 0]
if thieu:
loi.append(f"nhãn chưa có ví dụ: {', '.join(thieu)}")
co = [dem[n] for n in NHAN if dem[n]]
if co and max(co) > 2 * min(co):
loi.append(f"lệch số lượng: {dict(dem)}")
trung = [c for c, so in Counter(c for c, _ in vi_du).items() if so > 1]
if trung:
loi.append(f"ví dụ trùng nhau: {trung}")
lot = {c for c, _ in vi_du} & {c for c, _ in tap_thu}
if lot:
loi.append(f"ví dụ lọt vào tập thử: {sorted(lot)}")
dau = Counter(c.split()[0].lower() for c, _ in vi_du)
if dau.most_common(1)[0][1] > len(vi_du) // 2:
loi.append(f"nhiều ví dụ cùng mở đầu bằng '{dau.most_common(1)[0][0]}'")
return loi
def tao_cau_lenh(vi_du, cau):
khoi = "\n".join(f"<example>\n<cau>{c}</cau>\n<nhan>{n}</nhan>\n</example>" for c, n in vi_du)
return (f"Xếp góp ý của học sinh vào đúng một nhãn trong: {', '.join(NHAN)}. Chỉ trả về nhãn.\n"
f"<examples>\n{khoi}\n</examples>\n<cau_can_xep>{cau}</cau_can_xep>")
def do(phan_loai, tap_thu):
dung = sum(phan_loai(c) == n for c, n in tap_thu)
return dung, len(tap_thu)
def mo_hinh_gia(cau):
"""Quy tắc thô thay cho mô hình, chỉ để chạy thử bộ đo."""
c = cau.lower()
if c.endswith("?") and ("thầy" in c or "sao" in c):
return "hỏi"
if "nên" in c or "được không" in c or "lần sau" in c:
return "góp ý"
if "không được" in c or "chập chờn" in c or "quá" in c:
return "chê"
return "khen"
def chay_thu():
dong = [f"Bộ ví dụ tốt: {soat_vi_du(VI_DU_TOT, TAP_THU) or 'không có lỗi'}"]
dong += [f"Bộ ví dụ yếu: {l}" for l in soat_vi_du(VI_DU_YEU, TAP_THU)]
cau_lenh = tao_cau_lenh(VI_DU_TOT, TAP_THU[1][0])
dong.append(f"Câu lệnh có {cau_lenh.count('<example>')} ví dụ, dài {len(cau_lenh)} ký tự")
d, n = do(mo_hinh_gia, TAP_THU)
dong.append(f"Bộ đo chạy với hàm giả lập: đúng {d}/{n}")
print("\n".join(dong))
return dong
if __name__ == "__main__":
chay_thu()
Bộ ví dụ tốt gồm năm câu, đủ bốn nhãn, mở đầu khác nhau, có một câu lưng chừng giữa khen và góp ý; nó qua được hàm soát. Bộ ví dụ yếu cũng năm câu nhưng bị báo năm lỗi: nhãn hỏi không có ví dụ nào; nhãn khen có ba câu trong khi các nhãn khác chỉ một; câu "Buổi học hay quá." xuất hiện hai lần; câu về phòng học nóng nằm cả trong ví dụ lẫn tập thử; và phần lớn ví dụ mở đầu bằng cùng một chữ. Câu lệnh ghép từ bộ tốt dài 709 ký tự.
Hàm giả lập đúng 6 trên 8 câu thử. Hai câu sai là "Thầy dạy hay quá!", bị xếp vào chê vì có chữ "quá", và "Sao hôm nay nghỉ học mà không báo trước vậy thầy?", bị xếp vào hỏi vì kết thúc bằng dấu hỏi dù thực chất là lời phàn nàn. Hai câu này cho thấy loại trường hợp nên có mặt trong tập thử, và cũng là loại trường hợp đáng thêm vào bộ ví dụ.
Đo xem ví dụ có giúp không
Thêm ví dụ không phải lúc nào cũng tốt hơn. Cách duy nhất để biết là đo. Chuẩn bị một tập thử vài chục câu có nhãn đúng, tách hẳn khỏi bộ ví dụ. Chạy cùng tập thử với câu lệnh không có ví dụ và câu lệnh có ví dụ, rồi so tỷ lệ đúng và xem kỹ những câu sai. Bài phân loại văn bản bằng LLM có một bộ đo đầy đủ hơn, tính cả recall từng nhãn; bài đánh giá câu trả lời AI bàn về cách xây tập thử.
Quy tắc quan trọng nhất là ví dụ không được lọt vào tập thử. Nếu một câu vừa là ví dụ vừa là câu đo, mô hình chỉ cần chép lại nhãn, và con số bạn đo được đẹp hơn thực tế. Hàm soát trong bài kiểm đúng điều này.
Khi đã có bộ đo, bạn có thể thử nghiệm có hệ thống: đổi thứ tự ví dụ, thay một ví dụ bằng câu khó hơn, tăng từ ba lên năm ví dụ. Mỗi lần chỉ đổi một thứ và ghi lại kết quả. Với các mô hình mới làm theo chỉ dẫn rất tốt, có lúc chỉ dẫn rõ cộng với hai ba ví dụ khó đã đủ, và thêm ví dụ dễ chỉ làm câu lệnh dài ra.
Mẹo dùng hằng ngày
Khi nhờ AI viết lại một đoạn văn theo giọng của bạn, hãy dán kèm hai đoạn bạn đã viết làm mẫu. Khi nhờ tạo bảng ôn tập, dán một dòng mẫu đã điền sẵn. Khi nhờ đặt tên biến, đưa vài tên có sẵn trong dự án. Đó đều là few-shot, chỉ là không ai gọi tên. Mẹo chung là chọn mẫu tiêu biểu nhất cho điều bạn muốn, và nói rõ mẫu chỉ để minh họa khuôn, không phải để chép nội dung.
- Để câu ví dụ lọt vào tập thử rồi tin con số đo được.
- Dùng ví dụ toàn một khuôn hoặc dồn về một nhãn.
- Trộn ví dụ với chỉ dẫn mà không có thẻ phân cách.
- Thêm ví dụ liên tục mà không đo xem có giúp không.
- Dùng ví dụ thay cho chỉ dẫn rõ ràng.
Câu hỏi thường gặp
Few-shot có phải là huấn luyện mô hình không?
Không. Ví dụ chỉ nằm trong câu lệnh của một lần gọi, mô hình không thay đổi.
Nên dùng bao nhiêu ví dụ?
Tài liệu Claude gợi ý ba đến năm. Hãy đo trên tập thử để chọn con số hợp với việc của bạn.
Ví dụ đặt trong system prompt hay tin nhắn người dùng?
Cả hai đều được. Ví dụ cố định thường đặt trong system prompt để gửi kèm mọi lần gọi.
Few-shot khác fine-tuning thế nào?
Fine-tuning thay đổi trọng số bằng nhiều dữ liệu; few-shot chỉ đưa vài ví dụ vào câu lệnh.
Học tiếp
- Nơi đặt chỉ dẫn cố định: system prompt là gì.
- Bộ đo đầy đủ cho việc xếp nhãn: phân loại văn bản bằng LLM.
- Xây tập thử và cách chấm: đánh giá câu trả lời AI.
Nếu bạn muốn học Python và AI bài bản cùng giảng viên, tham khảo khóa học AI của Big-O Coding.
Khóa AI – Introduction to Machine Learning: nền tảng Máy học từ thuật toán cơ bản đến Neural Networks và LLM, học bằng Python. Học thử buổi 1 miễn phí.


