Few-shot prompting
IA / LLM 🟢 JuniorDéfinition
Technique qui place quelques exemples entrée→sortie (typiquement 3 à 5) dans le prompt pour montrer le format et le niveau attendus, plutôt que de tout décrire. Zéro-shot = aucun exemple ; one-shot = un seul. Les exemples pèsent dans la fenêtre de contexte et se cachent bien avec le prompt caching.
Analogie
Montrer trois copies corrigées à un nouveau correcteur au lieu de lui lire le barème.
Exemple de code
const examples = `
<example>
Ticket : "Impossible de me connecter" -> categorie: auth, urgence: haute
</example>
<example>
Ticket : "Changer la couleur du logo" -> categorie: design, urgence: basse
</example>
<example>
Ticket : "Facture en double" -> categorie: facturation, urgence: moyenne
</example>`;
const msg = await client.messages.create({
model: 'claude-haiku-4-5', max_tokens: 60,
system: 'Classe les tickets comme dans les exemples.' + examples,
messages: [{ role: 'user', content: 'Ticket : "Le paiement CB échoue"' }],
});Cas d'usage
Classification, extraction, mise au format quand les consignes textuelles ne suffisent pas.
Anti-pattern
Termes liés
En entretien
C'est quoi le few-shot prompting ?
C'est placer quelques exemples entrée-sortie, typiquement 3 à 5, dans le prompt pour montrer le format et le niveau attendus plutôt que de tout décrire en texte. C'est comme montrer trois copies corrigées à un nouveau correcteur au lieu de lui lire le barème.
Quelle différence entre zero-shot, one-shot et few-shot ?
Zero-shot ne donne aucun exemple, one-shot en donne un seul, et few-shot en donne plusieurs. Plus on avance vers few-shot, plus le format et le niveau attendus sont clairs pour le modèle.
Quel est le piège si les exemples sont mal choisis ?
Des exemples tous du même type font sur-apprendre le biais au modèle, qui rate ensuite les cas différents. Il faut varier les exemples pour couvrir la diversité des cas réels.
Sources
Fiche mise à jour le 2026-09-27