Section 10.2.3 : Few-shot prompting — Apprendre par l'exemple
🎯 Objectif pédagogique
Maîtriser le few-shot prompting : guider le modèle en lui fournissant des exemples concrets pour obtenir des résultats qui suivent exactement le format, le ton et la logique souhaités. C'est la technique la plus puissante pour la cohérence et la personnalisation.
Le few-shot : enseigner par l'exemple
Le few-shot prompting consiste à fournir quelques exemples (généralement 2 à 5) avant de poser la vraie question. Le modèle apprend le pattern des exemples et l'applique à la nouvelle entrée. C'est une forme d'apprentissage en contexte (in-context learning) — le modèle n'est pas réentraîné, il comprend le pattern à partir des exemples.
Imaginez que vous embauchez un stagiaire. Plutôt que de lui expliquer pendant 30 minutes comment rédiger un compte-rendu, vous lui montrez 3 comptes-rendus exemplaires et dites "Fais pareil". C'est exactement ce que fait le few-shot prompting.
Structure d'un prompt few-shot
La structure est toujours la même : instruction → exemples → question réelle.
[Instruction générale qui décrit la tâche]
Exemple 1 :
Input : [exemple d'entrée 1]
Output : [sortie attendue 1]
Exemple 2 :
Input : [exemple d'entrée 2]
Output : [sortie attendue 2]
Exemple 3 :
Input : [exemple d'entrée 3]
Output : [sortie attendue 3]
Maintenant :
Input : [votre vraie question]
Output :
Exemples concrets de few-shot par cas d'usage
1. Classification de tickets support (format + catégorisation)
Classe chaque ticket dans une catégorie et un niveau d'urgence.
Format strict : Catégorie : [X] | Urgence : [Haute/Moyenne/Basse]
Ticket : "Je n'arrive plus à me connecter depuis ce matin"
Catégorie : Authentification | Urgence : Haute
Ticket : "Est-il possible d'exporter mes données en CSV ?"
Catégorie : Fonctionnalité | Urgence : Basse
Ticket : "L'application crash quand j'ouvre l'onglet rapports"
Catégorie : Bug | Urgence : Haute
Ticket : "Comment changer la langue de l'interface ?"
Catégorie : Support utilisateur | Urgence : Basse
Ticket : "Votre concurrent offre une fonctionnalité de chat intégré,
est-ce prévu chez vous ?"
Catégorie :
2. Génération de descriptions produit (ton + style cohérent)
Rédige une description de produit e-commerce dans ce style exact.
Chaque description : emoji + phrase d'accroche + 3 caractéristiques +
phrase de conclusion. Moins de 50 mots total.
Produit : Casque audio Bluetooth
Description : 🎧 Plongez dans un son cristallin. Autonomie 30h,
réduction de bruit active, et design ultra-léger de 180g.
Votre compagnon audio de tous les jours, du bureau au métro.
Produit : Sac à dos urbain
Description : 🎒 L'allié des city-dwellers. Compartiment laptop 15",
tissu imperméable certifié IPX4, et 12 poches organisées.
Du café à la salle de réunion, il vous suit partout.
Produit : Thermos intelligent
Description : 🌡️ Votre boisson, toujours à la bonne température.
Affichage LED de la température, maintien chaud 12h/froid 24h,
acier inoxydable 500ml. Le compagnon des matins pressés.
Produit : Montre connectée sport
Description :
3. Extraction structurée (format JSON précis)
Extrais les entités nommées au format JSON suivant.
Champs obligatoires : entreprise, produit, lieu, date.
Si un champ est absent, utilise null.
Texte : "Apple a annoncé l'iPhone 16 à Cupertino le 9 septembre."
JSON : {"entreprise": "Apple", "produit": "iPhone 16",
"lieu": "Cupertino", "date": "9 septembre"}
Texte : "Tesla livrera le Cybertruck aux clients européens
depuis Berlin en mars 2025."
JSON : {"entreprise": "Tesla", "produit": "Cybertruck",
"lieu": "Berlin", "date": "mars 2025"}
Texte : "Le nouveau médicament de Sanofi sera disponible
en pharmacies au premier trimestre."
JSON : {"entreprise": "Sanofi", "produit": "nouveau médicament",
"lieu": null, "date": "premier trimestre"}
Texte : "Google a présenté Gemini 3.1 lors de I/O à Mountain View
le 14 mai."
JSON :
4. Rédaction d'accroches LinkedIn (style personnel)
Réécris cette information brute en accroche LinkedIn engageante.
Style : phrase choc en première ligne (hook), puis 3-4 lignes
de contexte, puis conclusion avec question.
Info brute : "J'ai automatisé 40% de mes tâches avec l'IA"
Post LinkedIn :
J'ai supprimé 3 heures de travail répétitif par jour.
Pas en embauchant quelqu'un.
Pas en travaillant moins.
En utilisant ChatGPT + Zapier sur 5 workflows clés.
Le résultat : 40% de mes tâches tournent en autopilote.
Quelle est la prochaine tâche que vous allez automatiser ?
Info brute : "Notre startup est passée de 0 à 100K€ MRR en 8 mois"
Post LinkedIn :
100K€ de revenus récurrents mensuels.
Il y a 8 mois, c'était 0€.
Pas de levée de fonds. Pas de pub payante.
Juste un produit qui résout un vrai problème + du bouche à oreille.
Les 3 décisions qui ont tout changé ⬇️
Quelle est VOTRE stratégie pour atteindre le PMF ?
Info brute : "J'ai changé de carrière à 40 ans pour rejoindre la tech"
Post LinkedIn :
Combien d'exemples fournir ?
| Nombre | Nom | Quand l'utiliser | Coût en tokens |
|---|---|---|---|
| 1 | one-shot | Format simple, tâche familière | Faible |
| 2-3 | few-shot standard | Bon équilibre qualité/coût pour 80% des cas | Modéré |
| 4-5 | few-shot riche | Format complexe, nécessite une cohérence forte | Élevé |
| 6+ | many-shot | Rarement utile — risque de surcharger le contexte | Très élevé |
3 règles d'or pour choisir vos exemples
- →Diversité : vos exemples doivent couvrir les cas variés de votre tâche. Pour une classification à 3 catégories, incluez au moins un exemple de chaque.
- →Qualité : des exemples médiocres produisent des résultats médiocres. Utilisez vos meilleurs exemples réels.
- →Représentativité : les exemples doivent ressembler aux cas réels que vous traiterez. Des exemples trop simples produisent des résultats trop simples.
Les pièges du few-shot à éviter
| Piège | Ce qui se passe | Solution |
|---|---|---|
| Exemples trop similaires | Le modèle croit que tous les cas sont identiques | Variez les exemples (positif/négatif, court/long) |
| Exemples contradictoires | Le modèle est confus sur le pattern | Vérifiez la cohérence entre exemples |
| Trop d'exemples | Consomme des tokens sans améliorer | 3 exemples suffisent dans 80% des cas |
| Exemples mal formatés | Le modèle reproduit les erreurs de format | Relisez vos exemples attentivement |
| Ordre des exemples | Le modèle est biaisé par le dernier exemple | Mettez le cas le plus "normal" en dernier |
Zero-shot vs Few-shot : l'arbre de décision
Zero-shot vs Few-shot — Guide de choix
← Scroll horizontally →
Exercice pratique : construire vos propres few-shots
Durée : 20 minutes
- →Choisissez une tâche récurrente dans votre travail (rédaction d'emails, classification, résumé de réunion)
- →Rédigez 3 exemples de haute qualité (input réel + output idéal)
- →Testez le prompt few-shot sur un nouveau cas réel
- →Comparez avec le même cas en zero-shot — notez la différence
- →Enregistrez ce prompt dans votre bibliothèque de templates (cf. section 10.2.8)
Vérification rapide
Qu'est-ce que le 'in-context learning' des LLM ?
Vérification rapide
Combien d'exemples few-shot sont recommandés pour la plupart des cas d'usage ?