Gi eksempler i stedet for forklaringer

Introduksjon

🎯 Læringsmål

• Forstå prinsippet om “few-shot prompting”
• Lære seg hvor mange eksempler som er optimalt
• Kunne lage effektive eksempler for custom instructions

De foregående avsnittene handlet om å strukturere instruksjonene dine og svare på de riktige spørsmålene. Nå lærer du en av de mest kraftfulle teknikkene innen prompt engineering: å vise i stedet for å forklare. Ett enkelt velvalgt eksempel kan erstatte flere setningers forklaring – og gi dramatisk bedre resultater.

Du har sikkert opplevd det: du forklarer nøye nøyaktig hva du vil ha, men tonen er feil, formatet merkelig eller detaljnivået ikke det du tenkte. Det finnes en enklere løsning – og det er den vi ser på nå.

Hvorfor eksempler ofte slår forklaringer

Hemmeligheten som de store AI-selskapene bruker er enkel: i stedet for å prøve å forklare alt med ord, vis modellen eksempler på nøyaktig hvordan du vil at resultatet skal se ut.

“Examples are your secret weapon shortcut for getting Claude to generate exactly what you need.” — Anthropic, Best Practices for Prompt Engineering

Dette kalles few-shot prompting (eller multishot prompting) – og det er en av de mest kraftfulle teknikkene du kan bruke. Zero-shot betyr at du gir ingen eksempler i det hele tatt, one-shot betyr ett eksempel og few-shot betyr to eller flere.

At eksempler fungerer bedre enn forklaringer er ikke tilfeldig – det er fire konkrete grunner til at teknikken er så kraftfull.

Hvorfor fungerer det så bra?

1. Viser i stedet for å fortelle

Mennesker (og AI-modeller) lærer bedre av konkrete eksempler enn av abstrakte beskrivelser. Et enkelt godt eksempel kan avklare ting som ville tatt flere setninger å forklare.

2. Avklarer subtile nyanser

Det er forventninger som er vanskelige å uttrykke i ord – som nøyaktig hvilken tone du vil ha, hvor formell teksten skal være eller hvor detaljert en forklaring skal være. Eksempler viser dette direkte, uten tolkning.

3. Gir konsistens

Når modellen har sett eksempler på “riktig” format, følger den det mønsteret mye mer konsistent enn hvis du bare beskriver det. Konsistens er kritisk når du bygger en assistent som skal brukes i praksis.

4. Reduserer generiske AI-svar

Ifølge tester fra Anthropic kan de riktige eksemplene eliminere opptil 80 % av generiske, intetsigende AI-svar – spesielt hvis du kombinerer positive og negative eksempler (mer om det senere i dette avsnittet).

Forskjellen mellom å bruke og å ikke bruke eksempler er lettest å forstå med et konkret tilfelle. Her er en direkte sammenligning.

Fra zero-shot til few-shot: en praktisk sammenligning

❌ Zero-shot (uten eksempler)

## OPPGAVE
Kategoriser kunde-e-poster i riktig kategori.

## KATEGORIER
- Teknisk support
- Fakturaspørsmål
- Produktinformasjon
- Klager
- Annet

Resultat: fungerer greit for tydelige tilfeller, men blir usikker ved grensetilfeller. Hva er forskjellen mellom “Teknisk support” og “Klager” hvis kunden både klager OG trenger hjelp?

✅ Few-shot (med eksempler)

## OPPGAVE
Kategoriser kunde-e-poster i riktig kategori.

## KATEGORIER
- Teknisk support
- Fakturaspørsmål
- Produktinformasjon
- Klager
- Annet

## EKSEMPLER

E-post: "Appen min krasjer hver gang jeg prøver å logge inn. Hjelp!"
Kategori: Teknisk support

E-post: "Hvorfor har jeg fått en ekstra debitering på 299 kr?"
Kategori: Fakturaspørsmål

E-post: "Har produkt X støtte for Bluetooth 5.0?"
Kategori: Produktinformasjon

E-post: "Jeg er ekstremt misfornøyd med kundeservicen og vil ha erstatning!"
Kategori: Klager

E-post: "Jeg har byttet e-postadresse, hvor oppdaterer jeg det?"
Kategori: Annet

Resultat: modellen ser nå tydelige eksempler på hvordan hver kategori ser ut og gjør mye bedre vurderinger – spesielt i grensetilfeller der et spørsmål kan høre hjemme i mer enn én kategori.

Et av de vanligste spørsmålene om few-shot prompting er: hvor mange eksempler trenger jeg egentlig? Svaret er mer nyansert enn du kanskje tror.

Hvor mange eksempler trenger du?

Anthropics anbefaling: start med ett eksempel

“Start with one example (one-shot). Only add more examples (few-shot) if the output still doesn’t match your needs.”

Praktisk tilnærming

• Start med 0 eksempler (zero-shot) – test om modellen klarer oppgaven likevel
• Legg til 1 eksempel (one-shot) – dette er ofte nok
• Øk til 2–3 eksempler hvis resultatene fortsatt varierer
• Bruk 5–10 eksempler kun for komplekse eller nisjede oppgaver

Prinsippet om avtagende utbytte

Forskning viser at flere eksempler ikke alltid er bedre. Etter et visst antall får du marginal forbedring men bruker flere tokens.

Tommelfingerregel

• 1 eksempel → Enkle klassifiseringsoppgaver, tydelige formater
• 2–3 eksempler → Mellomkomplekse oppgaver, nyansert tone
• 5+ eksempler → Komplekse domener, svært spesifikke krav

Test alltid! Det optimale antallet varierer avhengig av oppgave og modell.

Å vite at du trenger eksempler er én ting – å lage gode eksempler er noe annet. Her er hva som faktisk skiller et effektivt eksempel fra et ineffektivt.

Slik lager du effektive eksempler

1. Representativt for reelle brukstilfeller

Eksemplene dine skal speile den variasjonen du forventer i praksis – ikke konstruerte lærebokeksempler.

❌ Dårlig eksempel (for enkelt og konstruert)

Spørsmål: "Hva er Python?"
Svar: "Python er et programmeringsspråk."

✅ Godt eksempel (realistisk og med riktig detaljnivå)

Spørsmål: "Jeg har akkurat begynt å lære Python og skjønner ikke
forskjellen mellom lister og tupler. Kan du forklare?"

Svar: "Godt spørsmål! Både lister og tupler lagrer flere verdier,
men den store forskjellen er at lister kan endres (mutable)
mens tupler er faste (immutable).

Tenk slik: en liste er som en gjøremålsliste – du kan legge
til, fjerne eller endre punkter. En tuppel er som en bursdag
– når den er satt kan du ikke endre datoen.

  # Liste (kan endres)
  frukt = ['eple', 'banan']
  frukt.append('appelsin')  # OK!

  # Tuppel (kan ikke endres)
  dato = (2024, 3, 15)
  dato[0] = 2025  # FEIL! Gir error

Bruk lister når data kan forandres, tupler når data skal
være konstant."

Det andre eksemplet er bedre fordi det viser hvordan en ekte bruker stiller spørsmålet, demonstrerer ønsket tone (pedagogisk, med analogier) og viser nøyaktig hvilken detaljnivå og struktur du vil ha.

2. Dekker ulike scenarioer

Hvis du bruker flere eksempler, sørg for at de viser variasjon i tone og situasjon – ikke bare lette, tydelige tilfeller.

## EKSEMPLER

Scenario 1: Enkelt teknisk spørsmål
Kunde: "Slik tilbakestiller du passordet mitt?"
Assistent: "Klikk på 'Glemt passord' på innloggingssiden.
Du får en e-post med tilbakestillingslenke innen 5 minutter.
Sjekk også søppelpost! Trenger du mer hjelp? 😊"

Scenario 2: Frustrert kunde
Kunde: "Dette er tredje gangen jeg kontakter dere om det samme problemet!"
Assistent: "Jeg forstår virkelig frustrasjonen din, og beklager
at vi ikke har løst dette tidligere. Jeg skal prioritere
saken din nå. Kan du fortelle meg hvilket feilnummer du har fått slik
at jeg kan eskalere direkte til den tekniske avdelingen?"

Scenario 3: Spørsmål utenfor kunnskap
Kunde: "Har dere planer om å lansere en Mac-versjon?"
Assistent: "Dessverre har jeg ikke informasjon om fremtidige
produktlanseringer. Jeg anbefaler at du følger bloggen vår
på selskap.no/nyheter. Er det noe annet jeg kan hjelpe
deg med i dag?"

Eksemplene dekker ulike følelsesmessige tilstander og viser hvordan tonen skal tilpasses uten å kompromisse med profesjonaliteten.

3. Tydelig struktur som er lett å følge

Bruk konsistent formatering i eksemplene dine slik at modellen tydelig ser mønsteret.

## EKSEMPLER

Input: [brukerens faktiske input]
Output: [nøyaktig det formatet du vil ha]

Input: [neste eksempel]
Output: [neste svar]

4. Negative eksempler

En kraftfull teknikk er å vise både hva du VIL ha og hva du IKKE vil ha. Ifølge Anthropics tester kan dette eliminere opptil 80 % av generiske AI-svar.

## EKSEMPLER PÅ GODE SVAR

Spørsmål: "Hva er maskinlæring?"

✅ GODT SVAR:
"Maskinlæring er når datamaskiner lærer mønstre fra data
i stedet for å følge hardkodede regler. Tenk slik:
i stedet for å programmere 'hvis e-post inneholder ordet
Viagra → søppelpost' trener du modellen på tusenvis av eksempler.
Den lærer selv hvilke mønstre som er typiske for søppelpost.

Eksempel: Netflix-anbefalinger bruker maskinlæring
for å lære hva du liker basert på hva du har sett
på tidligere."

❌ DÅRLIG SVAR (for teknisk):
"Maskinlæring er et delfelt av kunstig intelligens
som bruker statistiske teknikker for å gjøre datasystemer
i stand til å 'lære' fra data uten eksplisitt programmering."
Hvorfor dårlig: teknisk sjargong uten forklaring, ingen
analogi eller konkret eksempel.

❌ DÅRLIG SVAR (for vagt):
"Maskinlæring er når datamaskiner blir smartere."
Hvorfor dårlig: for overfladisk, gir ikke brukeren
ekte forståelse.

Oppsummering

Few-shot prompting er en av de mest kraftfulle teknikkene i prompt engineering – og lettere å komme i gang med enn du tror.

• Eksempler slår forklaringer – de viser modellen nøyaktig hva du vil ha, inkludert tone, format og detaljnivå som er vanskelige å beskrive i ord.
• Start med 1 eksempel – legg bare til flere hvis utdataene fortsatt ikke matcher forventningene dine.
• 2–3 eksempler holder som regel – flere eksempler gir avtagende utbytte og øker kostnaden uten proporsjonal forbedring.
• Gjør eksempler realistiske – speil reell bruk og variasjon, ikke konstruerte lærebokeksempler.
• Vis negative eksempler – å demonstrere hva du ikke vil ha eliminerer opptil 80 % av generiske svar.
• Konsistent formatering – bruk den samme strukturen (Input/Output) i alle eksempler slik at modellen tydelig ser mønsteret.

Test kunnskapen din

5 spørsmål · 100 % riktige for å bestå · Gå gjennom svar når du er ferdig

Start quiz →