Few-shot 프롬프팅 (Few-shot Prompting)

별칭: few-shot · Few-shot · Few-Shot · few shot · few-shot prompting · Few-shot prompting · few-shot learning · 퓨샷 · 퓨 샷 · 퓨샷 프롬프팅 · n-shot · one-shot · 원샷

입력-출력 예시를 몇 개 보여줘 모델이 그 패턴을 따라가게 만드는 기법.

프롬프트 안에 "이렇게 들어오면 이렇게 답해" 라는 예시(샘플) 를 2~5개 끼워 넣어 모델의 출력을 원하는 형식으로 잡아주는 기법. 학습(파인튜닝) 없이 추론 시점에서 패턴을 주입하는 in-context learning 의 가장 흔한 형태다.

정의

Few-shot 프롬프팅은 모델에게 풀어야 할 과제와 함께 정답 예시를 몇 개(보통 1~5개) 제시해서, 같은 패턴으로 새로운 입력에도 답하도록 유도하는 기법이다. 예시가 1개면 one-shot, 0개면 Zero-shot 이 된다.

왜 효과가 있는가

대형 LLM은 사전 학습 단계에서 "패턴 따라하기" 능력이 강하게 형성돼 있다. 프롬프트 안의 예시는 일종의 즉석 학습 데이터처럼 동작해, 출력 포맷·톤·분류 기준 같은 암묵적 규칙을 짧은 시간에 전달한다. (in-context learning)

언제 쓰는가

출력 포맷을 정확히 통제해야 할 때 (JSON 키, 표 헤더, 스타일)
도메인 특화 분류·매핑 — 사내 카테고리, 회사 톤·온도
Zero-shot 결과가 들쭉날쭉할 때 비용 대비 가장 빠른 개선 수단

예시

다음 문장의 감정을 분류해 줘.
입력: 배송이 빠르고 친절했어요. → 긍정
입력: 포장이 다 뜯겨 있었어요. → 부정
입력: 가격은 비싼데 품질은 그럭저럭이에요. →

주의

예시 개수보다 다양성이 중요하다. 비슷한 예시만 늘리면 모델이 그 좁은 분포에 과적합해 새로운 입력을 잘못 처리한다.