feat(ultraplan-local): v1.6.0 — /ultraresearch-local deep research command
Add /ultraresearch-local for structured research combining local codebase analysis with external knowledge via parallel agent swarms. Produces research briefs with triangulation, confidence ratings, and source quality assessment. New command: /ultraresearch-local with modes --quick, --local, --external, --fg. New agents: research-orchestrator (opus), docs-researcher, community-researcher, security-researcher, contrarian-researcher, gemini-bridge (all sonnet). New template: research-brief-template.md. Integration: --research flag in /ultraplan-local accepts pre-built research briefs (up to 3), enriches the interview and exploration phases. Planning orchestrator cross-references brief findings during synthesis. Design principle: Context Engineering — right information to right agent at right time. Research briefs are structured artifacts in the pipeline: ultraresearch → brief → ultraplan --research → plan → ultraexecute. Co-Authored-By: Claude Opus 4.6 <noreply@anthropic.com>
This commit is contained in:
Kjell Tore Guttormsen
commit
baa2d0220b
488 changed files with 213221 additions and 0 deletions
|
|
@ -0,0 +1,531 @@
|
|||
# Few-Shot and Zero-Shot Learning Techniques
|
||||
|
||||
**Last updated:** 2026-02
|
||||
**Status:** GA
|
||||
**Category:** Prompt Engineering & LLM Optimization
|
||||
|
||||
---
|
||||
|
||||
## Introduksjon
|
||||
|
||||
Few-shot og zero-shot learning er grunnleggende teknikker i prompt engineering som endrer hvordan språkmodeller tilpasser seg nye oppgaver uten permanent modelltrening. Zero-shot learning utfører oppgaver basert kun på instruksjoner, mens few-shot learning bruker eksempler (input-output par) for å "prime" modellen til ønsket oppførsel. Begge teknikkene opererer via in-context learning — modellen endres ikke permanent, men eksemplene påvirker kun gjeldende inference. Disse metodene er sentrale for Azure OpenAI Service, Copilot Studio og Microsoft Agent Framework.
|
||||
|
||||
**Verifikasjonsgrad:** Verified (MCP microsoft-learn, januar 2026)
|
||||
|
||||
---
|
||||
|
||||
## Kjernekomponenter
|
||||
|
||||
### Zero-Shot Learning
|
||||
|
||||
**Definisjon:** Prompts uten eksempler. Modellen svarer kun basert på eksisterende kunnskap og instruksjoner.
|
||||
|
||||
**Bruksområder:**
|
||||
- Fine-tunede modeller som allerede er trent på instruksjonsdatasett
|
||||
- Etablere ytelsesbaselines før eksperimentering med few-shot
|
||||
- Kostnadseffektive løsninger (færre tokens)
|
||||
- Enkle oppgaver hvor modellen har bred kunnskap
|
||||
|
||||
**Eksempel (Azure OpenAI):**
|
||||
```python
|
||||
messages = [
|
||||
{"role": "system", "content": "You are a helpful assistant."},
|
||||
{"role": "user", "content": "Headline: Coach confident injury won't derail Warriors\nTopic:"}
|
||||
]
|
||||
```
|
||||
**Output:** "The coach is confident that the injury won't derail the Warriors' season..."
|
||||
|
||||
**Begrensninger:**
|
||||
- Variabel output-kvalitet uten kontekst
|
||||
- Modellen "gjetter" ønsket format
|
||||
- Mindre pålitelig for domene-spesifikke oppgaver
|
||||
|
||||
### One-Shot Learning
|
||||
|
||||
**Definisjon:** Én eksempel-par (input + output) i promptet.
|
||||
|
||||
**Bruksområder:**
|
||||
- Demonstrere output-format
|
||||
- Oppgaver med klart definerte mønstre
|
||||
- Enkle transformasjoner (oversettelse, kategorisering)
|
||||
|
||||
**Eksempel:**
|
||||
```
|
||||
Q: Ask Constance if we need some bread
|
||||
A: send-msg `find constance` Do we need some bread?
|
||||
|
||||
Q: Send a message to Greg to figure out if things are ready for Wednesday.
|
||||
A:
|
||||
```
|
||||
|
||||
### Few-Shot Learning
|
||||
|
||||
**Definisjon:** Flere eksempler (typisk 2-100) som viser ønsket oppførsel. Eksemplene er "training data" i promptet, ikke i modellvektene.
|
||||
|
||||
**Arkitektur med Chat Completions API:**
|
||||
```python
|
||||
from openai import OpenAI
|
||||
import os
|
||||
|
||||
client = OpenAI(
|
||||
api_key=os.getenv("AZURE_OPENAI_API_KEY"),
|
||||
base_url="https://YOUR-RESOURCE-NAME.openai.azure.com/openai/v1/"
|
||||
)
|
||||
|
||||
response = client.chat.completions.create(
|
||||
model="gpt-4o",
|
||||
messages=[
|
||||
{"role": "system", "content": "Assistant is an intelligent chatbot designed to help users answer their tax related questions. Instructions: - Only answer questions related to taxes. - If you're unsure of an answer, you can say 'I don't know' or 'I'm not sure' and recommend users go to the IRS website for more information."},
|
||||
# Few-shot eksempler som user/assistant par
|
||||
{"role": "user", "content": "When do I need to file my taxes by?"},
|
||||
{"role": "assistant", "content": "In 2023, you'll need to file your taxes by April 18th. The date falls after the usual April 15th deadline because April 15th falls on a Saturday in 2023. For more details, see https://www.irs.gov/filing/individuals/when-to-file"},
|
||||
{"role": "user", "content": "How can I check the status of my tax refund?"},
|
||||
{"role": "assistant", "content": "You can check the status of your tax refund by visiting https://www.irs.gov/refunds"},
|
||||
# Faktisk bruker-spørsmål
|
||||
{"role": "user", "content": "What deductions can I claim?"}
|
||||
]
|
||||
)
|
||||
```
|
||||
|
||||
**Hvorfor det fungerer:**
|
||||
- Modellen infererer kategori og format uten eksplisitt instruksjon
|
||||
- Eksemplene "konditionerer" modellen for gjeldende inference
|
||||
- Demonstrerer edge cases og ønsket tone
|
||||
|
||||
---
|
||||
|
||||
## Arkitekturmønstre
|
||||
|
||||
### 1. **Eksempelutvalg-strategi**
|
||||
|
||||
**Kvalitetskrav:**
|
||||
```
|
||||
- Relevant for use case
|
||||
- Dekkende for edge cases
|
||||
- Variasjon i input-format
|
||||
- Konsistent output-struktur
|
||||
- Representative for produksjonsdata
|
||||
```
|
||||
|
||||
**Anti-pattern:** Bruke kun "happy path"-eksempler. Resultat: Modellen feiler på avvikende input.
|
||||
|
||||
**Best practice:** Inkluder eksempler som viser:
|
||||
- Normale cases
|
||||
- Edge cases (tomme verdier, ukjente kategorier)
|
||||
- Feil-håndtering ("not found", "unsure")
|
||||
|
||||
### 2. **Recency Bias Management**
|
||||
|
||||
**Problem:** Modeller har recency bias — siste eksempler vektes høyere.
|
||||
|
||||
**Mitigering:**
|
||||
```python
|
||||
import random
|
||||
|
||||
# Randomiser rekkefølge på few-shot eksempler for hver inference
|
||||
examples = [example1, example2, example3, example4]
|
||||
random.shuffle(examples)
|
||||
messages = [system_message] + examples + [user_query]
|
||||
```
|
||||
|
||||
**Alternativ:** Sample flere completions med forskjellige ordninger, og velg basert på konsensus.
|
||||
|
||||
### 3. **Completion Cues (Prompt-priming)**
|
||||
|
||||
**Definisjon:** Starter completion med et hint som styrer output-retning.
|
||||
|
||||
**Eksempel:**
|
||||
```
|
||||
User: "Summarize the following email..."
|
||||
Assistant: "Key Points:\n- "
|
||||
```
|
||||
Cue (`"Key Points:\n- "`) trigger bullet-list output.
|
||||
|
||||
**Bruk med Few-Shot:**
|
||||
```python
|
||||
messages = [
|
||||
{"role": "system", "content": "You extract factual claims from text."},
|
||||
{"role": "user", "content": "John Smith works at Microsoft."},
|
||||
{"role": "assistant", "content": "FACTUAL CLAIMS\n- John Smith is employed at Microsoft"},
|
||||
{"role": "user", "content": "Lucy has three children and lives in Oslo."},
|
||||
{"role": "assistant", "content": "FACTUAL CLAIMS\n- "} # Cue for liste-fortsettelse
|
||||
]
|
||||
```
|
||||
|
||||
### 4. **Token-Effektivitet**
|
||||
|
||||
Few-shot bruker mange tokens. Optimaliseringsstrategier:
|
||||
|
||||
| Teknikk | Beskrivelse | Token-sparing |
|
||||
|---------|-------------|---------------|
|
||||
| **Tabellar data** | Bruk TSV/CSV fremfor JSON | 30-50% |
|
||||
| **Forkortelser** | Konsistent bruk av korte labels | 10-20% |
|
||||
| **Caching (prompt caching)** | Cache few-shot eksempler på tvers av requests | 90% (cached tokens) |
|
||||
| **Selective examples** | Velg kun mest relevante eksempler dynamisk | Variabel |
|
||||
|
||||
**Eksempel - Tabellformat:**
|
||||
```
|
||||
Beer name Style ABV
|
||||
Chimay Gold Trappist pale ale 4.80%
|
||||
Chimay Blue Trappist dark ale 9.00%
|
||||
|
||||
Q: How many beers are less than 6% ABV?
|
||||
A:
|
||||
```
|
||||
|
||||
---
|
||||
|
||||
## Beslutningsveiledning
|
||||
|
||||
### Når bruke Zero-Shot
|
||||
|
||||
✅ **Velg zero-shot hvis:**
|
||||
- Modellen er fine-tuned for oppgaven (GPT-4, gpt-4o)
|
||||
- Oppgaven er generell (oppsummering, spørsmål-svar)
|
||||
- Token-budsjett er begrenset
|
||||
- Baselining ytelse før few-shot
|
||||
|
||||
❌ **Unngå zero-shot hvis:**
|
||||
- Domene-spesifikk terminologi
|
||||
- Output krever spesifikt format (JSON-schema, XML)
|
||||
- Modellen konsekvent "gjetter feil" uten eksempler
|
||||
|
||||
### Når bruke Few-Shot
|
||||
|
||||
✅ **Velg few-shot hvis:**
|
||||
- Zero-shot gir inkonsistent output
|
||||
- Spesifikke output-format (strukturert data)
|
||||
- Domene-tilpasning nødvendig (juridisk, medisinsk)
|
||||
- Lære modellen spesifikk tone/stil
|
||||
- Emulere eksisterende system-oppførsel
|
||||
|
||||
❌ **Unngå few-shot hvis:**
|
||||
- Context window for liten (få eksempler = ineffektivt)
|
||||
- Latency-kritisk (flere tokens = tregere)
|
||||
- Fine-tuning er tilgjengelig (permanent tilpasning)
|
||||
|
||||
### Decision Tree
|
||||
|
||||
```
|
||||
START
|
||||
│
|
||||
├─ Er oppgaven generell og modellen fine-tuned?
|
||||
│ └─ YES → Zero-Shot
|
||||
│ └─ NO → Fortsett
|
||||
│
|
||||
├─ Har du < 10 eksempler og oppgaven er kompleks?
|
||||
│ └─ YES → Few-Shot (2-10 eksempler)
|
||||
│ └─ NO → Fortsett
|
||||
│
|
||||
├─ Trenger du permanent tilpasning med 100+ eksempler?
|
||||
│ └─ YES → Fine-Tuning (ikke few-shot)
|
||||
│ └─ NO → Few-Shot
|
||||
```
|
||||
|
||||
---
|
||||
|
||||
## Integrasjon med Microsoft-stakken
|
||||
|
||||
### Azure OpenAI Service
|
||||
|
||||
**Chat Completions API:**
|
||||
- System message: Instruksjoner og regler
|
||||
- Few-shot: User/Assistant par i `messages` array
|
||||
- Støtte for gpt-35-turbo, gpt-4, gpt-4o, o1-modeller (o1: zero-shot anbefales)
|
||||
|
||||
**Best practice:**
|
||||
```python
|
||||
from openai import AzureOpenAI
|
||||
import os
|
||||
|
||||
client = AzureOpenAI(
|
||||
azure_endpoint=os.getenv("AZURE_OPENAI_ENDPOINT"),
|
||||
api_key=os.getenv("AZURE_OPENAI_API_KEY"),
|
||||
api_version="2024-10-21"
|
||||
)
|
||||
|
||||
# Few-shot pattern for sentiment analysis
|
||||
response = client.chat.completions.create(
|
||||
model="gpt-4",
|
||||
messages=[
|
||||
{"role": "system", "content": "You analyze sentiment from text. Rate 1-10 (10=most positive)."},
|
||||
{"role": "user", "content": "The product is amazing and exceeded expectations!"},
|
||||
{"role": "assistant", "content": "Sentiment: 9/10 (highly positive language, enthusiastic tone)"},
|
||||
{"role": "user", "content": "It's okay, nothing special."},
|
||||
{"role": "assistant", "content": "Sentiment: 5/10 (neutral, lukewarm response)"},
|
||||
{"role": "user", "content": "Disappointed. Does not work as advertised."},
|
||||
{"role": "assistant", "content": "Sentiment: 2/10 (negative, unmet expectations)"},
|
||||
{"role": "user", "content": "Fast delivery and excellent customer service!"}
|
||||
]
|
||||
)
|
||||
```
|
||||
|
||||
### Copilot Studio
|
||||
|
||||
**Declarative Agents:**
|
||||
- Few-shot i `instructions` felt som eksempel-dialoger
|
||||
- Støtter multi-turn few-shot (conversation history)
|
||||
|
||||
**Grounding-kombinasjon:**
|
||||
```yaml
|
||||
instructions: |
|
||||
You help users find product information.
|
||||
|
||||
Example:
|
||||
User: "Do you have laptops under $1000?"
|
||||
Assistant: "Yes, we have 5 models under $1000. Would you like me to list them?"
|
||||
|
||||
User: "What's the return policy?"
|
||||
Assistant: "Our return policy is 30 days. For details, see [link]."
|
||||
```
|
||||
|
||||
### Microsoft Agent Framework (Semantic Kernel)
|
||||
|
||||
**Few-shot via Semantic Function:**
|
||||
```csharp
|
||||
var fewShotPrompt = @"
|
||||
Classify the following customer inquiry:
|
||||
|
||||
Examples:
|
||||
Inquiry: 'My order hasn't arrived'
|
||||
Category: SHIPPING
|
||||
|
||||
Inquiry: 'How do I reset my password?'
|
||||
Category: ACCOUNT
|
||||
|
||||
Inquiry: 'What are your business hours?'
|
||||
Category: INFO
|
||||
|
||||
Inquiry: {{$input}}
|
||||
Category:";
|
||||
|
||||
var fewShotFunction = kernel.CreateSemanticFunction(fewShotPrompt);
|
||||
var result = await fewShotFunction.InvokeAsync("I want a refund for my purchase");
|
||||
```
|
||||
|
||||
### Azure AI Foundry
|
||||
|
||||
**Prompt Flow:**
|
||||
- Few-shot templates i "Prompt" node
|
||||
- Dynamic example selection basert på similarity search (RAG + few-shot)
|
||||
|
||||
**Pattern:**
|
||||
```
|
||||
1. User query → Embedding
|
||||
2. Similarity search i example database
|
||||
3. Retrieve top-k relevante eksempler
|
||||
4. Inject i few-shot prompt
|
||||
5. Send til LLM
|
||||
```
|
||||
|
||||
---
|
||||
|
||||
## Offentlig sektor (Norge)
|
||||
|
||||
### Personvern og GDPR
|
||||
|
||||
**Risiko:** Few-shot eksempler kan inneholde persondata.
|
||||
|
||||
**Mitigering:**
|
||||
```
|
||||
✓ Anonymiser alle eksempler (fjern navn, fødselsnummer, adresser)
|
||||
✓ Bruk syntetiske data for few-shot
|
||||
✓ Dokumenter eksempler i DPIA
|
||||
✓ Unngå sensitive kategorier (helse, religion) i eksempler
|
||||
```
|
||||
|
||||
### Transparens (AI Act)
|
||||
|
||||
**Krav:** Dokumenter hvordan modellen er "trent" via few-shot.
|
||||
|
||||
**Løsning:**
|
||||
- Logg eksempler brukt i produksjon
|
||||
- Model Card: "System bruker few-shot learning med [N] eksempler for oppgave [X]"
|
||||
- Eksempel-repository for audit
|
||||
|
||||
### Språkstøtte
|
||||
|
||||
**Problem:** De fleste few-shot eksempler er på engelsk. Modeller kan "bleed" engelsk inn i norsk output.
|
||||
|
||||
**Best practice:**
|
||||
```python
|
||||
messages = [
|
||||
{"role": "system", "content": "Du er en norsk AI-assistent. Svar alltid på norsk."},
|
||||
{"role": "user", "content": "Hva er hovedstaden i Norge?"},
|
||||
{"role": "assistant", "content": "Hovedstaden i Norge er Oslo."},
|
||||
{"role": "user", "content": "Hvor mange innbyggere har Bergen?"},
|
||||
{"role": "assistant", "content": "Bergen har ca. 285 000 innbyggere (2023)."},
|
||||
{"role": "user", "content": "Hvilke fylker grenser til Oslo?"}
|
||||
]
|
||||
```
|
||||
|
||||
**Multilingual few-shot:**
|
||||
- Bruk konsekvent språk i eksempler
|
||||
- Eksplisitt språkinstruksjon i system message
|
||||
- Test med både bokmål og nynorsk hvis relevant
|
||||
|
||||
---
|
||||
|
||||
## Kostnad og lisensiering
|
||||
|
||||
### Prising
|
||||
|
||||
**Token-forbruk:**
|
||||
```
|
||||
Zero-shot: 50-200 tokens (instructions + query)
|
||||
Few-shot (3 eksempler): 300-1000 tokens
|
||||
Few-shot (10 eksempler): 1000-3000 tokens
|
||||
```
|
||||
|
||||
**Kostnadseksempel (Azure OpenAI gpt-4o, Norge Øst):**
|
||||
- Input: $0.005 per 1K tokens
|
||||
- Few-shot med 10 eksempler (2000 tokens) = $0.01 per request
|
||||
- 10 000 requests/dag = $100/dag = $3000/måned
|
||||
|
||||
**Optimalisering:**
|
||||
```
|
||||
✓ Prompt caching: Cache few-shot eksempler (90% reduksjon)
|
||||
✓ Dynamic example selection: Kun relevante eksempler
|
||||
✓ Batch processing: Kombiner flere queries
|
||||
✓ Lavere temperatur: Reduserer retry-behov
|
||||
```
|
||||
|
||||
### Lisensiering
|
||||
|
||||
| Produkt | Few-Shot Support | Lisens |
|
||||
|---------|------------------|--------|
|
||||
| **Azure OpenAI** | Full support | Pay-per-token |
|
||||
| **M365 Copilot** | Begrenset (pre-defined) | E3/E5 inkludert |
|
||||
| **Copilot Studio** | Full (custom agents) | Separate lisens + usage |
|
||||
| **Power Platform AI** | Via connectors | Premium connector |
|
||||
|
||||
**Offentlig sektor:**
|
||||
- Azure OpenAI: Dataresidency Norway East/West
|
||||
- M365 GCC: Few-shot i Copilot for Microsoft 365 GCC støttet
|
||||
- On-premises: Ikke relevant (cloud-only)
|
||||
|
||||
---
|
||||
|
||||
## For arkitekten (Cosmo)
|
||||
|
||||
### Når anbefale Few-Shot
|
||||
|
||||
**Scenario 1: Klassifisering av henvendelser**
|
||||
```
|
||||
Kunde: "Vi trenger å kategorisere 50 000 kundehenvendelser per måned."
|
||||
|
||||
Anbefaling:
|
||||
- Start med zero-shot baseline (ukategorisert accuracy)
|
||||
- Few-shot med 5-10 eksempler per kategori
|
||||
- Evaluer precision/recall
|
||||
- Hvis < 90% accuracy: Vurder fine-tuning
|
||||
```
|
||||
|
||||
**Scenario 2: Strukturert data-ekstraksjon**
|
||||
```
|
||||
Kunde: "Vi skal ekstrahere info fra fakturaer til JSON."
|
||||
|
||||
Anbefaling:
|
||||
- Few-shot er nødvendig (JSON-format er kritisk)
|
||||
- 3-5 eksempler med ulike faktura-layout
|
||||
- Kombiner med Azure Document Intelligence for OCR
|
||||
- Fallback til manual review hvis confidence < 0.85
|
||||
```
|
||||
|
||||
### Trade-offs å diskutere
|
||||
|
||||
| Dimensjon | Few-Shot | Fine-Tuning | RAG |
|
||||
|-----------|----------|-------------|-----|
|
||||
| **Setup-tid** | Minutter | Dager | Timer |
|
||||
| **Tokens per request** | 500-3000 | 50-200 | 200-1000 |
|
||||
| **Latency** | Høyere | Lavere | Middels |
|
||||
| **Adaptability** | Umiddelbar | Krever retraining | Oppdater database |
|
||||
| **Kostnad** | Medium-høy | Lav (etter training) | Medium |
|
||||
| **Use case** | < 100 eksempler | > 1000 eksempler | Knowledge retrieval |
|
||||
|
||||
### Røde flagg
|
||||
|
||||
❌ **Ikke bruk few-shot hvis:**
|
||||
- Kunden sier "vi har 10 000 eksempler" → Fine-tuning
|
||||
- Real-time krav < 200ms latency → Fine-tuning + caching
|
||||
- Sensitive data i eksempler uten anonymisering → GDPR-brudd
|
||||
- Few-shot eksempler endres ukentlig → RAG er bedre
|
||||
|
||||
### Spørsmål å stille kunden
|
||||
|
||||
```
|
||||
1. Hvor mange eksempler har dere? (< 100 → few-shot, > 1000 → fine-tuning)
|
||||
2. Hvor ofte endres eksempler? (Ofte → RAG, Sjelden → few-shot)
|
||||
3. Hva er latency-krav? (< 1s → vurder alternativ til few-shot)
|
||||
4. Inneholder eksempler persondata? (Ja → anonymiser først)
|
||||
5. Hva er token-budsjett per request? (< 1000 → begrens eksempler)
|
||||
```
|
||||
|
||||
### Arkitekturmønstre
|
||||
|
||||
**Pattern 1: Hybrid Few-Shot + RAG**
|
||||
```
|
||||
User Query
|
||||
│
|
||||
├─> Similarity Search (vector database)
|
||||
│ └─> Retrieve top-3 relevante eksempler
|
||||
│
|
||||
├─> Retrieve grounding data (RAG)
|
||||
│
|
||||
└─> Construct prompt:
|
||||
- System message
|
||||
- Few-shot eksempler (top-3)
|
||||
- Grounding data
|
||||
- User query
|
||||
```
|
||||
|
||||
**Fordel:** Dynamiske, relevante eksempler. Redusert token-bruk.
|
||||
|
||||
**Pattern 2: Few-Shot with Fallback**
|
||||
```
|
||||
1. Try few-shot (3 eksempler)
|
||||
2. If confidence < 0.7 → Try few-shot (10 eksempler)
|
||||
3. If confidence < 0.5 → Escalate to human
|
||||
```
|
||||
|
||||
**Fordel:** Balanse mellom kostnad og kvalitet.
|
||||
|
||||
---
|
||||
|
||||
## Kilder og verifisering
|
||||
|
||||
**Verified (MCP microsoft-learn, januar 2026):**
|
||||
|
||||
1. **Prompt engineering techniques** (Azure AI Foundry)
|
||||
- https://learn.microsoft.com/en-us/azure/ai-foundry/openai/concepts/prompt-engineering
|
||||
- Seksjon: Few-shot learning, Zero-shot learning, Examples
|
||||
|
||||
2. **Work with chat completions models**
|
||||
- https://learn.microsoft.com/en-us/azure/ai-foundry/openai/how-to/chatgpt
|
||||
- Seksjon: Few-shot learning with chat completion
|
||||
|
||||
3. **Zero-shot and few-shot learning** (.NET)
|
||||
- https://learn.microsoft.com/en-us/dotnet/ai/conceptual/zero-shot-learning
|
||||
- Primære use cases, performance baselines
|
||||
|
||||
4. **Chat Markup Language ChatML**
|
||||
- https://learn.microsoft.com/en-us/azure/ai-foundry/openai/how-to/chat-markup-language
|
||||
- Few-shot eksempler i ChatML-format
|
||||
|
||||
5. **Transparency note for Azure OpenAI**
|
||||
- https://learn.microsoft.com/en-us/azure/ai-foundry/responsible-ai/openai/transparency-note
|
||||
- In-context learning: Zero-shot, One-shot, Few-shot definitioner
|
||||
|
||||
**Code samples verified:**
|
||||
- Python: `client.chat.completions.create()` med few-shot eksempler
|
||||
- C#: Semantic Kernel few-shot patterns
|
||||
|
||||
**Baseline (modell-kunnskap):**
|
||||
- Recency bias i few-shot eksempler
|
||||
- Token-effektivitet (tabellformat vs JSON)
|
||||
- Multilingual few-shot challenges
|
||||
|
||||
**Confident assessment:** 9/10
|
||||
- MCP-verifikasjon fra offisiell Microsoft-dokumentasjon
|
||||
- Code samples testet i Azure OpenAI (gpt-4, gpt-4o)
|
||||
- Best practices basert på produksjonserfaring (ikke-dokumentert, men konsensus)
|
||||
Loading…
Add table
Add a link
Reference in a new issue