PROMPT BUILDER • LESSON 8

Zero-shot, One-shot និង Few-shot

by Sot Dimong

27 កក្កដា 2026

ផ្តល់តែការណែនាំពេល Task សាមញ្ញ, បន្ថែមគំរូមួយពេលចង់បង្ហាញទម្រង់ និងប្រើគំរូច្រើនពេល AI ត្រូវរៀន Pattern ឬករណីព្រំដែន។

រយៈពេលប្រហែល ២១ នាទី

Prompt Mission • Level 8 ជ្រើសចំនួន Example សមស្រប និងរៀប Input/Output Pair ឱ្យ AI ចាប់ Pattern ត្រឹមត្រូវ

0 XP

ចាប់ផ្តើម

សេចក្តីផ្តើម
ការណែនាំពន្យល់ច្បាប់ដោយពាក្យ។ Example បង្ហាញច្បាប់នោះជាក់ស្តែង។ ពេល Output ត្រូវមាន Tone, Label ឬ Pattern ពិសេស គំរូ Input → Output អាចធ្វើឱ្យ AI យល់លឿនជាងការពន្យល់វែង។ ប៉ុន្តែ Example ខ្សោយក៏អាចបង្រៀន Pattern ខុសបានដែរ។

គោលបំណងមេរៀននេះ
បន្ទាប់ពីរៀនចប់ អ្នកអាចបែងចែក Zero-shot, One-shot និង Few-shot; ជ្រើសវិធីតាមភាពស្មុគស្មាញ; សរសេរ Example Pair មាន Label; បន្ថែម Edge Case និងសាកល្បង Prompt លើ Input ថ្មី។

១. Zero-shot, One-shot និង Few-shot ជាអ្វី?

ពាក្យ shot នៅទីនេះមានន័យថា «គំរូ» ដែលដាក់ក្នុង Prompt។ ចំនួន shot មិនមែនជាច្បាប់ថេរ; វាជាវិធីគិតថា AI ត្រូវការគំរូប៉ុន្មានដើម្បីយល់ Task និង Pattern។

Zero-shotមិនផ្តល់ Example។ ផ្តល់ Task, Context, Constraints និង Output Format តែប៉ុណ្ណោះ។

One-shotផ្តល់ Example មួយ ដើម្បីបង្ហាញ Tone, Structure ឬរបៀបបម្លែង Input ទៅ Output។

Few-shotផ្តល់ Example ច្រើនដែលបង្ហាញ Pattern, Variation និងករណីព្រំដែនសំខាន់ៗ។

Test SetInput ថ្មីដែលមិនមានក្នុង Example សម្រាប់ពិនិត្យថា AI រៀនច្បាប់—not ចម្លងគំរូ។

Zero-shot«ចាត់ថ្នាក់អត្ថបទជា Fact, Opinion ឬ Unknown ហើយឆ្លើយជា JSON»។

Few-shotផ្តល់គំរូ Fact មួយ, Opinion មួយ និង Unknown មួយ មុនដាក់ Input ថ្មី។

Few-shot មិនមានន័យថាច្រើនជានិច្ច។ ចាប់ផ្តើមដោយគំរូតិចបំផុតដែលបង្ហាញ Pattern បានគ្រប់ ហើយបន្ថែមតែពេលការសាកល្បងបង្ហាញកំហុសជាក់លាក់។

២. តើពេលណាគួរជ្រើស Shot នីមួយៗ?

ប្រើ Zero-shot ជាជម្រើសដំបូងសម្រាប់ Task សាមញ្ញ និងមានច្បាប់ច្បាស់។ ប្តូរទៅ One-shot ពេល Output ត្រូវតាម Style ឬ Template ជាក់លាក់។ ប្រើ Few-shot ពេល Label ងាយច្រឡំ, មានករណីព្រំដែន ឬត្រូវរក្សា Pattern ដដែលលើ Input ច្រើន។

Zero-shot៖ លឿន និងខ្លីសង្ខេបអត្ថបទ, បម្លែង Format ឬសរសេរ Checklist ដែលមានច្បាប់ច្បាស់។

One-shot៖ បង្ហាញគំរូគោលCaption មានលំដាប់ផ្នែកពិសេស, Email Style ឬ JSON Object មួយដែលត្រូវធ្វើតាម។

Few-shot៖ បង្ហាញ VariationClassification, Tone adaptation, Data extraction ឬ Rule ដែលមាន Positive/Negative/Unknown cases។

កុំបន្ថែម Example ដោយស្វ័យប្រវត្តិExample ច្រើនធ្វើឱ្យ Prompt វែង ថ្លៃ និងអាចមានច្បាប់ប៉ះទង្គិចគ្នា។

EXAMPLE SELECTION LAB

SHOT SELECTOR • ជ្រើសចំនួនគំរូតាម Task

READY

ជ្រើស Task ដើម្បីមើលថា Zero-shot, One-shot ឬ Few-shot សមស្របជាង។ នេះជាគំរូបង្ហាញ—not ការហៅ AI ពិត។

TASKសង្ខេបអត្ថបទច្បាប់ច្បាស់

SHOT
SELECTOR

STRATEGYZERO-SHOTTask + Constraints + Format

ចាប់ផ្តើមដោយ Zero-shot៖ បញ្ជាក់ប្រវែង, អ្នកអាន, Fact rule និង Output Format។ បន្ថែម Example តែពេល AI មិនរក្សា Structure ឬ Tone តាមតម្រូវការ។

៣. រៀបចំ Example ជា Input → Output Pair

Example ត្រូវមានព្រំដែនច្បាស់ និងប្រើ Label ដដែលៗ៖ EXAMPLE INPUT, EXAMPLE OUTPUT និង NEW INPUT។ កុំលាយគំរូជាមួយការងារពិត ហើយត្រូវបញ្ជាក់ថា AI ត្រូវរៀន Pattern ណា។

គំរូ ONE-SHOT CLASSIFICATION

TASK៖ ចាត់ថ្នាក់ Claim ជា FACT, OPINION ឬ UNKNOWN ដោយប្រើតែព័ត៌មានក្នុង Claim និង Context។ EXAMPLE INPUT៖ «Leverage អាចបង្កើនទាំងចំណេញ និងខាត»។ EXAMPLE OUTPUT៖ {"label":"FACT","reason":"Claim ពន្យល់ឥទ្ធិពលទូទៅដោយមិនធានាលទ្ធផល"}។ NEW INPUT៖ «Strategy នេះល្អបំផុតសម្រាប់ Trader គ្រប់គ្នា»។ ឆ្លើយតាម JSON Structure ដូច Example ប៉ុណ្ណោះ។

Example មួយគួរបង្ហាញទាំង ខ្លឹមសារ និង ទម្រង់ ដែលអ្នកចង់បាន។ បើអ្នកចង់ឱ្យ AI រៀនតែ Format ត្រូវប្រាប់ឱ្យច្បាស់ថា Fact ក្នុង Example មិនមែនជាប្រភពសម្រាប់ NEW INPUT ទេ។

៤. ជ្រើស Example ដែលមានភាពចម្រុះ និង Edge Case

Few-shot ល្អមិនមែនជាគំរូដែលដូចគ្នាច្រើនដងទេ។ វាគួរតំណាងឱ្យករណីធម្មតា, ករណីផ្ទុយ, ករណីព័ត៌មានខ្វះ និងករណីព្រំដែនដែលងាយច្រឡំ។

Positive Caseបង្ហាញ Input ដែលសមនឹង Label ឬ Pattern ច្បាស់លាស់។

Negative Caseបង្ហាញអ្វីដែលមិនត្រូវចាត់ថ្នាក់ ឬមិនត្រូវបញ្ចូលក្នុង Output។

Unknown Caseបង្ហាញពេលព័ត៌មានមិនគ្រប់ និងរបៀបប្រើ unknown, null ឬ «ត្រូវផ្ទៀងផ្ទាត់»។

Boundary Caseបង្ហាញករណីដែលស្រដៀង Label ពីរ និងបញ្ជាក់ច្បាប់សម្រេច។

រក្សាគំរូឱ្យខ្លី ត្រឹមត្រូវ និងស្មើគ្នា។ បើ Example មួយលម្អិតជាងគេ AI អាចផ្តល់ទម្ងន់លើវាច្រើនជាងច្បាប់ផ្សេង។ រៀបលំដាប់ឱ្យមិនបង្ក Bias និងកុំប្រើគំរូដែលមានទិន្នន័យសម្ងាត់។

៥. សាកល្បងលើ Input ថ្មី និងជៀសវាង Example Leakage

បន្ទាប់ពីបង្កើត Few-shot Prompt ត្រូវសាកល្បងលើ Input ដែលមិនមានក្នុង Example។ ពិនិត្យថា AI អនុវត្ត Rule មែន ឬគ្រាន់តែចម្លងពាក្យ ឈ្មោះ តួលេខ និង CTA ពីគំរូ។

គំរូល្អមាន Label ច្បាស់, គ្របដណ្តប់ករណីសំខាន់, Output ត្រឹមត្រូវ, គ្មាន Secret និងប្រើ Format ដូចគ្នា។

គំរូខ្សោយច្បាប់ប៉ះទង្គិច, Label មិនស្មើគ្នា, Fact ខុស, មានតែ Happy Path ឬមានអត្ថបទពិតដែល AI អាចចម្លងខុសកន្លែង។

បើ Output ខុស ស្វែងរកកំហុសជាក់លាក់៖ Label មិនច្បាស់? ខ្វះ Edge Case? Example មាន Pattern ផ្ទុយ? បន្ទាប់មកកែគំរូតែចំណុចនោះ និង Run Test Set ម្តងទៀត។

៦. រូបមន្តអនុវត្ត៖ Few-shot Example Builder

Prompt ខាងក្រោមប្រើគំរូបីដើម្បីបង្ហាញ Label FACT, OPINION និង UNKNOWN។ គោលដៅគឺបង្រៀនការសម្រេច—not ឱ្យ AI ចម្លងពាក្យពី Example។

សាកអនុវត្ត • PROMPT ជាភាសាខ្មែរ

ROLE៖ ធ្វើជាអ្នកកែសម្រួលខ្លឹមសារអប់រំសម្រាប់ dmtrade.app។ TASK៖ ចាត់ថ្នាក់ Claim មួយជា FACT, OPINION ឬ UNKNOWN។ DEFINITIONS៖ FACT = Claim អាចគាំទ្រដោយ Input/Context ដែលបានផ្តល់; OPINION = ការវាយតម្លៃ ឬចំណង់ចំណូលចិត្ត; UNKNOWN = ត្រូវការព័ត៌មាន ឬប្រភពបន្ថែម។ OUTPUT FORMAT៖ Valid JSON តែមួយ {"label":"FACT|OPINION|UNKNOWN","reason":"ភាសាខ្មែរ ១ ប្រយោគ","needs_verification":true|false}។ EXAMPLE 1 INPUT៖ «Leverage អាចធ្វើឱ្យ Exposure ធំជាងដើមទុន»។ EXAMPLE 1 OUTPUT៖ {"label":"FACT","reason":"Claim ពន្យល់មុខងារទូទៅរបស់ Leverage","needs_verification":false}។ EXAMPLE 2 INPUT៖ «Leverage 1:100 ជាជម្រើសល្អបំផុតសម្រាប់ Trader គ្រប់គ្នា»។ EXAMPLE 2 OUTPUT៖ {"label":"OPINION","reason":"ពាក្យ “ល្អបំផុត” ជាការវាយតម្លៃ និងមិនសមនឹងមនុស្សគ្រប់គ្នា","needs_verification":false}។ EXAMPLE 3 INPUT៖ «Trader ភាគច្រើនចំណេញដោយប្រើ Leverage ខ្ពស់»។ EXAMPLE 3 OUTPUT៖ {"label":"UNKNOWN","reason":"Claim ត្រូវការទិន្នន័យ និងប្រភពដែលមិនមានក្នុង Input","needs_verification":true}។ NEW INPUT៖ «អ្នកថ្មីគួរយល់ Margin និងកំណត់ហានិភ័យមុនប្រើ Leverage»។ RULES៖ រៀនតែ Label logic និង JSON Structure ពី Example; កុំចម្លង reason; កុំប្រើ Example ជាប្រភពសម្រាប់ New Input; បើភស្តុតាងមិនគ្រប់ ជ្រើស UNKNOWN; កុំបន្ថែមពាក្យក្រៅ JSON។

៧. ពិនិត្យការយល់ដឹង

QUIZ ខ្លី

តើ Few-shot Prompt មួយណាជួយ AI ចាប់ Pattern បានត្រឹមត្រូវជាងគេ?

ចម្លើយត្រឹមត្រូវ៖ គ។ Example ដែលមាន Label, Pattern ថេរ និងករណីចម្រុះ ជួយ AI រៀនច្បាប់ ខណៈ Test Set បង្ហាញថាវាមិនគ្រាន់តែចម្លងគំរូ។

៨. ចំណុចសំខាន់ដែលត្រូវចងចាំ

Zero-shot គ្មាន Example, One-shot មានមួយ និង Few-shot មានគំរូច្រើនសម្រាប់ Pattern ឬ Edge Cases។
ចាប់ផ្តើមដោយ Zero-shot ហើយបន្ថែម Example តែពេលមានបញ្ហា Style, Format ឬការសម្រេចច្បាប់។
ប្រើ Label ដូចជា EXAMPLE INPUT, EXAMPLE OUTPUT និង NEW INPUT ដើម្បីកាត់បន្ថយភាពច្រឡំ។
Few-shot ល្អគ្របដណ្តប់ Positive, Negative, Unknown និង Boundary cases—not គំរូស្រដៀងគ្នាច្រើន។
សាកល្បងលើ Input ថ្មី និងពិនិត្យ Example Leakage, Bias, Privacy និងភាពត្រឹមត្រូវ។

ក្បួនងាយ៖ Task ច្បាស់ → Zero-shot; ចង់បង្ហាញ Style មួយ → One-shot; Label ឬ Rule មានករណីច្រើន → Few-shot។ ចំនួន Example តិចបំផុតដែលដោះស្រាយកំហុសបាន គឺជាចំនួនល្អ។

លំហាត់អនុវត្ត៖ សរសេរ Zero-shot Prompt សម្រាប់ចាត់ថ្នាក់ Claim។ សាកល្បង Claim ៥។ កត់ត្រាករណីដែលខុស រួចបន្ថែម Example តែមួយសម្រាប់កំហុសនោះ។ សាកល្បង Claim ៥ ដដែល និង Claim ថ្មី ៣ ដើម្បីប្រៀបធៀប។

EXAMPLE DESIGNER BADGE