Few-Shotプロンプティングは、大規模言語モデル（LLM）に対して、指示文の中に少数の具体例（入出力のペア）を提示することで、望ましい出力形式や回答パターンを模倣させるプロンプト手法です。ファインチューニングをせず、モデルの文脈理解能力を活用して高精度な出力を得られるため実用性に優れています。
Few-Shotプロンプティングとは
Few-Shotプロンプティング（少発プロンプティング）とは、大規模言語モデル（LLM）へ指示を出す際、タスクの説明に加えていくつかの具体的な「入力と出力の例（デモンストレーション）」をプロンプト内に含めることで、モデルに期待する出力形式や推論パターンを理解させるプロンプトエンジニアリングの手法です。
詳しく解説
この手法は、大規模言語モデルの「インコンテキスト学習（In-Context Learning）」という特性に基づいています。モデル自体のパラメータ（重み）を更新するファインチューニングとは異なり、推論時のコンテキスト（文脈）の中に例示を組み込むだけで、即座にタスクへの適応力を向上させることができます。特に、感情分析におけるネガポジ判定や、特定の構造化データ（JSONや特定の形式）への変換、複雑な分類タスクなどにおいて、一貫性のある高精度な出力を得るために極めて重要なテクニックです。提示する例の数（ショット数）は一般的に数個から十数個程度であり、例の質や順序が出力の品質に大きく影響を与えることが研究で知られています。
具体例・使われ方
例えば、感情分析を行う場合、単に「以下のテキストの感情を判定してください」と指示するのではなく、以下のように具体例を提示します。「『この映画は最高だった。』 -> ポジティブ」「『時間の無駄でした。』 -> ネガティブ」「『ストーリーは普通だった。』 -> ニュートラル」という3つの例（3-shot）を提示した後に、「『配役は良かったが展開が遅い。』 -> 」と入力することで、モデルは提示された例のフォーマットと判断基準に従って、正確に判定結果を出力することができます。
似た用語との違い
Zero-Shotプロンプティングが「例示を一切与えずに指示だけでタスクを実行させる手法」であるのに対し、Few-Shotプロンプティングは「少数の例示を与える手法」です。また、これらとは異なり、モデル自体のパラメータを大量のデータを用いて最適化する「ファインチューニング」とも区別されます。ファインチューニングは時間と計算コストがかかりますが、Few-Shotプロンプティングは推論時のプロンプト工夫のみで完結するため、手軽かつ即座に実行できるという違いがあります。
注意点
注意点として、プロンプトに例示を含めることで入力トークンが増加し、APIの利用料金や処理の遅延（レイテンシ）が増える点が挙げられます。また、提示する例の順番や選択した例の偏り（バイアス）によって、モデルの出力結果が特定の回答に偏ってしまう現象（多数派バイアスや新近性バイアス）が発生しやすいため、例示の選定や配置には慎重な設計が必要です。