Few-shot промптинг с релевантными примерами: качество примеров важнее количества

Парадокс: Больше примеров в few-shot промпте не значит лучше результат. Три примера высокого качества дают тот же результат что пять средних, но на 20-25% лучше чем один. Метод позволяет получать стабильно качественные ответы от LLM через правильный выбор источника и релевантности примеров — без дообучения модели. Фишка: выбирай примеры по двойной схожести (похожа задача И похоже решение), не случайно. Человеческие примеры дают +10-15% к точности против LLM-сгенерированных, и +20-25% против автоматических.