Zero-shot prompting — Instruktion uden eksempler
Zero-shot prompting giver modellen en instruktion uden eksempler. Det er udgangspunktet for alle prompts — og tilstrækkeligt til mange standardopgaver.
Zero-shot prompting er den grundlæggende form for prompting: du giver modellen en instruktion, og den udfører opgaven uden at have set eksempler på ønsket output. Det er udgangspunktet for enhver interaktion med en sprogmodel — og tilstrækkeligt til langt de fleste standardopgaver.
Hvad zero-shot er
Begrebet “zero-shot” stammer fra machine learning-forskning, hvor det refererer til en models evne til at udføre en opgave den ikke er specifikt trænet på. I promptingkontekst betyder det: ingen eksempler (shots) på ønsket input-output-par.
Alle tre promptingstyler adresserer det samme problem — at fortælle modellen præcist hvad den skal gøre — men på forskellig måde:
Zero-shot: “Kategoriser dette søgeord efter søgeintention: [søgeord]”
One-shot: “Kategoriser søgeintention. Eksempel: ‘køb iphone’ → transactional. Nu: [søgeord]”
Few-shot: “Kategoriser søgeintention. Eksempler: [5 input/output-par]. Nu: [søgeord]“
Hvornår zero-shot er tilstrækkeligt
Zero-shot fungerer godt til:
- Simple, veldefinerede opgaver — oversættelse, stavekontrol, opsummering
- Standardformater — JSON, markdown, bullet points der er veldefinerede i træningsdata
- Viden modellen allerede har — forklaring af kendte begreber, generel tekstgenerering
- Enkle klassifikationer — positiv/negativ sentiment, ja/nej vurderinger
Moderne modeller som Claude Sonnet og GPT-4o er kapable nok til at følge komplekse instruktioner zero-shot, forudsat instruksen er præcis og utvetydig.
Hvornår zero-shot fejler
Zero-shot er utilstrækkeligt når:
Output-formatet er meget specifikt. Hvis du ønsker output i et proprietært format der ikke svarer til standardformater, har modellen ingen reference for hvad “korrekt” ser ud. Few-shot med eksempler er markant bedre.
Opgaven kræver domænespecifik vurdering. “Vurder om denne tekst lever op til Stegger.dk’s tone” — uden eksempler på hvad den tone er, gætter modellen. Med eksempler kan den kalibrere.
Klassifikation med mange kategorier. Med 10+ kategorier og nuancerede grænseflader mellem dem giver eksempler på edge cases markant bedre konsistens.
Bedste praksis for zero-shot
Vær specifik om output-format. I stedet for “kategoriser disse søgeord” skriv “returner et JSON-array med objekter med felterne ‘keyword’ og ‘intention’ (værdierne ‘informational’, ‘commercial’, ‘transactional’, ‘navigational’)”.
Brug systemp-prompt til kontekst. Sæt rollen og opgaven i systemp-prompten, ikke i user-prompten. Det giver modellen bedre kontekst og mere konsistente svar.
Test output-variansen. Kør den samme zero-shot prompt 3-5 gange. Hvis output varierer markant, er opgaven et kandidat til few-shot eller chain-of-thought.
Tilføj eksempler ved behov — ikke som standard. Begynd med zero-shot, evaluer output-kvaliteten, og tilføj eksempler kun hvis det er nødvendigt. Unødvendige eksempler forbruger tokens og øger prompt-kompleksiteten uden gevinst.
Sidst opdateret: marts 2026. Denne artikel er en del af Stegger.dk’s SEO-ordbog.
Andre artikler i samme emne
- Chain-of-thought — Få LLM'er til at tænke højt og ræsonnere bedre
- Few-shot prompting — Lær modellen via eksempler i prompten
- Prompt chaining — Kæde af prompts til komplekse AI-workflows
- Prompt engineering til SEO — Teknikker der faktisk virker
- Structured output — Få LLM'er til at returnere JSON og andre formater
- System prompt — Instruktioner der definerer modellens adfærd
Ofte stillede spørgsmål
- Hvad er zero-shot, one-shot og few-shot prompting?
- Zero-shot: du giver kun en instruktion uden eksempler. One-shot: du giver ét eksempel på ønsket input/output. Few-shot: du giver 2-5 eksempler. Jo mere kompleks opgaven er og jo mere specifikt formatet er, jo mere sandsynligt er det at few-shot giver bedre output end zero-shot. For simple, veldefinerede opgaver er zero-shot tilstrækkeligt.
- Hvornår fejler zero-shot prompting?
- Zero-shot fejler typisk ved: meget specifikt output-format der afviger fra standardformater, domænespecifikke opgaver med særlig terminologi, opgaver der kræver nuanceret vurdering efter specifikke kriterier, og klassifikationsopgaver med mange kategorier. I disse tilfælde giver few-shot prompting med konkrete eksempler markant bedre resultater.
- Er zero-shot prompting det samme som en simpel prompt?
- Zero-shot refererer specifikt til fravær af eksempler — ikke til promptens kompleksitet. En zero-shot prompt kan være meget detaljeret med en lang systemp-prompt, rollebeskrivelse og præcis output-specifikation. Det den ikke har er konkrete input/output-eksempler. En simpel prompt er typisk zero-shot, men zero-shot kan sagtens være sofistikeret.
Placering i ordbogen
- Chain-of-thought — Få LLM'er til at tænke højt og ræsonnere bedre
- Few-shot prompting — Lær modellen via eksempler i prompten
- Prompt chaining — Kæde af prompts til komplekse AI-workflows
- Prompt engineering til SEO — Teknikker der faktisk virker
- Structured output — Få LLM'er til at returnere JSON og andre formater
- System prompt — Instruktioner der definerer modellens adfærd