[Prompting] One-Shot Prompting

One-Shot Prompting, One-shot prompting, one-shot, one shot, 1-shot, 원샷 프롬프팅, single-shot

정의

One-shot prompting 은 프롬프트에 정확히 1개의 입력-출력 예시 를 함께 제공하는 프롬프팅입니다. K=1 인 few-shot 의 특수 케이스이자 zero-shot 과 few-shot 사이의 경계입니다.

GPT-3 논문 (Brown et al., 2020) 이 zero-shot / one-shot / few-shot 세 축으로 실험 테이블을 구성하면서 명확한 용어로 자리잡았습니다.

In-Context Learning 스펙트럼

flowchart LR
    ZS["Zero-Shot\nK=0\n예시 없음\n지시문만"] --> OS["One-Shot\nK=1\n예시 1개"]
    OS --> FS["Few-Shot\nK=2+\n예시 2개 이상"]
    FS --> FT["Fine-Tuning\n가중치 업데이트\n별도 학습"]
    style OS fill:#f0f4ff,stroke:#4466cc

방법	예시 수	형식 강제력	비용
Zero-Shot	0	낮음	최소
One-Shot	1	중간	소폭 증가
Few-Shot	2+	높음	K 배 증가
Fine-Tuning	수천	매우 높음	학습 비용

언제 쓰나

One-shot 이 유용한 지점은 좁습니다.

1. 출력 형식만 강제 하고 싶을 때 (JSON 스키마, 특정 어투)
2. 예시 하나로 충분한 단순 매핑 (레이블 몇 개 안 되는 분류, 도메인 없는 정렬 등)
3. 컨텍스트 예산이 빡빡 해서 예시를 더 많이 못 넣을 때
4. 파일럿 실험: few-shot 으로 확장하기 전에 K=1 로 형식만 맞춰 보기

기본 구조

{지시문}

Input: {예시 입력}
Output: {예시 출력}

Input: {실제 질의}
Output:

Chat API 에서는 user/assistant 각 1회 왕복 예시:

[
  {"role": "system", "content": "다음 문장을 formal 한국어로 다시 써 주세요."},
  {"role": "user", "content": "야 이거 어떻게 해?"},
  {"role": "assistant", "content": "이것을 어떻게 처리하면 좋을까요?"},
  {"role": "user", "content": "{실제 입력}"}
]

Zero-Shot / Few-Shot 과 비교

축	Zero-shot	One-shot	Few-shot
예시 수	0	1	2 이상
형식 강제력	낮음 (지시문만)	중간	높음
도메인 규칙 학습	안 됨	어렵	가능
입력 비용	최소	소폭 증가	K 배 증가
Recency bias	없음	유일한 예시 = 강한 앵커	마지막 예시 편중

핵심: One-shot 예시는 유일하므로 그 자체가 강한 앵커 로 작용합니다. Recency bias 를 다양화로 완화할 방법이 없어, 예시가 대표성을 잃으면 오히려 zero-shot 보다 성능이 나빠질 수 있습니다.

Min et al. 재조명

Min et al. (2022) “Rethinking the Role of Demonstrations” 결과가 one-shot 에도 적용됩니다:

• 예시의 입력 도메인 이 실제 질의와 다르면 큰 손해
• 예시의 라벨 을 랜덤으로 바꿔도 성능이 크게 안 떨어지는 경우 (형식 시그널이 지배)
• 예시가 형식 스펙만 알려주고 실제 규칙은 지시문이 전달

이는 one-shot 에서 특히 강하게 나타납니다: 한 예시가 모든 신호를 담당하기 때문.

Chain-of-Thought 와 결합

One-shot + CoT 는 흔한 조합. 사슬 예시 1개를 넣어 형식과 추론 스타일 모두 유도:

Q: If a train leaves at 3pm and travels 60 mph for 2 hours, where is it?
A: The train travels 60 miles per hour. After 2 hours it has gone 60 * 2 = 120 miles.
   The answer is 120 miles from the start.

Q: {question}
A:

이 방식이 zero-shot CoT (“Let’s think step by step”) 보다 정확도가 높을 때가 많습니다. 형식과 사슬 스타일을 모두 명시하기 때문.

예시 선택 기준

One-shot 은 예시 하나가 결과를 좌우하므로 선택이 매우 중요합니다.

1. 대표성: 실제 질의 분포의 중앙에 있는 예시
2. 정보량: 지시문에서 놓친 규칙을 예시가 채워줌
3. 간결성: 너무 긴 예시는 컨텍스트 낭비 + 모델 주의 분산
4. 명확한 라벨: 애매한 경계 케이스는 오히려 혼선

프로덕션에서는 입력을 임베딩해 유사도 top-1 예시 를 동적으로 선택하는 retrieval-based one-shot 이 실전에서 강합니다.

실전 예시

감성 분류

prompt = """Classify the sentiment of the review as Positive or Negative.

Review: "The food was absolutely amazing and the staff was super friendly!"
Sentiment: Positive

Review: "{review}"
Sentiment:"""

구조화 출력 (JSON 스키마 강제)

prompt = """Extract the key information from the meeting note as JSON.

Note: "Team sync on Jan 5. Attendees: Alice, Bob. Action items: Alice to send report by Jan 10."
JSON: {"date": "Jan 5", "attendees": ["Alice", "Bob"], "action_items": [{"owner": "Alice", "task": "send report", "due": "Jan 10"}]}

Note: "{meeting_note}"
JSON:"""

코드 변환 (Python to TypeScript)

prompt = """Convert the Python function to TypeScript.

Python:
def add(a: int, b: int) -> int:
    return a + b

TypeScript:
function add(a: number, b: number): number {
    return a + b;
}

Python:
{python_code}

TypeScript:"""

Retrieval-Based One-Shot (동적 예시 선택)

정적으로 예시를 고르지 않고, 입력과 가장 유사한 예시를 예시 풀에서 검색해 삽입. RAG 와 결합한 패턴이다.

from sentence_transformers import SentenceTransformer
import numpy as np

model = SentenceTransformer("all-MiniLM-L6-v2")

# 예시 풀 (질의, 정답) 쌍
example_pool = [
    ("What is the capital of France?", "The capital of France is Paris."),
    ("How do I sort a list in Python?", "Use list.sort() or sorted(list)."),
    # ... 수백~수천 개
]

# 오프라인: 예시 임베딩
example_embeddings = model.encode([ex[0] for ex in example_pool])

def select_one_shot_example(query: str) -> tuple[str, str]:
    q_emb = model.encode([query])
    scores = np.dot(example_embeddings, q_emb.T).squeeze()
    best_idx = scores.argmax()
    return example_pool[best_idx]

query = "What is the tallest mountain in the world?"
ex_input, ex_output = select_one_shot_example(query)

prompt = f"""Answer the geography question.

Q: {ex_input}
A: {ex_output}

Q: {query}
A:"""

One-Shot 결정 플로우

flowchart TD
    Start["새 프롬프트 설계"] --> Q1{"출력 형식만\n강제하면 되나?"}
    Q1 -->|Yes| Q2{"structured output\nAPI 지원?"}
    Q2 -->|Yes| SO["response_format / JSON schema\n(One-shot 불필요)"]
    Q2 -->|No| OS["One-Shot 사용"]
    Q1 -->|No| Q3{"도메인 규칙\n학습 필요?"}
    Q3 -->|No| OS
    Q3 -->|Yes| Q4{"컨텍스트 예산?"}
    Q4 -->|"빡빡"| OS
    Q4 -->|"여유 있음"| FS["Few-Shot (K>=3)"]

언제 One-shot 이 최적인가

• 예시가 실제 질의와 매우 유사할 때 (retrieval-augmented one-shot)
• 지시문 + 예시 조합이 API 응답 스키마를 명확히 고정할 때
• CoT 스타일을 정확히 지정하고 싶을 때 (사슬 예시 1개)
• 컨텍스트 예산이 매우 제한적 (모바일 온디바이스 등)

함정

관련 위키

• Zero-Shot Prompting - K=0
• Few-Shot Prompting - K>=2
• Chain-of-Thought - one-shot CoT 조합
• Function Calling - 형식 강제의 대안
• LLM RAG - 유사도 기반 예시 검색
• HELM - 다양한 shot 조건에서의 평가
• BIG-Bench - one-shot 성능 다양성 실험