One-shot

1. 자주 반복하는 한 가지 업무(분류·요약·추출·카피 작성)를 고릅니다
2. 그 업무의 "가장 좋은 결과물" 한 건을 골라 입력·출력 쌍으로 정리합니다
3. 시스템 프롬프트에 지시문 한 줄과 함께 그 한 쌍만 붙입니다
4. 예시를 뺀 zero-shot 버전과 결과를 비교해 형식·톤·정확도 차이를 메모합니다
5. 한 건으로 부족한 케이스가 보이면 그때 예시 1~2개를 추가해 few-shot으로 확장합니다

예시가 한 건뿐이라 그 한 건이 가진 편향·실수가 결과에 그대로 옮겨옵니다. GPT-3 논문 기준 SuperGLUE 같은 추론 벤치마크에서는 one-shot이 zero-shot보다 오히려 낮게 나오는 구간도 관찰됐고, TriviaQA에서도 one-shot 68.0% vs few-shot 71.2%로 예시 한 건만으로는 천장에 닿지 않습니다.^[1] 분류 과제에서도 라벨이 여러 개일 때 한 건의 예시는 한 카테고리에만 신호를 주기 때문에, 클래스 경계가 복잡하면 few-shot이 더 안정적입니다.^[5] 또 예시 한 건이 비전형적이거나 오류를 포함하면 모델이 그 오류까지 학습된 패턴으로 따라가는 위험이 있어, "어떤 한 건을 고르는가"가 그대로 품질 좌우 변수가 됩니다.^[3]

진화 방향은 두 갈래입니다.

1. 모델 자체가 똑똑해지면서 one-shot이 가장 의미 있는 구간이 좁아지고 있습니다. OpenAI·Anthropic 공식 문서는 "추론 모델에서는 zero-shot으로 먼저 시도하고, 부족하면 예시 한 건부터 보강하라"는 단계적 접근을 명시합니다.^[3][4] GPT-4·Claude 세대 zero-shot이 GPT-3 시대의 one-shot 점수에 근접하면서, 굳이 예시를 끼우지 않아도 형식이 잡히는 작업이 늘어나고 있습니다. 2024년 9월 OpenAI o1 발표 이후 등장한 추론 모델 흐름에서는 모델이 응답 전에 자체적으로 단계를 짚기 때문에 사용자가 예시로 형식을 잡아 줘야 할 필요가 한 번 더 줄어듭니다.^[4]
2. 사용자 입력과 가장 비슷한 한 건을 벡터 검색으로 그때그때 골라 끼우는 "동적 one-shot"이 RAG 기반 생산 시스템의 표준이 되고 있습니다.^[3] 정적인 예시 한 건을 매번 똑같이 붙이는 대신, 입력과 가장 닮은 사례를 그 자리에서 가져와 끼우는 방식이라 토큰 비용은 거의 그대로 두면서 케이스별 적합도를 끌어올릴 수 있습니다. 정리하면 one-shot은 "한 건이면 충분한 작업"과 "few-shot으로 넘어가기 전 시험 단계" 두 자리에서 가장 효율이 높고, 어떤 작업에 어느 만큼의 예시·추론 예산을 쓸지 그 균형을 잡는 것이 실무 설계의 핵심입니다.