Cómo funciona
En lugar de solo describir la tarea, muestras entre 2 y 5 ejemplos de cómo debe ser la respuesta. El modelo usa esos ejemplos como contexto para generar la respuesta en el mismo formato. Es una de las técnicas más efectivas para mejorar resultados sin reentrenar el modelo.
La técnica funciona porque los LLM son buenos reconociendo patrones. Al ver ejemplos, el modelo infiere el formato, el tono y la lógica de la tarea. Esto es especialmente útil para tareas con formato de salida específico, como JSON, clasificación o extracción.
Few-shot es diferente de fine-tuning. Fine-tuning cambia los pesos del modelo. Few-shot solo añade contexto al prompt. Es más rápido y más barato, pero menos potente para tareas muy específicas.
Ejemplo práctico
Para clasificar el sentimiento de reseñas, en lugar de decir "clasifica el sentimiento", envías: "Review: 'amei o produto' → Positivo. Review: 'péssimo atendimento' → Negativo. Review: 'entrega rápida, produto ok' → ?". El modelo responde "Positivo/Neutro" siguiendo el patrón.
Para extracción de datos, puedes mostrar: "Texto: 'João Silva, 30 anos, São Paulo' → Nombre: João Silva, Edad: 30, Ciudad: São Paulo". Luego envías un texto nuevo y el modelo extrae los campos en el mismo formato.
Para qué sirve
Mejorar la calidad y consistencia de las respuestas de los LLM en tareas específicas. Reducir la necesidad de fine-tuning. Estandarizar el formato de salida.
Para desarrolladores, esto significa crear prompts más efectivos con menos prueba y error. Para prompt engineers, es una herramienta esencial del día a día.
Diferencia entre zero-shot, one-shot y few-shot
Zero-shot: sin ejemplos, solo la instrucción. Funciona para tareas simples y modelos capaces. One-shot: un ejemplo. Ayuda al modelo a entender el formato. Few-shot: varios ejemplos, de 2 a 5. Mejor para tareas complejas o con formato específico.
Más ejemplos no siempre son mejores. Muchos ejemplos consumen tokens y pueden confundir al modelo. Lo ideal es usar el mínimo necesario para que el modelo entienda el patrón.