Como funciona
Em vez de apenas descrever a tarefa, você mostra 2 a 5 exemplos de como a resposta deve ser. O modelo usa esses exemplos como contexto para gerar a resposta no mesmo formato. É uma das técnicas mais eficazes para melhorar resultados sem retreinar o modelo.
A técnica funciona porque LLMs são bons em reconhecer padrões. Ao ver exemplos, o modelo infere o formato, o tom e a lógica da tarefa. Isso é especialmente útil para tarefas com formato de saída específico (JSON, classificação, extração).
Few-shot é diferente de fine-tuning. Fine-tuning muda os pesos do modelo. Few-shot apenas adiciona contexto ao prompt. É mais rápido e mais barato, mas menos poderoso para tarefas muito específicas.
Exemplo pratico
Para classificar sentimentos de reviews, em vez de "classifique o sentimento", você envia: "Review: 'amei o produto' → Positivo. Review: 'péssimo atendimento' → Negativo. Review: 'entrega rápida, produto ok' → ?". O modelo responde "Positivo/Neutro" seguindo o padrão.
Para extração de dados, você pode mostrar: "Texto: 'João Silva, 30 anos, São Paulo' → Nome: João Silva, Idade: 30, Cidade: São Paulo". Depois enviar um novo texto e o modelo extrai os campos no mesmo formato.
Para que serve
Melhorar a qualidade e consistência das respostas de LLMs em tarefas específicas. Reduzir a necessidade de fine-tuning. Padronizar o formato de saída.
Para desenvolvedores, isso significa criar prompts mais eficazes com menos tentativa e erro. Para prompt engineers, é uma ferramenta essencial do dia a dia.
Diferenca entre zero-shot, one-shot e few-shot
Zero-shot: sem exemplos, apenas a instrução. Funciona para tarefas simples e modelos capazes. One-shot: um exemplo. Ajuda o modelo a entender o formato. Few-shot: vários exemplos (2-5). Melhor para tarefas complexas ou com formato específico.
Mais exemplos nem sempre são melhores. Muitos exemplos consomem tokens e podem confundir o modelo. O ideal é usar o mínimo necessário para o modelo entender o padrão.