Few-shot prompting: ejemplos frente a zero-shot
Los prompts zero-shot solo dan instrucciones; los few-shot añaden ejemplos. Cuándo los ejemplos mejoran la respuesta y cuándo causan copias, sesgo y deriva.
Examples
El few-shot prompting consiste en incluir en el prompt un puñado de ejemplos resueltos (la entrada y la salida que quieres) para que el modelo copie el patrón. Es la forma más rápida de fijar un formato o un estilo de etiquetado. La trampa es que los modelos copian todo, incluidas manías que no pretendías, así que la elección y el equilibrio de los ejemplos importan tanto como la instrucción.
Your app parses the model’s JSON, but sometimes the reply starts with “Sure! Here is the JSON:”. What is the most robust fix?
Tus 3 ejemplos para un clasificador de sentimiento están todos etiquetados como “positivo”. ¿Cuál es el efecto secundario más probable?
B. El modelo tiende a responder “positivo” Los modelos captan la distribución de etiquetas de los ejemplos. Unos ejemplos desequilibrados sesgan la salida, así que mezcla etiquetas e incluye un caso dudoso.
Zero-shot da solo una instrucción. Few-shot añade unos pocos ejemplos de entrada y salida de la tarea. Los ejemplos ayudan más cuando el formato o el criterio es difícil de describir con palabras.
Normalmente entre dos y cinco ejemplos bien elegidos y variados. Más ejemplos cuestan tokens y pueden hacer que el modelo copie en exceso detalles superficiales.
Los prompts zero-shot solo dan instrucciones; los few-shot añaden ejemplos. Cuándo los ejemplos mejoran la respuesta y cuándo causan copias, sesgo y deriva.
Obtener JSON válido de un LLM exige más que pedirlo bien. Usa esquemas, salida estructurada, validación y reintentos, y evita los fallos habituales.
Los errores de prompt engineering que causan la mayoría de las malas respuestas de la IA, de la falta de contexto a las reglas contradictorias, con su solución.
Quizzes cortos sobre decisiones reales al escribir prompts, con una explicación para cada respuesta. Gratis para empezar en iPhone y Android.