Przejdź do treści
promptowy.com / Glosario de IA / Few-shot prompting (aprendizaje con pocos ejemplos)
Prompts

Few-shot prompting (aprendizaje con pocos ejemplos)

Técnica de ingeniería de instrucciones en la que se muestran al modelo de inteligencia artificial varios ejemplos resueltos antes de pedirle la respuesta final.

El few-shot prompting es una técnica de redacción de instrucciones que consiste en proporcionar al modelo de inteligencia artificial dos, tres o cuatro ejemplos concretos de lo que se espera antes de pedirle que resuelva una tarea nueva. En lugar de explicar las reglas de forma abstracta o detallar un manual de estilo interminable, se le muestra directamente el patrón: una entrada de muestra junto con su salida ideal, repetida unas pocas veces para marcar la pauta.

Es el equivalente a enseñar a un aprendiz en un taller: en vez de darle un manual teórico de cincuenta páginas sobre cómo catalogar repuestos, le muestras tres piezas ya etiquetadas en el mostrador. El modelo detecta de inmediato el tono, la longitud, la estructura sintáctica y los criterios de clasificación, replicando ese mismo comportamiento en los datos reales que necesita procesar.

Cómo funciona el reconocimiento de patrones

Los modelos de lenguaje procesan el texto prediciendo las palabras más probables que deben seguir a una secuencia. Cuando una instrucción contiene una serie repetida de pares de pregunta y respuesta o de texto original y resultado, el modelo asume que existe una regla matemática subyacente que gobierna esa repetición.

A través de esta técnica, el sistema no necesita pasar por un nuevo entrenamiento ni modificar sus parámetros internos. Simplemente activa su capacidad de aprender en contexto (in-context learning), utilizando la memoria inmediata de la conversación para deducir las normas operativas que tú has demostrado en los ejemplos previos.

Ejemplo práctico: gestión de pedidos en una pastelería de barrio

Imagina una pastelería artesanal en el centro de Sevilla o una panadería tradicional en la colonia Roma de Ciudad de México. El negocio recibe decenas de mensajes informales por aplicaciones de mensajería durante el fin de semana y necesita extraer los datos del encargo en un formato estándar para el obrador:

  • Ejemplo 1 (entrada): «Hola buenas, quería encargar una tarta de manzana para el sábado a las doce a nombre de Carlos» | Salida: Producto: Tarta de manzana | Día: Sábado | Hora: 12:00 | Cliente: Carlos
  • Ejemplo 2 (entrada): «Me apartas dos docenas de medialunas y un pastel de tres leches para mañana a las cinco de la tarde, soy Mariana» | Salida: Producto: Medialunas (24), Pastel de tres leches (1) | Día: Mañana | Hora: 17:00 | Cliente: Mariana
  • Caso real (entrada): «Buenas tardes, necesito una torta selva negra para el domingo a las once para el cumpleaños de Sofía Gómez» | Salida: [Aquí el modelo completa exactamente con el formato preestablecido]

Al ver estos ejemplos, el modelo entiende de inmediato qué campos ignorar (saludos, agradecimientos) y cómo estructurar la información útil sin necesidad de reglas complejas.

Cuándo conviene utilizar few-shot frente a otras técnicas

El few-shot prompting destaca especialmente en tareas repetitivas donde el formato o el criterio humano resultan difíciles de describir con palabras directas:

  1. Clasificación de opiniones o reclamaciones: cuando un negocio clasifica reseñas como urgentes, neutras o positivas según matices locales del lenguaje coloquial.
  2. Extracción y normalización de datos: convertir fechas en lenguaje natural, direcciones de barrios locales o listas desordenadas en tablas con columnas uniformes.
  3. Imitación de voz y tono de marca: redactar respuestas de atención al cliente imitando el estilo exacto de comunicación de la empresa, respetando modismos y cortesía sin sonar artificial.

Errores habituales al construir ejemplos

El fallo más frecuente al aplicar few-shot prompting es la inconsistencia interna. Si el primer ejemplo utiliza mayúsculas y puntos finales, pero el segundo omite signos de puntuación o altera el orden de los campos, el modelo se confunde y produce salidas impredecibles.

Otro error habitual es seleccionar casos excesivamente sencillos y dejar fuera las excepciones. Si todos los ejemplos muestran nombres con un solo apellido o pedidos con un único producto, el sistema tendrá dificultades cuando se enfrente a un cliente con nombres compuestos o solicitudes múltiples. La variedad representativa dentro de un número reducido de muestras es la clave para obtener resultados sólidos y fiables.

Preguntas frecuentes

¿Cuántos ejemplos se necesitan para hacer few-shot prompting?

Por lo general, entre dos y cinco ejemplos bien seleccionados son suficientes. Añadir más de seis rara vez mejora el resultado y solo consume espacio en el límite de texto de la instrucción.

¿Qué diferencia hay entre zero-shot y few-shot?

En zero-shot se da únicamente la orden directa sin mostrar ningún modelo previo de resolución, mientras que en few-shot se incluyen muestras explícitas de entrada y salida antes de pedir la respuesta.

¿Los ejemplos tienen que ser datos reales?

No es obligatorio que provengan de clientes reales, pero sí deben reflejar con absoluta fidelidad la complejidad, el vocabulario y las variaciones que el sistema encontrará en el uso cotidiano.

← Todos los términos del glosario de IA

🛒 Sklep Kinetyka CapCut Pro 460 zł/rok Lovable Pro 450 zł/rok Replit Core 119 zł/rok Zobacz wszystko →
× ‹ powiększenie ›