Few-Shot Prompting
Few-shot prompting é uma técnica que ensina modelos de inteligência artificial a realizar tarefas exibindo alguns exemplos práticos de entrada e saída esperada.
Few-shot prompting é uma técnica de engenharia de comandos na qual o usuário orienta um modelo de inteligência artificial apresentando alguns exemplos diretos de entrada e saída desejada antes de fazer a pergunta final. Em vez de descrever regras abstratas e detalhadas sobre como o texto deve ser interpretado, você entrega duas, três ou quatro demonstrações práticas. O sistema absorve o padrão visual e semântico desses exemplos e replica a mesma lógica para os novos dados fornecidos.
A lógica dessa abordagem é muito parecida com o dia a dia de um escritório ou comércio: se você precisa ensinar um estagiário a preencher uma planilha de controle de estoque, é infinitamente mais rápido mostrar duas linhas preenchidas corretamente do que passar meia hora explicando normas teóricas. No processamento de linguagem natural, o modelo utiliza essas amostras no próprio contexto da conversa para alinhar tanto o formato quanto o tom da resposta.
Como a técnica funciona nos modelos de linguagem
Os modelos generativos operam por previsão probabilística de palavras. Quando você envia apenas uma instrução direta, o modelo precisa deduzir dezenas de variáveis ocultas: o nível de formalidade, a extensão do texto, a pontuação e o formato final dos dados. Ao utilizar o few-shot prompting, você reduz drasticamente o espaço de incerteza da ferramenta.
Ao ler sequências repetidas de Entrada: [dado] e Saída: [resultado formatado], a inteligência artificial entende imediatamente que o objetivo não é criar um artigo reflexivo, mas sim seguir uma regra de conversão estabelecida. Isso torna o método indispensável para tarefas analíticas, como classificação de sentimentos, limpeza de registros, categorização de notas e extração de informações específicas.
Exemplo prático: triagem de mensagens em uma loja brasileira
Imagine uma pequena loja de autopeças em Campinas que recebe centenas de mensagens no WhatsApp todos os dias e precisa categorizar os recados para direcionar cada cliente ao atendente correto. Em vez de escrever um manual gigantesco para a inteligência artificial, o comerciante cria um comando usando few-shot:
Mensagem: "Bom dia, vocês têm pastilha de freio para Palio 2012 e quanto custa?"
Categoria: Orçamento de Peças
Urgência: Média
Mensagem: "Comprei uma bateria ontem pelo site, mas entregaram o modelo errado."
Categoria: Troca e Garantia
Urgência: Alta
Mensagem: "Qual o horário de funcionamento da loja física aos sábados?"
Categoria: Dúvidas Gerais
Urgência: Baixa
Mensagem: "Preciso saber se o amortecedor que encomendei já chegou."
Categoria:
Com essa estrutura simples, o modelo completa imediatamente com Rastreio de Pedido e Urgência: Média. Ele não apenas classifica a intenção, como também respeita rigorosamente a divisão em duas linhas e o vocabulário das categorias sem inventar termos adicionais.
Boas práticas para montar um prompt eficiente
Para obter os melhores resultados com a técnica, vale seguir algumas etapas essenciais de organização:
- Diversifique os cenários: inclua exemplos que cubram casos comuns e pelo menos um caso limite, garantindo que o modelo saiba lidar com ambiguidades.
- Mantenha a padronização: use sempre os mesmos rótulos de entrada e saída (como Texto: e Classificação:) em todas as demonstrações do comando.
- Seja breve e direto: foque naquilo que realmente importa no padrão, evitando rodeios ou informações irrelevantes dentro dos exemplos.
- Revise a coerência: garanta que os exemplos não transmitam regras contraditórias entre si, pois qualquer incoerência confunde a predição da máquina.
Erros comuns ao aplicar o few-shot prompting
O equívoco mais frequente é exagerar na quantidade de exemplos. Incluir dez ou quinze demonstrações raramente traz ganhos superiores em comparação com três amostras bem selecionadas, além de gastar espaço desnecessário na janela de contexto e deixar o processamento mais lento.
Outro problema comum é o viés não intencional. Se você fornecer três exemplos de classificação de feedback e todos eles forem positivos, o modelo tenderá a classificar a nova entrada também como positiva, mesmo que ela seja neutra ou crítica. A seleção equilibrada dos dados é o que assegura a precisão do resultado final.
Perguntas frequentes
Quantos exemplos são necessários no few-shot prompting?
Geralmente, entre dois e cinco exemplos claros já são suficientes para que o modelo capture o padrão desejado com alta precisão.
Qual é a diferença entre zero-shot e few-shot prompting?
No zero-shot, você pede a execução da tarefa apenas descrevendo o que deseja, sem nenhum exemplo prévio. No few-shot, você inclui exemplos de entrada e saída antes da solicitação principal.
O few-shot altera o treinamento do modelo de inteligência artificial?
Não. Os exemplos funcionam apenas como contexto temporário durante aquela conversa específica e não modificam o modelo original de forma definitiva.
