---
title: "¿Qué es el few-shot prompting? Ejemplos dentro del prompt"
description: "El few-shot prompting incluye unos pocos ejemplos resueltos en el prompt para que el modelo copie el patrón. Cómo funciona, cuántos ejemplos usar y cuánto cuestan."
url: https://broadrouter.com/es/glossary/few-shot-prompting/
lang: es
updated: 2026-11-16
publisher: BroadRouter (a BroadNet site); API by BroadNet Inference, https://inference.broadnet.ai
---

Traducido del inglés con ayuda de IA. [Lea el original en inglés](https://broadrouter.com/glossary/few-shot-prompting/) (actualizado el 2026-11-16).

# Few-shot prompting (prompting con pocos ejemplos)

Actualizado 2026-11-16

El few-shot prompting es una técnica en la que el prompt incluye un pequeño número de ejemplos resueltos de entrada y salida antes de la entrada real, para que el modelo de lenguaje deduzca de ellos la tarea y el formato. Los pesos del modelo no cambian; zero-shot no usa ejemplos y one-shot usa uno.

También llamado: few-shot prompting, prompting con pocos ejemplos, aprendizaje con pocos ejemplos, ejemplos en el prompt, one-shot, few-shot learning, multishot prompting, in-context examples, one-shot prompting

Mostrar funciona mejor que explicar. Unos pocos ejemplos suelen corregir el formato y el tono más rápido que un párrafo de reglas.

## Cómo funciona

El artículo de GPT-3 de Brown y sus colegas popularizó el término. Probó un modelo de 175 mil millones de parámetros con tareas “specified purely via text interaction with the model” (traducción: especificadas únicamente mediante interacción de texto con el modelo), sin actualizaciones de gradiente ni fine-tuning, y encontró que el rendimiento few-shot mejoraba mucho con el tamaño del modelo. El artículo define tres modalidades:

| Modalidad | Ejemplos en el prompt |
| --- | --- |
| Zero-shot | ninguno, solo una instrucción |
| One-shot | uno |
| Few-shot | varios, limitados por la ventana de contexto |

Un prompt few-shot para clasificar tickets de soporte podría verse así:

```text
Ticket: "My card was charged twice." -> billing
Ticket: "The app crashes on login." -> bug
Ticket: "Can you add dark mode?" -> feature_request
Ticket: "I was billed after cancelling." ->
```

El modelo continúa el patrón. La guía de Anthropic llama a los ejemplos “one of the most reliable ways to steer” (traducción: una de las formas más fiables de orientar) el formato, el tono y la estructura, y pide que sean relevantes, variados y estén envueltos en etiquetas para que el modelo los distinga de las instrucciones.

## Por qué importa

-   **Control del formato.** Los ejemplos muestran casos límite que las reglas no cubren, como la forma de escribir un campo vacío. Para JSON estricto, combínelos con la [salida estructurada](https://broadrouter.com/es/glossary/structured-output/).
-   **Costo.** Cada ejemplo se reenvía como entrada en cada llamada. Cinco ejemplos de 200 tokens añaden 1,000 tokens por solicitud. Colocados en un prefijo fijo, pueden facturarse como [tokens de entrada en caché](https://broadrouter.com/es/glossary/cached-input-tokens/).
-   **Razonamiento.** Los ejemplos que muestran los pasos, no solo la respuesta, son prompting de [chain-of-thought](https://broadrouter.com/es/glossary/chain-of-thought/).
-   **Cuándo parar.** Si necesita cientos de ejemplos, el [fine-tuning](https://broadrouter.com/es/glossary/fine-tuning/) puede salir más barato por llamada que enviarlos cada vez.

## En BroadNet Inference

El few-shot prompting no necesita ninguna función especial de la API; es texto normal en `messages`. BroadNet informa `cached_tokens` dentro de `usage`, así que puede comprobar si su bloque de ejemplos se está leyendo desde el caché. Con una clave de pago por uso, el precio en caché es menor que el de entrada; en DeepSeek V4.1 Flash es $0.0055 frente a $0.175 por 1M de tokens. Para tareas en árabe, consulte [ingeniería de prompts en árabe](https://broadrouter.com/es/blog/arabic-prompt-engineering/), y para extraer datos de documentos con ejemplos, la [guía de facturas en árabe](https://broadrouter.com/es/guides/read-arabic-invoices-with-vision/).

## Errores comunes

-   Usar ejemplos que comparten todos la misma etiqueta o longitud. El modelo copia ese sesgo.
-   Rotar los ejemplos en cada solicitud. Rompe el prefijo en caché y hace más difícil comparar resultados.

## Preguntas frecuentes

### ¿Cuántos ejemplos debe tener un prompt few-shot?

Anthropic sugiere de 3 a 5 para obtener los mejores resultados. Más ejemplos cuestan más tokens de entrada en cada llamada, así que deje de añadirlos cuando la calidad deje de mejorar.

### ¿El few-shot prompting es lo mismo que el fine-tuning?

No. Los ejemplos few-shot viven en el prompt y se reenvían en cada solicitud. El fine-tuning cambia los pesos del modelo una vez, así que ya no hace falta enviar los ejemplos.

### ¿Los ejemplos van en el prompt de sistema o como turnos del chat?

Ambas opciones funcionan. Manténgalos en una posición fija cerca del inicio para que formen un prefijo estable que se pueda almacenar en caché.

## Vea también

-   [Prompt de sistema (system prompt)](https://broadrouter.com/es/glossary/system-prompt/) (término)
-   [Cadena de pensamiento (chain-of-thought, CoT)](https://broadrouter.com/es/glossary/chain-of-thought/) (término)
-   [Fine-tuning (ajuste fino)](https://broadrouter.com/es/glossary/fine-tuning/) (término)
-   [Tokens de entrada en caché (cached input tokens)](https://broadrouter.com/es/glossary/cached-input-tokens/) (término)
-   [Salida estructurada (structured output)](https://broadrouter.com/es/glossary/structured-output/) (término)
-   [Ingeniería de prompts (prompt engineering)](https://broadrouter.com/es/glossary/prompt-engineering/) (término)
-   [Lea facturas y recibos en árabe con un modelo de visión](https://broadrouter.com/es/guides/read-arabic-invoices-with-vision/) (guía)
-   [Ingeniería de prompts en árabe: registro, RTL, cifras y texto mixto](https://broadrouter.com/es/blog/arabic-prompt-engineering/) (artículo)
-   [Cómo estructurar los prompts para que el prefijo quede en caché](https://broadrouter.com/es/blog/prompt-structure-for-caching/) (artículo)

Pruébelo con su carga de trabajo real. Las cuentas nuevas empiezan con USD 5 de crédito para Gemma y transcripción. DeepSeek, GLM y Qwen3.8 requieren una recarga.

[Comenzar](https://inference.broadnet.ai/account/?utm_source=broadrouter&utm_medium=referral&utm_campaign=es-glossary-few-shot-prompting&utm_content=page-cta) ·

**Fuentes**

-   [Brown et al. (2020), Language Models are Few-Shot Learners (consultado el 2026-11-16)](https://arxiv.org/abs/2005.14165)
-   [Anthropic, buenas prácticas de prompting (usar ejemplos de forma eficaz) (consultado el 2026-11-16)](https://platform.claude.com/docs/en/build-with-claude/prompt-engineering/claude-prompting-best-practices)
-   [Referencia de la API de BroadNet Inference, tokens en caché (consultado el 2026-11-16) (en inglés)](https://inference.broadnet.ai/docs?utm_source=broadrouter&utm_medium=referral&utm_campaign=es-glossary-few-shot-prompting&utm_content=sources)
