BroadRouter

Few-shot prompting (prompt com exemplos)

Atualizado em

Few-shot prompting é uma técnica em que o prompt inclui um pequeno número de exemplos resolvidos de entrada e saída antes da entrada real, para que o modelo de linguagem deduza deles a tarefa e o formato. Os pesos do modelo não mudam; zero-shot não usa exemplos e one-shot usa um.

Também chamado de: prompt com exemplos, exemplos no prompt, aprendizado few-shot, few-shot learning, multishot prompting, in-context examples, one-shot prompting

Mostrar funciona melhor que explicar. Alguns exemplos muitas vezes acertam formato e tom mais rápido que um parágrafo de regras.

Como funciona

Foi o artigo do GPT-3, de Brown e colegas, que popularizou o termo. Ele testou um modelo de 175 bilhões de parâmetros com tarefas “specified purely via text interaction with the model” (tradução: especificadas apenas por interação de texto com o modelo), sem atualizações de gradiente nem fine-tuning, e viu que o desempenho few-shot melhorava muito com o tamanho do modelo. O artigo define três configurações:

Configuração Exemplos no prompt
Zero-shot nenhum, só uma instrução
One-shot um
Few-shot vários, limitados pela janela de contexto

Um prompt few-shot para classificar tickets de suporte poderia ser assim (os tickets ficam em inglês: cobrança em dobro, app travando no login, pedido de modo escuro e cobrança depois do cancelamento):

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." ->

O modelo continua o padrão. O guia da Anthropic chama os exemplos de “one of the most reliable ways to steer” (tradução: uma das formas mais confiáveis de direcionar) formato, tom e estrutura, e pede que sejam relevantes, variados e envolvidos em tags, para o modelo distingui-los das instruções.

Por que isso importa

  • Controle de formato. Os exemplos mostram casos extremos que as regras não pegam, como escrever um campo vazio. Para JSON rigoroso, combine-os com saída estruturada.
  • Custo. Cada exemplo é reenviado como entrada em toda chamada. Cinco exemplos de 200 tokens somam 1.000 tokens por requisição. Num prefixo fixo, eles podem ser cobrados como tokens de entrada em cache.
  • Raciocínio. Exemplos que mostram os passos, e não só a resposta, são prompting de chain-of-thought.
  • Quando parar. Se você precisa de centenas de exemplos, o fine-tuning pode sair mais barato por chamada do que enviá-los toda vez.

Na BroadNet Inference

Few-shot prompting não exige nenhum recurso especial da API; é texto simples em messages. A BroadNet informa cached_tokens em usage, então você pode conferir se o seu bloco de exemplos está sendo lido do cache. Numa chave de pagamento por uso, o preço em cache é menor que o de entrada; no DeepSeek V4.1 Flash é $0.0055 contra $0.175 por 1M de tokens. Para tarefas em árabe, veja engenharia de prompt em árabe e, para extração de documentos com exemplos, o guia de faturas em árabe.

Erros comuns

  • Usar exemplos que têm todos o mesmo rótulo ou o mesmo tamanho. O modelo copia o viés.
  • Trocar os exemplos a cada requisição. Isso quebra o prefixo em cache e dificulta comparar resultados.

Perguntas frequentes

Quantos exemplos um prompt few-shot deve ter?

A Anthropic sugere de 3 a 5 para melhores resultados. Mais exemplos custam mais tokens de entrada em toda chamada, então pare de adicionar quando a qualidade parar de melhorar.

Few-shot prompting é a mesma coisa que fine-tuning?

Não. Os exemplos few-shot ficam no prompt e são reenviados em toda requisição. O fine-tuning muda os pesos do modelo uma vez, e aí os exemplos não precisam mais ser enviados.

Os exemplos vão no system prompt ou como turnos de chat?

Os dois funcionam. Mantenha-os em uma posição fixa perto do início, para formarem um prefixo estável que pode ir para o cache.

Ler em MarkdownPerguntar ao ChatGPTPerguntar ao ClaudePerguntar ao Perplexity