Few-shot: aprender con ejemplos
En esta página
Llega un momento en que la descripción por sí sola no basta. Has definido tu estilo con cinco adjetivos, especificado tu formato en ocho líneas y, aun así, ChatGPT no da en el clavo. La solución no es describir mejor, sino mostrar. El prompting few-shot consiste en proporcionar ejemplos del resultado deseado para que el modelo extraiga el patrón y lo aplique. Esta es la técnica más fiable de que dispones para obtener resultados consistentes una y otra vez.
El principio
«Few-shot» se refiere a un prompt acompañado de unos pocos ejemplos, a diferencia de «zero-shot», que no incluye ninguno. Proporcionas uno, dos o tres ejemplos de lo que quieres y pides al modelo que continúe siguiendo ese mismo patrón. La diferencia se nota sobre todo en juicios subjetivos, donde la respuesta correcta depende de tu escala y no de una verdad universal. En zero-shot, es decir, sin ningún ejemplo, la siguiente solicitud deja al modelo dudando entre neutral y negativo: nada le indica si un retraso en la entrega cuenta como un incidente o como un detalle menor según tus criterios.
Clasifica este comentario de cliente como positivo, neutral o negativo:
"La entrega tardó 3 días más de lo esperado, pero el producto está bien."
Las mismas palabras, precedidas de cuatro ejemplos calibrados, producen una clasificación alineada con tus criterios. El cuarto ejemplo es el más útil de todos: muestra con precisión que una entrega lenta no anula una valoración satisfactoria.
Clasifica cada comentario de cliente como positivo, neutral o negativo.
Ejemplos:
- "Producto excelente, entrega rápida, muy recomendable." -> Positivo
- "El producto funciona, pero nada excepcional." -> Neutral
- "Decepcionante, la calidad no coincide con las fotos." -> Negativo
- "Buena relación calidad-precio, entrega algo lenta." -> Neutral
Ahora clasifica:
- "La entrega tardó 3 días más de lo esperado, pero el producto está bien."
Cuándo marca la diferencia esta técnica
El prompting few-shot es esencial siempre que una instrucción sea más fácil de mostrar que de formular. Esto aplica cuando quieres que ChatGPT escriba con tu voz, cuando tu formato no se ajusta a ningún estándar existente o cuando la clasificación depende de criterios que te costaría definir en una sola regla. También destaca en la conversión de datos de un formato a otro y en la producción por lotes, donde veinte piezas de contenido deben parecerse entre sí sin repetirse.
Replicar un estilo de escritura
Tu mejor trabajo pasado constituye la mejor especificación posible. Las dos descripciones siguientes transmiten mucho más que el tono: ritmo de frase corto, apertura con un beneficio, inserción de un número en el medio y cierre con un caso de uso concreto. Ningún adjetivo habría podido comunicar todo eso.
Así es como escribo mis descripciones de producto:
Ejemplo 1:
Producto: Auriculares inalámbricos
Descripción: Di adiós a los cables enredados. Estos auriculares Bluetooth
se conectan en 2 segundos, duran 30 horas con una carga y bloquean el ruido
como si estuvieras solo en el mundo. Perfectos para la oficina, el tren o el sofá.
Ejemplo 2:
Producto: Teclado mecánico compacto
Descripción: 65 teclas, cero compromisos. Los interruptores táctiles ofrecen
una respuesta precisa sin despertar a los vecinos. La retroiluminación RGB
se ajusta con un solo gesto. Compacto pero completo, cabe en cualquier bolso.
Siguiendo el mismo patrón, escribe la descripción para:
Producto: Ratón ergonómico vertical
Este es exactamente el movimiento que debes probar con el contenido que produces cada semana. Pega dos de tus mejores entregas anteriores, añade tus notas en bruto y deja que el modelo se encargue del formato que antes hacías tú mismo.
Aquí tienes 2 ejemplos de resúmenes semanales que envío a mi jefe:
[Pega tu resumen de la semana 1]
[Pega tu resumen de la semana 2]
Siguiendo este formato y estilo exactos, escribe el resumen de esta semana
a partir de estas notas en bruto:
[Pega tus notas de la semana]
Transformar datos
Para normalizar información desorganizada, muestra el par entrada/salida. El modelo infiere dos cosas a la vez: qué campos extraer y cómo traducir frases coloquiales a etiquetas estructuradas; «no le importa hacer algo de backend ocasionalmente» se convierte en una línea de «Versatilidad», algo que ninguna instrucción general habría logrado.
Transforma estas descripciones de puesto informales en perfiles estructurados.
Entrada: "Buscamos un desarrollador frontend de React, 3-5 años de exp, sabe
TypeScript y no le importa hacer algo de backend ocasionalmente.
Remoto OK, entre 45 y 55K."
Salida:
- Rol: Desarrollador Frontend
- Stack: React, TypeScript
- Experiencia: 3-5 años
- Versatilidad: Backend ocasional
- Remoto: Sí
- Rango: 45-55K EUR
Entrada: "Necesitamos un PM senior para liderar nuestro producto SaaS,
idealmente alguien que haya trabajado antes en una scale-up, estamos en París
pero híbrido 3 días/semana, presupuesto 65-75K."
Salida:
- Rol: Senior Product Manager
- Dominio: SaaS
- Experiencia: Senior (entorno scale-up)
- Ubicación: París, híbrido 3 días/semana
- Rango: 65-75K EUR
Ahora transforma:
"Necesitamos un analista de datos que sepa SQL y Python, alguien
junior-mid que quiera desarrollar habilidades en ML. Totalmente remoto,
35-42K, inicio ASAP."
Generar contenido por lotes
Para formatos editoriales recurrentes, una plantilla anotada vence a una descripción. El esqueleto siguiente establece el orden de los bloques y la longitud de cada uno; los datos en bruto del caso del cliente simplemente lo rellenan. Obtienes una serie de publicaciones homogéneas, listas para publicar sin debate editorial cada vez.
Este es el formato de nuestras publicaciones en LinkedIn presentando un caso de cliente:
Ejemplo:
[Emoji relevante] [Cifra clave llamativa]
[Nombre del cliente] tenía un problema: [problema en una línea].
En [duración], implementamos [solución breve].
Resultado:
- [Métrica 1]
- [Métrica 2]
- [Métrica 3]
[Lección o conclusión en una frase]
---
Caso a escribir: nuestro cliente DataViz (editor de paneles de BI)
tenía una tasa de abandono del 15 %/mes. En 4 meses, rediseñamos
su onboarding. El abandono bajó al 6 %, el NPS subió de 23 a 52
y el tiempo hasta obtener valor pasó de 14 días a 3 días.
Cuántos ejemplos proporcionar
Un solo ejemplo (one-shot) basta para un formato sencillo. Dos o tres cubren la mayoría de tareas comunes; de cuatro a cinco resultan útiles cuando el patrón es sutil. Más allá de eso, verifica que cada ejemplo aporte algo nuevo: los ejemplos redundantes alargan el prompt sin mejorarlo. Dos cualidades importan más que la cantidad: coherencia y diversidad. Los ejemplos en formatos heterogéneos impiden que el modelo sepa cuál imitar; los ejemplos demasiado similares hacen que aprenda un caso concreto en lugar del principio, y entonces producirá variantes del mismo texto.
Empezar sin ejemplos
El centro de ayuda y la guía de OpenAI sobre modelos de razonamiento dan el mismo consejo: prueba primero sin ejemplos y añádelos solo si el resultado no es satisfactorio. Los modelos actuales suelen manejarse sin ejemplos cuando la instrucción es clara, y un ejemplo mal elegido puede desviar la respuesta en una dirección no deseada. La misma guía advierte de una trampa específica: tus ejemplos deben coincidir exactamente con tus instrucciones. Si la instrucción pide tres viñetas y el ejemplo muestra cinco, el resultado probablemente será deficiente.
Ejemplos contrastados
Para tareas de clasificación o valoración, incluye casos límite que definan la escala y justifiquen cada valoración entre paréntesis. El modelo aplica entonces tu rúbrica, no la suya; aquí, la diferencia entre 3 y 5 proviene de la presencia de prueba numérica, algo que la justificación hace explícito.
Valora la calidad de estos ganchos de venta (puntuación de 1 a 5).
1/5: "Hola, vendemos software." (demasiado vago, sin gancho)
3/5: "Tus equipos pierden 5 horas a la semana en tareas administrativas." (buen ángulo, pero sin prueba)
5/5: "Carrefour redujo los costes administrativos un 34 % en 3 meses. Así lo hicimos." (número, prueba social, curiosidad)
Ahora valora:
"¿Y si pudieras automatizar el 80 % de tus informes?"
Tu turno
Pasa de zero a few-shot. Toma una tarea de clasificación o escritura que repitas a menudo. Ejecútala primero sin un ejemplo y anota qué falla. Añade luego dos ejemplos extraídos de tu mejor trabajo, verificando que sigan tu instrucción exactamente, y añade un caso límite si la clasificación duda. Compara los tres resultados y quédate con la versión más corta que te satisfaga.
Fuentes oficiales: Best practices for prompt engineering with the OpenAI API (Centro de ayuda de OpenAI) · Prompt engineering · Reasoning best practices (Documentación de la API de OpenAI)
Puntos clave
- Few-shot significa mostrar unos pocos ejemplos para que ChatGPT reproduzca el patrón esperado
- Prueba primero sin ejemplos y añádelos solo si el resultado no es satisfactorio
- Dos o tres ejemplos bastan para la mayoría de tareas; deben seguir tu instrucción exactamente
- Usa few-shot para estilo, formato, clasificación y producción por lotes
- Los ejemplos contrastados y justificados calibran la escala para tareas de evaluación