Inducción con pocos ejemplos (Few-Shot Prompting)
En esta página
Aprende con ejemplos
La inducción con pocos ejemplos (few-shot prompting) consiste en proporcionar al modelo uno o más ejemplos de la tarea que debe realizar antes de enviar la solicitud real. En lugar de explicar abstractamente qué esperas, se lo muestras de forma concreta, igual que un formador que, en vez de describir durante veinte minutos cómo debe ser un buen informe de reunión, reparte dos muestras bien redactadas y deja que los participantes las asimilen. Esta técnica es una de las más eficaces para obtener resultados precisos y coherentes con los modelos de Mistral.
El principio es sencillo: el modelo se basa en los ejemplos proporcionados para comprender el formato, el tono, el nivel de detalle y la lógica esperados, y luego reproduce ese patrón para tu solicitud. Un ejemplo bien elegido suele sustituir a un párrafo entero de explicaciones, y lo hace mejor.
Zero-shot, one-shot, few-shot: tres niveles de guía
El vocabulario del sector distingue tres variantes según el número de ejemplos. En zero-shot (cero ejemplos), das una instrucción sin ningún ejemplo y el modelo se basa únicamente en sus conocimientos:
Clasifica el sentimiento de este texto como positivo, neutro o negativo:
"El servicio de atención al cliente fue receptivo, pero la entrega llegó tarde."
Zero-shot funciona para tareas sencillas y comunes que el modelo ha encontrado miles de veces durante su entrenamiento. Para tareas específicas de tu negocio, a menudo es insuficiente: el modelo clasificará, pero no necesariamente según tus criterios.
En one-shot (un solo ejemplo), a veces basta un único ejemplo para guiar al modelo. El ejemplo muestra tanto el formato de salida como la forma de justificar la respuesta:
Clasifica el sentimiento y justifica la respuesta en una frase.
Ejemplo:
Texto: "Producto excelente, muy recomendable."
Sentimiento: positivo
Justificación: Expresión de entusiasmo y recomendación explícita.
Para clasificar:
Texto: "El servicio de atención al cliente fue receptivo, pero la entrega llegó tarde."
Sentimiento:
Justificación:
Con few-shot (pocos ejemplos), múltiples ejemplos reducen la ambigüedad y refuerzan la coherencia. Esto es especialmente útil cuando abundan los casos límite, como esta reseña mixta que combina un punto positivo y uno negativo:
Clasifica el sentimiento y justifica la respuesta en una frase.
Ejemplo 1:
Texto: "Producto excelente, muy recomendable."
Sentimiento: positivo
Justificación: Expresión de entusiasmo y recomendación explícita.
Ejemplo 2:
Texto: "El precio es justo para lo que es."
Sentimiento: neutro
Justificación: Evaluación factual sin emociones intensas.
Ejemplo 3:
Texto: "Tres semanas de espera por un producto defectuoso."
Sentimiento: negativo
Justificación: Problema de retraso combinado con un defecto de calidad.
Para clasificar:
Texto: "El servicio de atención al cliente fue receptivo, pero la entrega llegó tarde."
Sentimiento:
Justificación:
Con tres ejemplos que cubren las tres categorías, el modelo ha visto el aspecto de cada caso y calibrará su respuesta en consecuencia.
Implementar few-shot con la API de Mistral
En un prompt de texto, los ejemplos se apilan como se ha visto arriba. Pero con la API, existe un método más limpio: utiliza los roles user y assistant para crear intercambios artificiales que sirvan de ejemplos. Creas un historial de conversación desde cero donde el modelo ya ha respondido perfectamente:
messages = [
{
"role": "system",
"content": "Clasificas reseñas de clientes. Responde solo con el formato indicado."
},
# Ejemplo 1
{
"role": "user",
"content": "Clasifica: \"Producto excelente, muy recomendable.\""
},
{
"role": "assistant",
"content": "Sentimiento: positivo\nJustificación: Expresión de entusiasmo y recomendación explícita."
},
# Ejemplo 2
{
"role": "user",
"content": "Clasifica: \"Tres semanas de espera por un producto defectuoso.\""
},
{
"role": "assistant",
"content": "Sentimiento: negativo\nJustificación: Problema de retraso combinado con un defecto de calidad."
},
# Solicitud real
{
"role": "user",
"content": "Clasifica: \"El servicio de atención al cliente fue receptivo, pero la entrega llegó tarde.\""
}
]
Al pasar los ejemplos como mensajes de usuario/asistente, el modelo los trata como un historial de conversación exitoso que debe continuar en la misma línea. Este es el patrón que debes priorizar en cuanto escalas a producción: los ejemplos permanecen separados de los datos, lo que facilita su mantenimiento y enriquecimiento.
Cuándo usar few-shot
Few-shot destaca en cuatro tipos de situaciones. Primero, la clasificación personalizada: cuando tus categorías no son estándar (por ejemplo, tipos de tickets internos específicos de tu empresa), ninguna descripción supera a unos pocos tickets ya clasificados. Segundo, la extracción de datos, cuando el formato de salida es específico de tu organización. Tercero, la redacción con un tono concreto: si quieres que el modelo adopte tu estilo editorial, muéstrale dos o tres de tus propios textos en lugar de intentar describir tu estilo con adjetivos. Por último, tareas ambiguas en general: tan pronto como la descripción textual no basta para resolver dudas, un ejemplo lo aclara.
Cuántos ejemplos proporcionar
El número óptimo depende de la complejidad de la tarea. Para una tarea sencilla con un formato claro (clasificación binaria, extracción de un único campo), bastan uno o dos ejemplos. Para una tarea con múltiples categorías o un formato complejo, cuenta con tres a cinco ejemplos, idealmente uno por categoría. Más allá de cinco, entras en el terreno de tareas muy específicas o ricas en casos límite que deben cubrirse explícitamente.
Ten en cuenta el coste, sin embargo: cada ejemplo consume tokens de entrada, y con los modelos de Mistral, los tokens de entrada tienen coste. Un prompt de clasificación llamado diez mil veces al día con ocho ejemplos redundantes cuesta significativamente más que el mismo con tres ejemplos bien elegidos, a menudo sin ninguna ganancia en calidad. Encuentra el equilibrio adecuado entre precisión y eficiencia.
Construir buenos ejemplos
Unas pocas buenas prácticas para concluir. Varía tus ejemplos para cubrir diferentes casos posibles, incluidos los casos límite: tres ejemplos todos positivos no enseñan nada sobre cómo manejar reseñas negativas. Mantén un formato rigurosamente idéntico de un ejemplo a otro; la más mínima variación en la estructura se interpretará como significativa y se reproducirá. Utiliza ejemplos realistas, cercanos a tus datos reales: un modelo entrenado con tus reseñas reales de clientes clasificará mejor tus reseñas reales que si solo ha visto frases de libro de texto. Y coloca siempre la solicitud real al final: el modelo presta más atención al principio y al final del prompt.
Puntos clave
- La inducción con pocos ejemplos muestra al modelo qué esperas mediante ejemplos
- Utiliza los roles user/assistant para crear ejemplos en la API de Mistral
- De 1 a 5 ejemplos suelen ser suficientes en la mayoría de los casos
- Varía los ejemplos para cubrir diferentes escenarios, manteniendo un formato idéntico en todos
- Few-shot es ideal para clasificación, extracción y redacción con un formato específico