Few-shot: Aprender com Exemplos
Nesta página
Chega um momento em que a descrição por si só não basta. Descreveu o seu estilo com cinco adjetivos, especificou o seu formato em oito linhas e, ainda assim, o ChatGPT falha o alvo. A solução não é descrever melhor — é mostrar. O prompting «few-shot» consiste em fornecer exemplos do resultado desejado para que o modelo possa extrair o padrão e aplicá-lo. Esta é a técnica mais fiável de que dispõe para obter resultados consistentes todas as vezes.
O princípio
«Few-shot» refere-se a um prompt acompanhado de alguns exemplos, ao contrário do «zero-shot», que não tem nenhum. Fornece um, dois ou três exemplos do que pretende e pede depois ao modelo que continue a seguir esse mesmo padrão. A diferença nota-se sobretudo em julgamentos subjetivos, onde a resposta certa depende da sua escala e não de uma verdade universal. No zero-shot — ou seja, sem quaisquer exemplos — o seguinte pedido deixa o modelo a hesitar entre neutro e negativo: nada lhe indica se um atraso na entrega conta como um incidente ou um pormenor menor no seu livro.
Classify this customer comment as positive, neutral, or negative:
"The delivery took 3 days longer than expected but the product is fine."
As mesmas palavras, precedidas por quatro exemplos calibrados, produzem uma classificação alinhada com os seus critérios. O quarto exemplo é o mais útil de todos: mostra precisamente que uma entrega lenta não anula uma avaliação satisfatória.
Classify each customer comment as positive, neutral, or negative.
Examples:
- "Excellent product, fast delivery, highly recommend!" -> Positive
- "The product works but nothing exceptional." -> Neutral
- "Disappointed, the quality doesn't match the photos." -> Negative
- "Good value for money, delivery a bit slow." -> Neutral
Now classify:
- "The delivery took 3 days longer than expected but the product is fine."
Quando a técnica faz a diferença
O prompting few-shot é essencial sempre que uma instrução é mais fácil de mostrar do que de formular. Aplica-se quando quer que o ChatGPT escreva com a sua voz, quando o seu formato não corresponde a nenhum padrão existente ou quando a classificação depende de critérios que teria dificuldade em definir numa única regra. Destaca-se também na conversão de dados de um formato para outro e na produção em lote, onde vinte peças de conteúdo precisam de se assemelhar sem se repetirem.
Replicar um estilo de escrita
O seu melhor trabalho passado constitui a melhor especificação possível. As duas descrições abaixo transmitem muito mais do que o tom: o ritmo de frases curtas, começar com um benefício, inserir um número no meio e terminar com um caso de uso concreto. Nenhum adjetivo teria conseguido comunicar tudo isso.
Here's how I write my product descriptions:
Example 1:
Product: Wireless headphones
Description: Say goodbye to tangled wires. These Bluetooth headphones
connect in 2 seconds, last 30 hours on a charge, and block out noise
as if you were alone in the world. Perfect for the office, the train, or the couch.
Example 2:
Product: Compact mechanical keyboard
Description: 65 keys, zero compromise. Tactile switches deliver
precise feedback without waking the neighbors. RGB backlighting
adjusts with a single gesture. Compact yet complete, it slips
into any bag.
Following the same pattern, write the description for:
Product: Vertical ergonomic mouse
Esta é exatamente a jogada a experimentar no conteúdo que produz todas as semanas. Cole duas das suas melhores entregas passadas, adicione as suas notas brutas e deixe o modelo tratar da formatação que costumava fazer sozinho.
Here are 2 examples of weekly summaries I send to my manager:
[Paste your week 1 summary]
[Paste your week 2 summary]
Following this exact format and style, write this week's summary
from these raw notes:
[Paste your week notes]
Transformar dados
Para normalizar informações desorganizadas, mostre o par entrada/saída. O modelo infere duas coisas de uma vez: quais os campos a extrair e como traduzir frases informais em rótulos estruturados — «não se importa de fazer algum backend ocasionalmente» torna-se numa linha «Versatilidade», algo que nenhuma instrução geral teria conseguido alcançar.
Transform these informal job descriptions into structured profiles.
Input: "Looking for a React frontend dev, 3-5 years exp, knows
TypeScript and doesn't mind doing some backend occasionally.
Remote OK, between 45 and 55K."
Output:
- Role: Frontend Developer
- Stack: React, TypeScript
- Experience: 3-5 years
- Versatility: Occasional backend
- Remote: Yes
- Range: 45-55K EUR
Input: "Need a senior PM to lead our SaaS product,
ideally someone who's worked in a scale-up before, we're in Paris
but hybrid 3 days/week, budget 65-75K."
Output:
- Role: Senior Product Manager
- Domain: SaaS
- Experience: Senior (scale-up environment)
- Location: Paris, hybrid 3 days/week
- Range: 65-75K EUR
Now transform:
"We need a data analyst who knows SQL and Python, someone
junior-mid who wants to build ML skills. Fully remote,
35-42K, start ASAP."
Gerar conteúdo em lotes
Para formatos editoriais recorrentes, um modelo anotado supera uma descrição. O esqueleto abaixo define a ordem dos blocos e o comprimento de cada um; os dados brutos do caso do cliente simplesmente preenchem-no. Obtém uma série de publicações homogéneas, prontas a publicar sem debate editorial de cada vez.
Here's the format for our LinkedIn posts presenting a client case:
Example:
[Relevant emoji] [Catchy key figure]
[Client name] had a problem: [one-line problem].
In [duration], we implemented [brief solution].
Result:
- [Metric 1]
- [Metric 2]
- [Metric 3]
[One-sentence lesson or takeaway]
---
Case to write: our client DataViz (BI dashboard publisher)
had a churn rate of 15%/month. In 4 months, we redesigned
their onboarding. Churn dropped to 6%, NPS rose from 23 to 52,
and time-to-value went from 14 days to 3 days.
Quantos exemplos fornecer
Um único exemplo — one-shot — é suficiente para um formato simples. Dois ou três cobrem a maioria das tarefas comuns; quatro a cinco tornam-se úteis quando o padrão é subtil. Para além disso, verifique se cada exemplo traz algo de novo: exemplos redundantes alongam o prompt sem o melhorar. Duas qualidades importam mais do que a quantidade: consistência e diversidade. Exemplos em formatos heterogéneos impedem o modelo de saber qual imitar; exemplos demasiado semelhantes fazem-no aprender um caso específico em vez do princípio, produzindo depois variantes do mesmo texto.
Começar sem exemplos
O centro de ajuda e o guia da OpenAI sobre modelos de raciocínio dão o mesmo conselho: tente primeiro sem exemplos e adicione-os apenas se o resultado não for satisfatório. Os modelos atuais conseguem frequentemente dispensar exemplos quando a instrução é clara, e um exemplo mal escolhido pode puxar a resposta numa direção que não pretendia. O mesmo guia alerta para uma armadilha específica: os seus exemplos devem corresponder exatamente às suas instruções. Se a instrução pedir três pontos e o exemplo mostrar cinco, o resultado será provavelmente mau.
Exemplos contrastados
Para tarefas de classificação ou avaliação, inclua casos limite que definam a escala e justifiquem cada classificação entre parênteses. O modelo aplica então a sua grelha, não a dele — aqui, a diferença entre 3 e 5 vem da presença de prova numérica, o que a justificação torna explícito.
Rate the quality of these sales hooks (score from 1 to 5).
1/5: "Hello, we sell software." (too vague, no hook)
3/5: "Your teams lose 5 hours a week on admin tasks." (good angle but no proof)
5/5: "Carrefour cut admin costs by 34% in 3 months. Here's how." (number, social proof, curiosity)
Now rate:
"What if you could automate 80% of your reporting?"
A sua vez
Passe do zero ao few-shot. Pegue numa tarefa de classificação ou escrita que repete frequentemente. Execute-a primeiro sem um exemplo e anote o que está errado. Adicione depois dois exemplos retirados do seu melhor trabalho, verificando que seguem exatamente a sua instrução, e adicione um caso limite se a classificação hesitar. Compare os três resultados e fique com a versão mais curta que o satisfaz.
Fontes oficiais: Best practices for prompt engineering with the OpenAI API (Centro de Ajuda da OpenAI) · Prompt engineering · Reasoning best practices (Documentação da API da OpenAI)
Pontos-chave
- Few-shot significa mostrar alguns exemplos para que o ChatGPT reproduza o padrão esperado
- Tente primeiro sem exemplos e adicione-os apenas se o resultado não for satisfatório
- Dois a três exemplos são suficientes para a maioria das tarefas; devem seguir exatamente a sua instrução
- Use few-shot para estilo, formato, classificação e produção em lote
- Exemplos contrastados e justificados calibram a escala para tarefas de avaliação