Prompting con pocos ejemplos (few-shot): una guía práctica

Hay un momento al trabajar con modelos de lenguaje en que las instrucciones dejan de ayudar y los ejemplos empiezan. Has explicado la tarea de tres formas distintas y el modelo sigue equivocando ligeramente el formato, o se salta el caso límite, o formatea la salida de forma inconsistente. La solución no suele ser un mejor párrafo de instrucciones: es mostrarle al modelo cómo es una buena respuesta. Eso es el prompting con pocos ejemplos (few-shot), y bien hecho es una de las herramientas más fiables que tienes.

Por qué los ejemplos superan a las explicaciones

Una instrucción describe un patrón. Un ejemplo lo demuestra. La diferencia importa porque la demostración elimina la ambigüedad que la descripción deja atrás. "Formatea la fecha como mes, día, año" todavía deja una docena de opciones: con coma o sin coma, mes abreviado, ceros a la izquierda. Un solo ejemplo que muestra la salida objetivo exacta resuelve todas a la vez, sin que tengas que enumerar cada detalle que te importa.

Esto funciona porque un modelo genera la continuación más probable de su contexto. Cuando ese contexto contiene dos o tres ejemplos limpios de entrada-luego-salida-correcta, la continuación más probable para una nueva entrada es una salida que coincide con el patrón establecido. No estás tanto enseñándole al modelo una nueva habilidad como haciendo obvia la forma de la respuesta. Cuanto más claros y consistentes sean los ejemplos, más obvia será la forma.

Cero ejemplos, un ejemplo, y cuándo necesitas más

Empieza con cero ejemplos. Si la tarea es simple y el modelo ya la hace bien solo con instrucciones, los ejemplos son tokens y latencia desperdiciados. Muchas tareas genuinamente no los necesitan. Recurre a los ejemplos cuando la salida sin ejemplos sea inconsistente, equivoque el formato o falle en cierto tipo de entrada.

Un buen ejemplo a menudo arregla por sí solo los problemas de formato: fija una estructura que la prosa tiene dificultades para transmitir. Añade un segundo y un tercero cuando la tarea tenga una variedad que el modelo necesite ver: distintos tipos de entrada, un caso límite, un caso de "sin respuesta". Pasado un puñado, normalmente llegas a rendimientos decrecientes; más ejemplos cuestan más y rara vez añaden mucho una vez que el patrón está claro. El número correcto es el conjunto más pequeño que hace el patrón inequívoco, no el más grande que quepa.

Elige ejemplos que representen la realidad

El mayor error con diferencia es elegir ejemplos que sean todos fáciles. Si cada ejemplo muestra una entrada limpia y bien formada produciendo una respuesta obvia, le has enseñado al modelo el camino fácil y nada más. Luego llega una entrada real desordenada y el modelo no tiene ningún comportamiento demostrado al que recurrir. Tus ejemplos deberían parecerse a tus datos reales, incluidas las partes que desearías que fueran más limpias.

Incluye deliberadamente los casos que importan. Si algunas entradas deberían producir "no lo sé" o un resultado vacío, muestra un ejemplo que haga exactamente eso; de lo contrario el modelo aprende que toda entrada recibe una respuesta segura. Si una categoría particular es fácil de equivocar, incluye una. Los ejemplos son un currículo; elígelos para cubrir las situaciones donde el modelo tropezaría de lo contrario, no aquellas donde habría acertado de todos modos.

Mantén los ejemplos consistentes entre sí

Los ejemplos enseñan por patrón, así que las contradicciones entre ellos son activamente dañinas. Si un ejemplo formatea una lista con guiones y otro con números, le has enseñado al modelo que ambos son aceptables, y los mezclará. Si un ejemplo incluye un paso de razonamiento y otro salta directo a la respuesta, el modelo no puede saber cuál quieres. Todo ejemplo debería coincidir en formato, tono y estructura hasta los pequeños detalles.

Esta consistencia se extiende al límite entre los ejemplos y la entrada real. Usa las mismas etiquetas, los mismos delimitadores, la misma disposición para tus ejemplos y para la tarea real que añades al final. El modelo debería ver la nueva entrada como el siguiente elemento de una serie establecida, formateado de forma idéntica a lo que vino antes. Cualquier ruptura visual entre los ejemplos y la entrada real es una oportunidad para que el patrón se resbale.

Formatea para que los límites sean obvios

Los prompts con pocos ejemplos fallan cuando el modelo no puede saber dónde termina un ejemplo y empieza el siguiente, o dónde paran los ejemplos y empieza la tarea real. Haz esos límites inconfundibles. Etiqueta las partes —un marcador claro para la entrada y un marcador claro para la salida— y repite esa estructura exacta en cada ejemplo. Los delimitadores consistentes convierten un muro de texto en una serie legible que el modelo puede extender.

La estructura también protege contra un fallo sutil: el contenido de la entrada filtrándose hacia las instrucciones. Cuando los ejemplos están claramente delimitados, el contenido que da la casualidad de parecer una orden se queda dentro de su espacio etiquetado y se trata como dato. Cuando todo va junto, es más probable que el modelo lea mal la entrada como instrucción. Una pequeña dosis de disciplina de formato te compra una gran dosis de fiabilidad aquí, y no cuesta casi nada.

Itera contra un conjunto, no contra un solo caso

Como todo prompting, el trabajo con pocos ejemplos solo está terminado cuando aguanta a lo largo de entradas reales. Es tentador retocar los ejemplos hasta que un caso impresionante funcione a la perfección, pero ese único caso es una demo, no una medición. Reúne un conjunto variado de entradas reales, ejecuta tu prompt con pocos ejemplos contra todas ellas, y lee los resultados buscando los fallos que se suponía que los ejemplos debían prevenir.

Cambia una cosa a la vez. Sustituye un ejemplo, añade el caso límite que sigues fallando, corrige una inconsistencia, luego vuelve a ejecutar todo el conjunto y compara. A veces descubrirás que un ejemplo que creías útil en realidad está anclando al modelo hacia un patrón equivocado; quitarlo mejora las cosas. Quédate con el conjunto de ejemplos que rinde mejor a lo largo de todas tus entradas de prueba, y trata el conjunto de ejemplos como algo que mantienes, no algo que escribes una vez.

En resumen

El prompting con pocos ejemplos funciona porque la demostración es más clara que la descripción. Úsalo cuando las instrucciones por sí solas dejen la salida inconsistente, y usa los menos ejemplos que hagan el patrón inequívoco. Elige ejemplos que se parezcan a datos reales —casos límite y casos de "sin respuesta" incluidos—, mantenlos consistentes entre sí, y formatea los límites para que el modelo los lea como una serie limpia. Luego demuéstralo contra un conjunto de entradas reales en lugar de contra una sola demo. Un puñado de ejemplos bien elegidos y consistentes superará a párrafos de instrucciones en exactamente las tareas donde el formato y los casos límite importan más.