Few-shot prompting
Few-shot prompting (prompting com poucos exemplos) é dar a um modelo de linguagem um punhado de exemplos resolvidos de uma tarefa dentro do prompt, para que ele copie o padrão em uma nova entrada sem nenhum retreinamento.
Também chamado: in-context learning, few-shot, multishot prompting
Por Divya Sharma · Verificado em 15 de nov. de 2026 · Como analisamos
Em um prompt few-shot, você mostra ao modelo vários pares de entrada e saída, depois dá a ele uma nova entrada e deixa que complete o padrão. Os pesos do modelo não mudam. Ele aprende a tarefa a partir dos exemplos no seu contexto, e é por isso que essa capacidade também se chama in-context learning (aprendizado em contexto).
De onde vem o termo
A ideia foi popularizada pelo artigo do GPT-3, "Language Models are Few-Shot Learners". Os autores aplicaram o GPT-3 a muitas tarefas sem atualizações de gradiente nem fine-tuning, especificando cada tarefa e suas demonstrações apenas como texto no prompt. Eles relataram que aumentar o modelo melhorava muito esse desempenho few-shot.
Exemplo
Para classificar tickets de suporte, um prompt pode listar três tickets, cada um seguido do seu rótulo (cobrança, bug, conta), e depois um quarto ticket sem rótulo. Espera-se que o modelo responda com um dos mesmos rótulos, no mesmo formato.
Por que isso importa
Exemplos muitas vezes mostram formato e tom com mais clareza do que uma descrição longa. O guia de prompting da Anthropic os chama de uma das formas mais confiáveis de guiar o formato, o tom e a estrutura da saída. Eles são uma parte padrão da engenharia de prompt.
Como difere do zero-shot
Um prompt zero-shot traz só uma instrução, sem exemplos. One-shot traz um único exemplo. Few-shot traz vários.
Limites
Cada exemplo custa tokens de entrada em todas as chamadas. O modelo pode copiar detalhes superficiais dos exemplos, como tamanho ou escolha de palavras, então os exemplos devem variar. O few-shot prompting também não consegue ensinar ao modelo fatos que ele não tem; para isso, considere a geração aumentada por recuperação ou o fine-tuning.
Termos relacionados
- Zero-shot
- Zero-shot significa pedir a um modelo que faça uma tarefa só a partir de uma instrução, sem exemplos resolvidos no prompt e sem treinamento específico para a tarefa. O modelo depende apenas do que já aprendeu.
- Prompt engineering
- Prompt engineering (engenharia de prompt) é a prática de escrever, estruturar e testar as instruções e exemplos dados a um modelo de linguagem para que ele produza a saída de que uma aplicação precisa, sem mudar os pesos do modelo.
- Chain-of-thought
- Chain-of-thought (CoT, cadeia de raciocínio) é um método de prompting em que um modelo de linguagem escreve passos intermediários de raciocínio antes da resposta final, o que tende a melhorar os resultados em matemática, lógica e outros problemas de vários passos.
- Fine-tuning
- Fine-tuning (ajuste fino) é o treinamento adicional de um modelo pré-treinado em um conjunto de dados menor e específico para uma tarefa, para que o modelo adote uma habilidade, um formato, um tom ou um domínio particular sem ser treinado do zero.
- System prompt
- Um system prompt (prompt de sistema) é o bloco de instruções que uma aplicação envia a um modelo de linguagem antes das mensagens do usuário. Ele define o papel, as regras, o tom e o formato de saída do modelo para a conversa inteira.