Few shot prompting: ejemplos que arreglan el resultado

El few shot prompting es el arreglo más rápido para un resultado técnicamente correcto y completamente inservible. Pediste un tono profesional y te salió jerga de LinkedIn. Pediste una descripción de producto y te salió un párrafo que podría describir cualquier cosa. El problema no es el modelo: describiste el resultado en lugar de enseñarlo.

El término viene de la literatura de investigación: el artículo de 2020 que lo bautizó mostró que los modelos aprenden tareas a partir de ejemplos dados en el propio prompt, sin reentrenamiento. Años después sigue siendo la técnica de mayor apalancamiento al alcance de alguien no técnico, y casi nadie la usa.

Zero shot, one shot y few shot#

La decisión va sobre si existe una forma correcta de respuesta. Si hay un formato de casa, enséñalo. Si estás explorando, no ancles al modelo a nada.

Por qué los ejemplos ganan a los adjetivos#

"Profesional pero cercano" es una frase que cuatro personas interpretarán de cuatro maneras. El modelo también. Ha leído millones de documentos descritos así y producirá su promedio.

Dos párrafos de tu escritura real llevan longitud de frase, ritmo, vocabulario, cómo abres, cómo tratas las objeciones y qué nunca dices. Nada de eso sobrevive a comprimirse en adjetivos. Por eso el mejor activo que puedes construir para trabajar con IA es una pequeña biblioteca de tus mejores resultados.

Cómo elegir los ejemplos#

Los ejemplos definen el patrón, así que elegir mal contamina todo lo que venga después.

Elige los mejores, no los más recientes. El modelo imita también la calidad.

Hazlos diversos. Tres ejemplos del mismo escenario enseñan al modelo a esperar ese escenario. Varía la entrada y mantén constante la forma de la salida.

Mantenlos cortos. Recorta hasta la parte que lleva el patrón. Los ejemplos largos gastan contexto y entierran la instrucción.

Incluye un caso límite si importa. Si tu formato cambia cuando no hay precio, enseña un ejemplo sin precio.

Revísalos buscando los defectos que odias. Si dos de tus tres ejemplos abren con una pregunta retórica, la salida también lo hará.

Un ejemplo real de marketing#

Prompt débil:

Escribe descripciones de producto para nuestro catálogo con un tono
profesional y atractivo. Unas 50 palabras cada una. Productos: ...

Versión few shot:

Escribe descripciones que imiten exactamente estos ejemplos en
estructura, longitud y voz.

ENTRADA: Camiseta térmica de merino, 200 g/m2, 4 colores, 89 EUR
SALIDA: Merino de 200 gramos, el peso que funciona de octubre a
abril. Cuatro colores, todos sobreviven a ese lavado que olvidaste.
89 euros, y durará más que tres capas sintéticas de la mitad.

ENTRADA: Chubasquero de 3 capas, costuras selladas, 240 EUR
SALIDA: Tres capas con costuras selladas, que es el detalle
aburrido que decide si acabas seco. 240 euros. No es la chaqueta
más ligera que vendemos. Es la que seguirás teniendo en cinco años.

Ahora escribe para: [tus productos]

La segunda versión produce copy utilizable al primer intento. La primera produce algo que vas a reescribir.

Cuándo el few shot es la elección equivocada#

Exploración creativa. Si quieres ángulos que no se te han ocurrido, los ejemplos anclan al modelo a lo que ya haces. Empieza en zero shot, elige una dirección y luego añade ejemplos para ejecutarla.

Cuando tus ejemplos son malos. Ningún ejemplo gana a un ejemplo malo. Si lo único que tienes es el copy del que intentas escapar, escribe uno bueno a mano primero.

Entradas muy largas. Con un documento grande ya en contexto, los ejemplos compiten por atención. Mejor una especificación de formato corta y explícita.

Tareas donde importa más la corrección que la forma. Para análisis y razonamiento, estructura el pensamiento. Ver chain of thought.

Few shot para clasificación#

El uso infravalorado. Si etiquetas tickets de soporte, puntúas leads o enrutas consultas, los ejemplos son mucho más fiables que las definiciones:

Clasifica cada mensaje como: FACTURACION, TECNICO, VENTAS, SPAM.

"Me han cobrado dos veces la tarjeta" -> FACTURACION
"El botón de exportar no hace nada en Safari" -> TECNICO
"¿Tenéis plan para 50 usuarios?" -> VENTAS
"Aumenta tu autoridad con nuestros backlinks" -> SPAM

Clasifica: [mensajes]

Dos ejemplos por categoría, casos límite incluidos, y la precisión sube mucho. Es el patrón detrás de casi todas las automatizaciones de IA útiles que construyo para clientes, y encaja directamente en un flujo de n8n.

Construye tu biblioteca de ejemplos#

Los equipos que más sacan de esta técnica tratan los ejemplos como un activo. Así se monta en una tarde:

Paso 1: elige los cinco resultados que más produces. Correos, descripciones, posts, briefings, informes.

Paso 2: busca el mejor ejemplo real de cada uno. No el más reciente, el que enseñarías a alguien que entra nuevo.

Paso 3: quita datos identificativos. Sustituye nombres de cliente y cifras por marcadores realistas para poder compartirlos sin abrir una conversación de privacidad.

Paso 4: etiqueta el patrón. Sobre cada ejemplo escribe una línea con qué lo hace bueno: "abre con la objeción, una cifra, sin adjetivos".

Paso 5: guárdalo donde el modelo lo lea automáticamente, no en un documento que alguien tenga que acordarse de pegar.

Revisa la biblioteca cada trimestre. Los ejemplos envejecen: uno escrito para el posicionamiento del año pasado arrastrará en silencio cada resultado hacia el posicionamiento del año pasado.

Cuántos ejemplos son demasiados#

La pregunta llega en cada taller. La respuesta corta es entre dos y cinco, pero la razón importa más que el número.

Cada ejemplo ocupa contexto que el modelo podría dedicar a tu tarea real y a los datos que le das. Con dos ejemplos, el patrón queda claro. Con cinco, queda claro y cubierto para casos límite. A partir de ocho, empiezas a pagar contexto sin ganar precisión, salvo en clasificación con muchas categorías, donde necesitas al menos un ejemplo por clase.

Una prueba rápida: quita un ejemplo y vuelve a ejecutar. Si el resultado no empeora, ese ejemplo sobraba.

Errores que arruinan un prompt few shot#

• Formato inconsistente entre ejemplos. Si uno usa guion y otro dos puntos, el modelo elige al azar.
• Ejemplos que contradicen tus instrucciones. Ganan los ejemplos. Siempre. Arregla los ejemplos, no la instrucción.
• Demasiados ejemplos. Pasados cinco, gastas contexto sin ganar precisión en la mayoría de tareas.
• Clases desbalanceadas en clasificación. Seis ejemplos de SPAM y uno de FACTURACION enseñan un sesgo que no pretendías.
• Dejar datos de cliente en los ejemplos. Anonimiza: los ejemplos se copian a prompts compartidos y viajan más lejos de lo que crees.

Hazlo permanente#

Cuando un conjunto de ejemplos funciona, no debería volver a teclearse. Guárdalo donde el modelo lo lea solo: un proyecto con los ejemplos adjuntos, o una Skill que lleve los ejemplos dentro del procedimiento.

El flujo completo (contexto, ejemplos, restricciones, evaluación) está lección a lección en mi curso gratis de ingeniería de prompts. Si tu equipo necesita esto aplicado a vuestros briefings y no a ejemplos de un blog, para eso están mis formaciones de IA para empresas.