Guia de Engenharia de Prompt

Amplie seu conhecimento sobre engenharia de prompt para usar no seu dia a dia.

Few-Shot

Por CRISTIANO RIBEIRO RITTA

Resumo em uma frase: Few-Shot Prompting é mostrar antes de pedir — e funciona porque exemplos bem escolhidos valem mais do que qualquer instrução elaborada.

O que é?

Few-Shot Prompting é uma técnica em que o prompt inclui um pequeno conjunto de exemplos (demonstrações) antes de apresentar a tarefa real. Esses exemplos funcionam como um "guia de estilo" inline — o modelo aprende o padrão esperado diretamente do contexto, sem nenhum retreinamento.

O termo reflete a quantidade de exemplos: few (poucos) — geralmente entre 1 e 8 pares de entrada/saída.

Por que funciona?

Few-Shot Prompting explora o mecanismo de aprendizado em contexto (in-context learning), demonstrado em escala por Brown et al. (2020) no paper do GPT-3. A descoberta central foi que modelos suficientemente grandes conseguem "aprender" um padrão a partir de exemplos fornecidos no próprio prompt — sem atualizar nenhum peso da rede neural.

Em termos práticos: os exemplos condicionam a distribuição de probabilidade da saída do modelo, tornando respostas fora do padrão demonstrado estatisticamente menos prováveis.

Exemplos práticos

Classificação de sentimento com exemplos:

Texto: "O produto superou minhas expectativas."
Sentimento: Positivo

Texto: "Entrega atrasada e embalagem danificada."
Sentimento: Negativo

Texto: "O atendimento foi razoável, mas o produto chegou com atraso."
Sentimento:

Neutro

Extração estruturada:

Entrada: "João Silva, gerente de TI da Empresa Alpha, relatou o incidente."
Saída: {"nome": "João Silva", "cargo": "gerente de TI", "empresa": "Empresa Alpha"}

Entrada: "A delegada Maria Costa, da 3ª DP, instaurou o inquérito."
Saída:

{"nome": "Maria Costa", "cargo": "delegada", "empresa": "3ª DP"}

O formato da saída é aprendido pelo modelo a partir das demonstrações — sem necessidade de instrução explícita sobre JSON.

Vantagens

Vantagem Descrição
Controle de formato Exemplos definem exatamente como a saída deve ser estruturada
Maior precisão Reduz ambiguidade em tarefas complexas ou especializadas
Sem retreinamento Não exige fine-tuning — funciona direto no prompt
Adaptável Troca de exemplos = troca de comportamento instantânea

Limitações

  • Custo em tokens: Cada exemplo ocupa espaço na janela de contexto, aumentando o custo por requisição.
  • Qualidade dos exemplos: Exemplos ruins ou enviesados degradam a saída — garbage in, garbage out.
  • Limite de contexto: Modelos com janelas pequenas restringem o número de exemplos viáveis.
  • Não substitui fine-tuning: Para comportamentos muito específicos e consistentes, o fine-tuning ainda supera o few-shot.

Zero-Shot vs. Few-Shot

Zero-Shot Few-Shot
Exemplos fornecidos Nenhum 1 a N
Custo em tokens Baixo Médio a alto
Controle de formato Limitado Alto
Tarefas complexas Médio desempenho Alto desempenho
Melhor uso Tarefas diretas Padrão rígido de saída

Quando usar?

  1. O formato de saída é crítico e não negociável (JSON, tabelas, laudos padronizados);
  2. A tarefa é especializada e o zero-shot produziu resultados inconsistentes;
  3. Você precisa de comportamento reprodutível entre execuções;
  4. O domínio é técnico — forense, jurídico, médico — onde a precisão vocabular importa.

Quando mesmo o few-shot não for suficiente para tarefas de raciocínio encadeado, o próximo passo é o Chain-of-Thought Prompting — onde os exemplos incluem não só a resposta, mas o raciocínio passo a passo que leva até ela.

Referências