Prompt few-shot (prompt com exemplos)

De onde vem o termo prompt few-shot?

Shot é cada exemplo resolvido que você coloca no pedido. Few-shot quer dizer "poucos exemplos". Zero-shot quer dizer nenhum exemplo, só a instrução. One-shot quer dizer um único exemplo.

O termo ganhou força com o trabalho de Brown e colegas, de 2020. O trabalho descreveu modelos grandes como capazes de executar tarefas a partir de exemplos dados no próprio texto do pedido. Esse efeito se chama aprendizado in-context, ou seja, "dentro do contexto" da conversa. O artigo de Kojima e colegas resume a convenção assim: prompts com alguns exemplos da tarefa são few-shot, e prompts só com modelo de texto são zero-shot.

A definição continua a mesma na documentação atual. O Google Cloud chama de few-shot os prompts com exemplos e de zero-shot os prompts sem exemplos. Um material didático da Universidade de Mannheim, de 18 de abril de 2026, descreve few-shot como fornecer várias demonstrações de execução correta junto com a descrição da tarefa.

Como se usa um prompt few-shot na prática?

🌱 Para quem é novo nisso. Você mostra ao modelo como quer a resposta antes de fazer o pedido de verdade.

Veja primeiro a versão zero-shot, só com a instrução:

Classifique o sentimento da frase como positivo, negativo ou neutro.
Frase: "A entrega chegou antes do prazo."
Resposta:

Nessa versão, o modelo precisa inferir sozinho as classes, o formato da resposta e o critério.

Agora a versão few-shot, com exemplos antes do caso novo:

Classifique o sentimento como positivo, negativo ou neutro.

Frase: "O produto chegou quebrado."
Resposta: negativo

Frase: "O atendimento foi rápido e eficiente."
Resposta: positivo

Frase: "A entrega chegou antes do prazo."
Resposta:

🔎 Para quem já usa. O mesmo texto funciona em chats de empresas diferentes. Os fornecedores orientam de formas parecidas, mas não iguais (verificado em nov/2026):

• OpenAI. A documentação, atualizada em 13 de novembro de 2026, recomenda começar com zero-shot e tentar few-shot depois. Se os dois falharem, ela sugere considerar fine-tuning, que é retreinar o modelo com seus próprios dados.
• Google Cloud. A documentação diz que exemplos podem mudar o comportamento do modelo. Ela também avisa que poucos exemplos podem ser insuficientes, dependendo do modelo.

🚀 Para quem já é mais avançado. A plataforma Gemini Enterprise Agent, do Google Cloud, documenta dois otimizadores de prompt (verificado em nov/2026):

• Zero-shot optimizer. Melhora um prompt ou uma instrução de sistema sem exigir exemplos. A documentação o descreve como independente do modelo e de baixa latência.
• Few-shot optimizer. Analisa exemplos de prompts, respostas insatisfatórias e feedback para refinar a instrução de sistema.

Ao montar os exemplos, mantenha o formato idêntico ao que você quer na resposta. Inclua também casos ambíguos.

Few-shot é sempre melhor que zero-shot? Confusões comuns

Confusão 1: "few-shot treina o modelo". Não treina. Os exemplos orientam a tarefa só durante aquela solicitação. Os parâmetros do modelo não mudam. Treinar de fato é o fine-tuning, que é outra técnica.

Confusão 2: "mais exemplos sempre ajudam". Estudos publicados em 2026 mostram resultados diferentes conforme a tarefa:

• Otimização de consultas SQL. Um estudo apresentado no CBSoft 2026 comparou dois modelos em 22 consultas. Um deles gerou otimização válida em 21 de 22 sem exemplos. O outro foi de 8 de 22 em zero-shot para 21 de 22 em few-shot.
• Extração de dados de documentos de edifícios. Um artigo do SimBuild 2026 relata que few-shot melhorou a precisão dos dois modelos testados. No conjunto HERS L100, uma métrica foi de 0,040 em zero-shot para 0,082 em few-shot.
• Classificação clínica. Um artigo na Scientific Reports avaliou 142 relatórios. O melhor few-shot teve micro-F1 de 0,696, contra 0,716 do zero-shot. O estudo não encontrou diferença significativa entre zero-shot e few-shot com cinco exemplos.

Exemplos enviesados ou incompletos também podem levar o modelo na direção errada, como mostra uma taxonomia de técnicas de prompt publicada em março de 2026.

Confusão 3: "um ranking de modelos mostra quem aproveita melhor os exemplos". Nem sempre. A Epoch AI, em página atualizada em 12 de novembro de 2026, informa que avalia vários testes com prompting zero-shot e cadeia de pensamento. Uma tabela assim mede os modelos sob esse protocolo. Ela não mostra qual modelo ganha mais com exemplos.

A saída prática é testar. Compare zero-shot e few-shot no mesmo conjunto de casos, com o mesmo modelo e as mesmas configurações. Depois repita o teste em um segundo modelo.