Few-shot: exemplos como superpoder

Few-shot é a técnica que, sozinha, dá o maior salto de qualidade da Fase 2. Em vez de descrever o que você quer, você mostra. O modelo generaliza a partir dos seus exemplos.

A intuição: descrever é ambíguo, mostrar é cristalino. Quando você diz "seja conciso", o modelo interpreta de um jeito. Quando você dá 3 exemplos de input → output, ele entende exatamente o que você quer.

Os 3 sabores

Zero-shot (sem exemplos)

"Classifique o sentimento deste review: 'O produto é bom, mas o atendimento foi horrível.'"

O modelo usa só as instruções. Bom pra tarefas comuns e bem definidas (tradução, resumo curto, classificação genérica).

One-shot (1 exemplo)

"Classifique o sentimento do review.

Exemplo: Review: 'Adorei! Chegou antes do prazo.' Sentimento: positivo

Agora classifique: Review: 'O produto é bom, mas o atendimento foi horrível.' Sentimento:"

O modelo "ancora" no exemplo. Bom quando o formato ou categoria não é óbvio.

Few-shot (2–5 exemplos, idealmente 3-4)

"Classifique o sentimento do review em: positivo, neutro, negativo.

Exemplos: Review: 'Adorei! Chegou antes do prazo.' Sentimento: positivo

Review: 'O produto é ok. Faz o que promete.' Sentimento: neutro

Review: 'Veio com defeito e o suporte não respondeu.' Sentimento: negativo

Agora classifique: Review: 'O produto é bom, mas o atendimento foi horrível.' Sentimento:"

Onde few-shot brilha

• Classificação customizada - suas categorias, não as padrão do modelo
• Extração em formato específico - JSON, regex, padrão proprietário
• Tom de voz específico - "escreva como nos exemplos a seguir"
• Tradução com regras de casa - glossário, termos obrigatórios
• Geração que segue um template - "para cada item, gere no formato X"

Onde few-shot não ajuda (ou atrapalha)

• Tarefas que o modelo já faz bem sem exemplo (resumo, tradução genérica). Adicionar exemplos aqui só desperdiça tokens.
• Exemplos mal escolhidos - se os 3 exemplos não representam a distribuição real do problema, o modelo vai seguir o viés deles.
• Muitos exemplos - passar de 5-7 raramente ajuda; pode até confundir (o modelo começa a "decorar" em vez de generalizar).
• Few-shot pra raciocínio - few-shot ajuda com formato, mas raciocínio profundo pede chain-of-thought (próximo nó).

Boas práticas

1. Exemplos diversos, não redundantes. 3 exemplos cobrindo 3 situações diferentes > 3 variações do mesmo caso.
2. Exemplos corretos. Modelo aprende o que você mostra - se tiver exemplo errado, ele aprende errado.
3. Formato consistente. Se o exemplo de entrada é uma frase, todos os outros são frases. Misturar formato confunde.
4. Ordem pode importar. Em classificação com viés, botar os positivos primeiro vs. os negativos primeiro muda a distribuição. Para categorias equilibradas, aleatorize a ordem dos exemplos.
5. Inclua edge cases. Se o caso difícil existe, mostre um exemplo dele. Modelo aprende melhor quando vê a fronteira.

• Few-shot é "mostrar em vez de descrever". Modelo generaliza a partir dos seus exemplos.
• 3-5 exemplos é o sweet spot. Zero é zero-shot. Um é one-shot. Mais que 5-7 raramente ajuda.
• Exemplos devem ser diversos e corretos. Poucos casos bem escolhidos vencem muitos casos medianos.
• Few-shot resolve formato. Para raciocínio, é complemento do chain-of-thought (próximo nó).
• Few-shot não é "few tokens": cada exemplo pode ser longo, desde que representativo.

Dica: quando o modelo erra um caso específico, adicione esse caso como exemplo e teste de novo. É o jeito mais rápido de "ensinar" sem reescrever todo o prompt.

No próximo nó, vamos para a técnica que, combinada com few-shot, é a mais poderosa da Fase 2: chain-of-thought - pedir pro modelo pensar em voz alta.