Few-shot prompting: cuándo y cómo usar ejemplos

El few-shot prompting consiste en añadir a tu prompt unos cuantos ejemplos resueltos, cada uno con una entrada y la salida que quieres, para que el modelo deduzca el patrón. Es más útil cuando el resultado es más fácil de mostrar que de describir: un tono concreto, una clasificación con límites sutiles, un formato de salida fijo o la forma de tratar casos complicados. Suelen bastar de dos a cinco ejemplos variados y de calidad. Combínalos con instrucciones claras, márcalos bien como ejemplos y comprueba si de verdad mejoran los resultados en tus propios casos.

Este artículo forma parte de nuestra serie sobre prompting. Para el método general, empieza por la guía de ingeniería de prompts para empresas.

Zero-shot, one-shot y few-shot

Enfoque	Qué contiene el prompt	Uso típico
Zero-shot	Solo instrucciones	Tareas comunes que el modelo entiende bien, como resumir o traducir
One-shot	Instrucciones y un ejemplo	Mostrar una vez un formato o un estilo
Few-shot	Instrucciones y varios ejemplos	Distinciones sutiles, estilo constante, salidas estructuradas

Los modelos actuales resuelven bien muchas tareas en zero-shot. El few-shot no es algo que aplicar por defecto, sino una herramienta para los casos en que las instrucciones solas dan resultados irregulares.

Cuándo ayudan más los ejemplos

• Estilo y tono de la casa. Describir «cercano pero no charlatán, directo pero no seco» es difícil. Dos respuestas de muestra lo hacen concreto.
• Clasificación con límites difusos. Si «reclamación» y «opinión» se solapan, los ejemplos de casos límite muestran dónde pones la línea.
• Formatos exactos. Una muestra del JSON, la tabla o el informe que necesitas reduce los errores de formato.
• Casos especiales. Un ejemplo de cómo responder cuando falta información enseña al modelo a hacer lo mismo.
• Convenciones del sector. Expresiones, abreviaturas o estructuras propias de un sector.

Cuándo no compensan los ejemplos

• Tareas sencillas y bien entendidas. Los ejemplos cuestan tokens sin mejorar el resultado.
• Cuando no puedes aportar buenos ejemplos. Los ejemplos flojos enseñan resultados flojos.
• Tareas muy variadas. Si cada petición es distinta, los ejemplos pueden empujar al modelo hacia el patrón equivocado.
• Ejemplos muy largos. Si cada ejemplo es un documento entero, el prompt se encarece y el modelo puede centrarse en los ejemplos en lugar de en la entrada real.

Un ejemplo práctico: clasificar mensajes de clientes

Solo instrucciones (zero-shot):

Clasifica el mensaje del cliente en una de estas categorías: estado_pedido,
devolucion, reclamacion, consulta_producto, otro. Responde solo con la categoría.

Funciona en los casos claros, pero puede dudar con mensajes como «La silla llegó rayada, ¿puedo devolverla?». ¿Es una reclamación o una devolución?

Versión few-shot:

Clasifica el mensaje del cliente en una de estas categorías: estado_pedido,
devolucion, reclamacion, consulta_producto, otro. Responde solo con la categoría.

Reglas:
- Si el cliente quiere devolver algo, usa devolucion, aunque también esté
  descontento.
- Usa reclamacion cuando el cliente exprese insatisfacción sin pedir una
  devolución ni un cambio.

Ejemplos:
Mensaje: "¿Dónde está mi pedido? Tenía que llegar ayer."
Categoría: estado_pedido

Mensaje: "La silla llegó rayada, ¿puedo devolverla?"
Categoría: devolucion

Mensaje: "Vuestro repartidor fue maleducado y dejó la caja bajo la lluvia."
Categoría: reclamacion

Mensaje: "¿El escritorio de roble está también en 160 cm?"
Categoría: consulta_producto

Ahora clasifica:
Mensaje: """[mensaje del cliente]"""
Categoría:

Fíjate en tres cosas: las reglas explicitan la decisión, los ejemplos cubren el límite complicado y cada categoría aparece una vez. Los ejemplos apoyan las reglas; no las sustituyen.

¿Cuántos ejemplos?

No hay un número universal. Un enfoque práctico:

1. Empieza en zero-shot con una instrucción clara.
2. Si los resultados son irregulares, añade dos o tres ejemplos que cubran los casos problemáticos.
3. Prueba con un conjunto fijo de entradas reales.
4. Añade más ejemplos solo si corrigen fallos concretos.

Recuerda que, en una aplicación, los ejemplos forman parte de la entrada en cada solicitud. Cinco ejemplos de 150 tokens suman 750 tokens por llamada. Con muchas solicitudes se acumula; el artículo sobre los precios de las API de LLM muestra cómo calcularlo, y la caché de prompts puede reducir el coste de un bloque de ejemplos estable.

Elegir buenos ejemplos

• Representativos: deben parecerse a entradas reales, no a casos idealizados.
• Variados: distintas longitudes, redacciones y situaciones, para que el modelo aprenda el patrón y no la superficie.
• Equilibrados: en clasificación, evita que la mayoría de ejemplos sean de una misma categoría; el modelo podría favorecerla.
• Correctos: cada salida de ejemplo debe ser exactamente lo que quieres. Un solo ejemplo descuidado puede copiarse.
• Con casos límite: al menos un ejemplo de la situación en la que el modelo suele fallar.
• Breves: recórtalos a lo que demuestra el punto.

Formatear los ejemplos

Una estructura clara ayuda al modelo a separar los ejemplos de la tarea real:

• Usa etiquetas constantes como «Mensaje:» y «Categoría:», o «Entrada:» y «Salida:».
• Separa los ejemplos con líneas en blanco o delimitadores.
• Si quieres, envuélvelos en etiquetas, por ejemplo <example>...</example>.
• Pon la entrada real al final, con el mismo formato que los ejemplos, seguida de la etiqueta de salida.
• Indica de forma explícita: «Los ejemplos ilustran el formato y el estilo. No reutilices su contenido».

Evitar la copia excesiva

Un problema habitual es que el modelo imite demasiado los ejemplos, reutilice frases o fuerce todas las respuestas a la misma estructura. Para reducirlo:

• Varía la redacción y la longitud de los ejemplos.
• Usa ejemplos de contextos distintos.
• Di qué debe trasladarse («tono y estructura») y qué no («redacción concreta, nombres, datos»).
• Evita ejemplos con datos concretos que el modelo pueda repetir en respuestas sin relación.
• Si persiste, usa menos ejemplos o describe el patrón con palabras.

Few-shot para el estilo de redacción

En tareas de redacción, los ejemplos de buenos textos anteriores suelen ser la forma más eficaz de transmitir un estilo. Un patrón que funciona bien:

Escribe una respuesta al correo del cliente de abajo con nuestro estilo de la casa.

Nuestro estilo: cercano, directo, frases cortas, sin signos de exclamación, siempre
terminar con un siguiente paso claro.

Dos respuestas que consideramos buenas (solo por el estilo, no por el contenido):
<example>[respuesta anterior 1]</example>
<example>[respuesta anterior 2]</example>

Correo del cliente:
"""[correo]"""

Elimina los datos personales de las respuestas anteriores antes de usarlas como ejemplos, de acuerdo con la política de IA de tu empresa.

Few-shot en los prompts de sistema

En las aplicaciones, los ejemplos suelen ir en el prompt de sistema para que se apliquen a todas las conversaciones. Mantenlos breves, bien señalados, y revísalos cada vez que actualices las reglas, para que ejemplos e instrucciones nunca se contradigan. Cómo escribir un prompt de sistema explica dónde encajan los ejemplos en la estructura general.

Few-shot prompting frente a fine-tuning

Ambos enseñan al modelo con ejemplos, pero de forma muy distinta:

	Few-shot prompting	Fine-tuning
Dónde están los ejemplos	En el prompt, en cada solicitud	Integrados en el modelo mediante entrenamiento
Número de ejemplos	Un puñado	Normalmente muchos más
Esfuerzo de puesta en marcha	Minutos	Preparación de datos, entrenamiento, evaluación
Estructura de costes	Más tokens de entrada por solicitud	Coste de entrenamiento más uso del modelo
Flexibilidad	Ejemplos modificables en cualquier momento	Hay que reentrenar para cambiar

Empieza con few-shot. Plantéate el fine-tuning solo cuando tengas muchos ejemplos de calidad, mucho volumen y una tarea estable. Consulta RAG o fine-tuning para una comparación más completa.

Comprobar si los ejemplos ayudan

1. Crea un conjunto de prueba con entradas reales, incluidas las difíciles.
2. Ejecuta el prompt sin ejemplos y anota los resultados.
3. Ejecútalo con ejemplos y compara.
4. Revisa los fallos de ambas versiones. ¿Los ejemplos los corrigieron o introdujeron otros?
5. Quédate solo con los ejemplos que se ganen su sitio.

Errores habituales

• Ejemplos que contradicen las instrucciones. El modelo puede seguir el ejemplo en vez de la regla.
• Todos los ejemplos iguales. El modelo aprende un patrón demasiado estrecho.
• Categorías desequilibradas. El modelo se inclina por la más frecuente.
• Ejemplos con errores. Se reproducen.
• Usar ejemplos en lugar de instrucciones. Combina ambos: enuncia la regla y luego muéstrala.
• No revisar nunca los ejemplos. Actualízalos cuando cambien tu política, tus productos o tu estilo.

Pruébalo

El generador de prompts para IA tiene un campo para un ejemplo de buen resultado y añade una nota que pide al modelo seguir su estilo y estructura, no su contenido. Pega ahí uno de tus mejores resultados anteriores y compara con la versión sin ejemplo. Para más puntos de partida, consulta las plantillas de prompts para empresas.