Zero-shot, few-shot y role prompting

Zero-shot vs few-shot

Zero-shot es pedir la tarea sin ningún ejemplo: solo instrucción más datos. Funciona cuando la tarea es estándar (resumir, traducir, clasificar en categorías obvias) y el modelo ya la vio millones de veces en su entrenamiento.

Few-shot es incluir un puñado de ejemplos de entrada y salida esperada. El modelo detecta el patrón (formato, nivel de detalle, criterio de decisión) y lo aplica al caso nuevo. Conviene cuando el formato es propio, el criterio es sutil o el zero-shot produce respuestas inconsistentes.

La capacidad de aprender de ejemplos en el momento, sin reentrenar, fue documentada en el trabajo de GPT-3: los modelos grandes mejoran con ejemplos en contexto. Pero más ejemplos no siempre es mejor: cada ejemplo gasta ventana de contexto y los ejemplos mal elegidos enseñan el patrón equivocado.

Role prompting y sus límites

Darle un rol al modelo (actuá como un corrector de estilo, respondé como un tutor paciente) sirve para fijar tono, perspectiva y nivel: un tutor explica paso a paso, un corrector marca errores sin reescribir todo. Es una instrucción de estilo compacta y legítima.

Sus límites son importantes: el rol no agrega conocimiento que el modelo no tenga ni lo vuelve experto. Frases como sos el mejor experto del mundo no mejoran la precisión; a lo sumo cambian la seguridad con la que el modelo afirma cosas, incluidas las incorrectas. Si necesitás exactitud en un dominio, aportá material de ese dominio (contexto, documentos, datos) en lugar de adjetivos.

En resumen: usá roles para cómo responde (formato, tono, punto de vista) y contexto más verificación para qué responde (hechos, decisiones).

Elegir buenos ejemplos

Dos o tres ejemplos bien elegidos rinden más que diez mediocres:

• Diversos: cubrí los casos borde, no tres variantes del caso fácil.
• Representativos: con el mismo formato exacto que esperás en la salida.
• Correctos: un ejemplo con un error enseña ese error.
• Ordenados con criterio: el modelo pesa más los últimos; poné el caso más parecido al real al final.

Si con buenos ejemplos la tarea sigue fallando, el problema probablemente no sea el prompt sino la tarea: hay que descomponerla (ver chaining) o darle herramientas al modelo (ver structured outputs).

Fuentes

• Language Models are Few-Shot Learners (GPT-3) (paper) · consultado 20/09/2026
• Documentación de prompt engineering (ejemplos multishot, roles) (documentacion-oficial) · consultado 20/09/2026

Seguir aprendiendo

• Structured outputs y formatos de respuesta (Intermedio)