📋 Anatomia do Few-Shot
Um prompt few-shot tem tres partes essenciais: instrucao geral, exemplos demonstrativos e a query real. Cada exemplo funciona como um par input→output que ensina o modelo o padrao esperado.
🔬 Estrutura Padrao
Instrucao: Classifique o sentimento como positivo, negativo ou neutro.
--- Exemplo 1 ---
Texto: "Adorei o produto, superou expectativas!"
Sentimento: positivo
--- Exemplo 2 ---
Texto: "Pessimo atendimento, nunca mais volto."
Sentimento: negativo
--- Query ---
Texto: "O preco e justo, mas a entrega atrasou."
Sentimento:
📊 Componentes Criticos
- • Separadores claros: Use delimitadores consistentes entre exemplos (---, ###, etc.)
- • Labels identicos: Use sempre os mesmos rotulos (Texto/Sentimento) em todos os exemplos
- • Query incompleta: A query termina sem resposta, sinalizando ao modelo que deve completar
🎯 Selecao de Exemplos
A escolha dos exemplos e o fator mais critico do few-shot. Exemplos mal selecionados podem introduzir vies, confundir o modelo ou gerar padroes incorretos. A selecao deve ser intencional e estrategica.
✓ O que FAZER
- ✓ Incluir exemplos de todas as categorias possiveis
- ✓ Variar a complexidade (facil, medio, dificil)
- ✓ Adicionar contra-exemplos (casos limite)
- ✓ Balancear a distribuicao entre classes
✗ O que EVITAR
- ✗ Todos os exemplos de uma unica categoria
- ✗ Exemplos muito similares entre si
- ✗ Ignorar casos ambiguos ou de fronteira
- ✗ Selecionar exemplos com erros ou inconsistencias
💡 Vies de Selecao
Se voce usa 3 exemplos positivos e 1 negativo em um classificador de sentimento, o modelo tende a classificar mais coisas como positivas. Mantenha a distribuicao dos exemplos proporcional ao que voce espera na pratica, ou equilibre igualmente entre categorias.
📐 Formatacao Consistente
A consistencia visual e estrutural entre exemplos e fundamental. O modelo aprende tanto pelo conteudo quanto pelo formato. Se cada exemplo tem uma estrutura diferente, o modelo nao sabe qual padrao seguir.
Delimitadores
Escolha um separador e use-o em TODOS os exemplos. Opcoes: "---", "###", "===", XML tags. Nao misture estilos.
Rotulos
Use sempre os mesmos nomes de campo: se o primeiro exemplo usa "Input:" e "Output:", todos devem usar exatamente esses termos.
Profundidade
Se um exemplo tem resposta de 3 linhas, todos devem ter comprimento similar. Variacoes grandes confundem o modelo sobre o nivel de detalhe esperado.
Alinhamento Semantico
O nivel de formalidade, tom e vocabulario deve ser consistente entre exemplos. Se um exemplo e formal e outro coloquial, o modelo fica ambiguo.
📋 Template Recomendado
[Instrucao geral]
### Exemplo 1
Input: [dado de entrada]
Output: [resultado esperado]
### Exemplo 2
Input: [dado de entrada]
Output: [resultado esperado]
### Sua vez
Input: [query real]
Output:
⚖️ Few-Shot vs Zero-Shot
Nem sempre few-shot e melhor que zero-shot. A escolha depende da complexidade da tarefa, da disponibilidade de bons exemplos e do orcamento de tokens. Entender quando usar cada abordagem evita desperdicio e maximiza resultados.
📊 Matriz de Decisao
| Criterio | Zero-Shot | Few-Shot |
|---|---|---|
| Tarefa simples | Suficiente | Desnecessario |
| Formato especifico | Pode falhar | Recomendado |
| Classificacao customizada | Inconsistente | Essencial |
| Custo de tokens | Baixo | Alto |
| Latencia | Rapido | Mais lento |
💡 Regra Pratica
Comece com zero-shot. Se o resultado nao for satisfatorio, adicione 2-3 exemplos. Se ainda nao funcionar, revise a qualidade dos exemplos antes de adicionar mais. Quantidade sem qualidade nao resolve.
🔗 Few-Shot com Cadeia de Raciocinio
A combinacao mais poderosa: exemplos que incluem raciocinio explicito. Cada exemplo mostra nao apenas input→output, mas input→raciocinio→output. O modelo aprende tanto o formato quanto o processo de pensamento.
📋 Formato CoT + Few-Shot
### Exemplo
Pergunta: Um trem viaja a 80 km/h por 2h30min. Que distancia percorre?
Raciocinio:
- Velocidade: 80 km/h
- Tempo: 2h30min = 2.5 horas
- Distancia = velocidade x tempo = 80 x 2.5 = 200 km
Resposta: 200 km
### Sua vez
Pergunta: [nova pergunta]
Raciocinio:
⚠️ Quando Combinar
CoT + Few-Shot e ideal quando:
- • O raciocinio precisa seguir um formato especifico (nao apenas "pensar")
- • A tarefa tem multiplos tipos de raciocinio possiveis e voce quer guiar qual usar
- • Zero-shot CoT gera raciocinio desorganizado ou incompleto
Atencao: esta combinacao consome muitos tokens. Use quando a precisao justifica o custo.
🧪 Exercicio: Few-Shot Otimizado
Crie e teste prompts few-shot para tres cenarios diferentes. O objetivo e iterar nos exemplos ate encontrar o conjunto ideal: minimo de exemplos com maximo de precisao.
📋 Desafio 1: Classificacao
Crie um prompt few-shot que classifica emails em: urgente, normal, spam, informativo.
- 1. Comece com 1 exemplo por categoria (4 exemplos total)
- 2. Teste com 10 emails variados
- 3. Identifique onde errou e ajuste os exemplos
- 4. Repita ate atingir 80%+ de acerto
💡 Desafio 2: Extracao
Crie um prompt few-shot que extrai nome, cargo e empresa de assinaturas de email em formato JSON.
- 1. Inclua exemplos com formatos diferentes de assinatura
- 2. Teste com assinaturas em portugues e ingles
- 3. Adicione um caso sem cargo explicito (campo vazio)
🎯 Desafio 3: Geracao
Crie um prompt few-shot que gera descricoes de produto para e-commerce com tom consistente.
- 1. Defina o tom nos exemplos (nao na instrucao)
- 2. Varie as categorias de produto nos exemplos
- 3. Meça se o tom se manteve consistente nas saidas
📝 Resumo do Modulo
Proximo Modulo:
2.3 — Meta-Prompting: prompts que criam prompts