Prompt con ejemplos (few-shot): mostrar en lugar de explicar
El prompt few-shot consiste en incluir en su instrucción algunos ejemplos completos de lo que espera, para que el modelo imite su formato y estilo. Es una de las técnicas más sencillas y eficaces para obtener respuestas homogéneas.
Datos a 22 de octubre de 2026
Lo esencial en cifras
| Nivel | Intermedio |
|---|---|
| Origen | 2020 |
| Introducido por | Brown et al. (OpenAI) |
Mostrar en lugar de describir
Describir con precisión un formato de respuesta es difícil; mostrarlo es mucho más fácil. En eso se basa el prompt few-shot («con pocos ejemplos»): dentro de su prompt coloca dos, tres o cuatro pares «entrada → respuesta esperada» y, a continuación, la nueva entrada. El modelo detecta el patrón y lo reproduce.
Un ejemplo concreto
Imagine que clasifica los mensajes de un servicio de atención al cliente en tres categorías. Su instrucción podría ser así:
- «Mi paquete nunca llegó» → Envío
- «Quiero cambiar mi correo electrónico» → Cuenta
- «El producto llegó roto» → Reclamación
- «Ya no puedo iniciar sesión» → ?
Sin ejemplos, el modelo podría contestar con una frase completa, inventar una cuarta categoría o escribir las etiquetas de otra forma. Con ellos, casi siempre responde con una sola palabra de la lista correcta. Para una salida estructurada como JSON, un ejemplo del formato exacto suele funcionar mejor que una larga explicación.
De dónde viene el término
La expresión se popularizó con el artículo de presentación de GPT-3, «Language Models are Few-Shot Learners» (Brown et al., OpenAI, mayo de 2020). Sus autores mostraron que un gran modelo podía realizar una tarea nueva a partir de unas pocas demostraciones dadas solo como texto, sin volver a entrenarlo. Esta capacidad se conoce a menudo como aprendizaje en contexto.
Por qué importa
El few-shot es la técnica más accesible de la ingeniería de prompts: sin código, sin datos de entrenamiento y con un efecto a menudo inmediato en la regularidad de las respuestas. En un agente o una automatización es una forma barata de hacer predecible el resultado antes de recurrir al ajuste fino, mucho más costoso de poner en marcha.
Errores frecuentes
- Ejemplos demasiado parecidos. Si cada uno de ellos es corto y positivo, el modelo tendrá dificultades con un caso largo o ambiguo. Varíelos.
- Un sesgo involuntario. Si dos de cada tres ejemplos comparten categoría, el modelo puede favorecerla. Equilíbrelos.
- Ejemplos descuidados. Un error de formato en un ejemplo se copiará fielmente.
- Creer que el modelo ha «aprendido». Los ejemplos solo valen para la petición actual.
Términos relacionados
El few-shot combina bien con la cadena de pensamiento: sus ejemplos pueden mostrar no solo la respuesta, sino también el razonamiento que lleva a ella. El generador de prompts del sitio le ayuda a añadir una sección de ejemplos a su instrucción.
Términos relacionados
- Prompt (instrucción) · Texto, pregunta o instrucción que usted da a una IA para obtener una respuesta; su claridad influye directamente en el resultado.
- Ingeniería de prompts · Práctica de redactar, probar y mejorar las instrucciones que se dan a una IA para obtener respuestas más fiables y útiles.
- Ajuste fino (fine-tuning) · Continuar el entrenamiento de un modelo ya entrenado con un pequeño conjunto de ejemplos para adaptarlo a una tarea, un estilo o un formato.
- Cadena de pensamiento · Hacer que un modelo escriba pasos de razonamiento intermedios antes de su respuesta final, lo que ayuda en problemas complejos.
- Salida estructurada (JSON) · Respuesta de un modelo de IA generada en un formato impuesto, casi siempre un JSON conforme a un esquema, para que la lea un programa.
Para probar
Todo el glosario
Preguntas frecuentes
¿Cuántos ejemplos hay que dar?
No existe una cifra oficial. En la práctica, unos pocos ejemplos bien elegidos suelen bastar; añada más si el modelo sigue fallando en casos típicos. Cada ejemplo ocupa espacio en la ventana de contexto y, por tanto, tokens.
¿Qué significan zero-shot, one-shot y few-shot?
Zero-shot: describe la tarea sin ningún ejemplo. One-shot: da un solo ejemplo. Few-shot: da varios. Estos términos se popularizaron con el artículo de presentación de GPT-3 en 2020.
¿El modelo aprende de forma permanente con esos ejemplos?
No. Los ejemplos solo sirven para la petición en curso y el modelo no se modifica. En una conversación nueva hay que volver a darlos o incluirlos en las instrucciones personalizadas.
¿El few-shot sustituye al ajuste fino?
Muchas veces, para necesidades sencillas. Cuando la tarea implica cientos de casos distintos o un estilo muy concreto, el ajuste fino con sus propios datos puede resultar más adecuado.
Fuentes de los datos
Datos a 22 de octubre de 2026
Señalar un error
¿Una cifra, una fecha o un dato le parece incorrecto? Díganoslo: verificamos cada aviso.