Few-Shot Prompting: Muestra el Patrón a la IA en Vez de Describirlo

TL;DR

Few-shot prompting significa mostrarle a la IA dos o más ejemplos resueltos — Entrada A → Salida B — en lugar de describir lo que quieres, para que imite el patrón, tono y formato exactos que demostraste. Es el candado más fuerte que existe sobre salidas personalizadas — y el prompt más caro que puedes enviar, porque cada ejemplo viaja en cada mensaje.

La Analogía

Intenta enseñarle a alguien una pirueta por teléfono.

"Gira el cuerpo 360 grados sobre una pierna, en la punta del pie, brazos redondeados, cabeza fijando la mirada." Técnicamente completo. Y absolutamente inenseñable así — las palabras describen la habilidad, pero la habilidad no está hecha de palabras. Ahora pon al mismo alumno frente a un instructor de danza, que no dice nada y simplemente hace tres piruetas, despacio, y dice: "así."

El cuerpo del alumno ya sabe más con tres demostraciones que con cualquier párrafo de descripción. Los humanos aprenden muchas cosas por imitación mucho más rápido que por instrucción — y los modelos de lenguaje, resultó, están construidos igual. Muéstrale a un modelo tres ejemplos de un patrón y a menudo reproducirá el patrón impecablemente, incluyendo detalles que nunca pensaste mencionar y no sabrías describir.

Esa es la distinción entera de esta lección. Un prompt one-shot dice — verbo, contexto, formato — y para trabajo estándar (resumir, listar, traducir, reescribir), decir es suficiente, porque el modelo ya conoce esas danzas. Few-shot prompting muestra — pegas la danza misma, dos o tres actuaciones de Entrada → Salida, y el modelo imita. Describir en prosa el peculiar formato de tickets de soporte de tu empresa es la llamada telefónica. Pegar tres tickets reales es la demostración.

Una cosa más sobre los instructores de danza: las demostraciones no son gratis. El tiempo del instructor, el estudio, las tres actuaciones lentas — mostrar cuesta más que decir, en cada sesión. Guarda ese pensamiento; se convierte en la economía de esta técnica entera.

Cómo Funciona y el Costo

Un prompt few-shot es una pila de ejemplos resueltos seguida de una nueva entrada, estructurada para que el patrón sea inconfundible:

Elemento	Papel
Ejemplo 1: Entrada → Salida	Define la transformación
Ejemplo 2: Entrada → Salida	Confirma que no fue coincidencia
Ejemplo 3: Entrada → Salida	Fija el comportamiento en casos límite (la entrada difícil muestra cómo quieres los casos difíciles)
Nueva entrada	El turno del modelo de continuar el patrón

Los ejemplos hacen algo que las instrucciones no pueden: demuestran todo a la vez — formato, tono, extensión, capitalización, qué incluir, qué saltar — incluyendo cien microdecisiones que nunca notaste que estabas tomando. "Apple → Pomme. Car → Voiture. Ahora traduce: House." — tres líneas, y el modelo ya sabe el idioma, la dirección, las mayúsculas y el registro. Ningún párrafo de instrucción podría especificar todo eso en menos tokens. Es por eso que few-shot supera incluso a descripciones excelentes siempre que el patrón objetivo es personalizado: el modelo deja de adivinar tu dialecto y empieza a hablarlo.

Ahora la cuenta. Cada ejemplo que pegas es texto en la ventana de contexto — el escritorio que el modelo relee antes de cada respuesta. Los ejemplos no se evaporan tras la primera respuesta; permanecen en el escritorio toda la conversación, añadiendo tokens a cada mensaje posterior procesado. Tres ejemplos sustanciosos pueden pesar fácilmente más que el resto de la conversación sumada. Y en Uzu, donde los mensajes se tarifean en G-Credits, esa física se vuelve visible en tu saldo: un prompt few-shot simplemente cuesta más por mensaje que uno one-shot magro, y sigue costando más por todo el tiempo que viva el chat.

De ahí la regla sobre la que corre este currículo:

One-shot por defecto; few-shot por necesidad. Muestra ejemplos cuando el formato o la lógica es genuinamente personalizado — un estilo de casa, una regla de parseo, un esquema de clasificación con tus propios casos límite. Si una instrucción clara puede capturarlo, dilo. Decir es más barato — y muchas veces, es suficiente.

La jugada económica más pura: los ejemplos ganan su precio solo cuando un formato equivocado te costaría más de lo que costaron los tokens — una re-ejecución, una limpieza manual, un sistema aguas abajo que se rompe con salida malformada. Ese es el test del few-shot: no "¿ayudarían los ejemplos?" (casi siempre ayudan) sino "¿este patrón exige demostración?"

Antes y Después (Los Prompts)

Ejemplo 1 — el titular con estilo de casa

Reescribe este anuncio de funcionalidad como un titular pegadizo en la voz de nuestra marca.

"Voz de marca" es una descripción de pirueta por teléfono. El modelo adivina — pegadizo para él, marca para él — y devuelve algo enérgico y completamente fuera de voz.

Reescribe este anuncio de funcionalidad como un titular que siga nuestro estilo. Nuestro estilo:

Dashboard viejo, dashboard nuevo → Tus métricas llamaron. Quieren una pantalla más grande. Modo offline lanzado → Se acabó el Wi-Fi. El trabajo no. Tema oscuro liberado → Búhos nocturnos, este es para ustedes.

Anuncio de funcionalidad: La exportación masiva ya está disponible →

Tres demostraciones y el modelo ya no adivina — la extensión, el formato de flecha, las negritas, el registro de juego de palabras están todos mostrados, incluyendo el microestilo que jamás habrías especificado. La cuarta línea completa un patrón, no una instrucción.

Ejemplo 2 — el formato de extracción

Extrae la fecha, la ciudad y el total de cada línea de recibo de abajo.

Suficientemente simple — hasta que tu sistema que consume la salida espera AAAA-MM-DD | CIUDAD_EN_MAYÚSCULAS | centavos-sin-símbolo, un formato que no existe en la naturaleza. La versión con instrucción produce fechas legibles, nombres de ciudad correctos y un símbolo de moneda — correcto, e incompatible.

Extrae cada línea en: fecha, ciudad, total. Sigue el patrón exactamente:

"Pagué $42,50 en Lisboa el 3 de mayo" → 2026-05-03 | LISBOA | 4250 "São Paulo, 12/Ene, R$199,90" → 2026-01-12 | SÃO PAULO | 19990

"Checkout Tokio 7 Nov ¥3.000" →

Dos ejemplos, y las reglas no documentadas quedan enseñadas: orden ambigua día-mes resuelta, acentos conservados en mayúsculas, símbolos eliminados, decimales convertidos a unidades. Salida lista para máquina de un modelo que nunca fue "configurado" para nada — fue mostrado.

Ejemplo 3 — el tono que no debe derivar

Haz mis respuestas a clientes cálidas pero no efusivas, profesionales pero no rígidas.

Cada palabra en esa frase es cuestión de gusto, y el gusto del modelo difiere del tuyo. La respuesta vuelve adornada de signos de exclamación — cálida, según su lectura.

Reescribe mis borradores de respuesta para que coincidan con esta voz:

Borrador: "Tu reembolso fue procesado." → Respuesta: "Tu reembolso está en camino — lo verás dentro de 3 días hábiles. Gracias por tu paciencia mientras lo resolvimos." Borrador: "El artículo está agotado." → Respuesta: "¡Ese se agotó más rápido de lo que esperábamos! Estamos reponiendo esta semana y te escribo un correo en cuanto vuelva."

Borrador: "Tu cuenta fue suspendida." →

El tono no puede describirse; solo puede demostrarse. Con dos ejemplos, la tercera respuesta aterriza en la voz automáticamente — sin necesidad de sermón sobre signos de exclamación.

Errores Comunes

1. Ejemplos contradictorios. El ejemplo uno sale en minúsculas, el ejemplo tres capitaliza; uno es formal, otro bromea. El modelo resuelve la contradicción promediándola — produciendo salida distinta a todos tus ejemplos. Audita tus ejemplos como hallazgos de auditoría: cada detalle debe coincidir, porque cada detalle enseña.
2. Demasiados ejemplos, escritorio desbordado. Diez ejemplos "por seguridad" ocupan la ventana de contexto durante toda la conversación — desplazando contexto posterior e inflando el costo en tokens de cada respuesta en Uzu. Dos a cuatro ejemplos afilados casi siempre fijan el patrón; añade un quinto solo cuando un caso límite específico exija su propia demostración.
3. Ejemplos perezosos. Un ejemplo con una errata, una salida floja o una deriva de formato no solo falla en enseñar — activamente enseña tu defecto. El modelo reproducirá tus errores con fidelidad perfecta. Pule los ejemplos como copy publicado.
4. Usar few-shot para tareas estándar. Pegar tres ejemplos de "resume en un párrafo" no demuestra nada que el modelo ya no haga con una instrucción clara — estás pagando precios de demostración por una danza que todos conocen. Guarda la técnica para patrones que genuinamente viven solo en tus ejemplos.
5. Olvidar que los ejemplos persisten. La pila que pegaste en el mensaje uno sigue en el escritorio en el mensaje treinta — siguiendo costando tokens, siguiendo influyendo el tono. Si una tarea posterior en el mismo chat necesita comportamiento distinto, abre un chat nuevo o retira explícitamente el patrón ("nuevo formato a partir de aquí: ...").

Preguntas Frecuentes

¿Cuál es la diferencia entre prompting zero-shot, one-shot y few-shot?

Zero-shot significa preguntar sin ejemplos — instrucción pura, como "traduce esto al francés". One-shot significa incluir un solo ejemplo para anclar el patrón; few-shot significa dos o más ejemplos resueltos, que es donde el candado de patrón se vuelve lo bastante fuerte para formatos personalizados. (La anatomía del "prompt one-shot" de este currículo trata sobre una instrucción única completa — y cuando esa instrucción incluye ejemplos, se gradúa en few-shot.) Cuanto más inusual tu patrón objetivo, más ejemplos se necesitan para enseñarlo.

¿Cuándo debo usar few-shot en vez de simplemente describir el formato?

Usa few-shot cuando el patrón es personalizado, preciso y caro de errar: estilos de casa, reglas de parseo, esquemas de clasificación, salida que alimenta otro sistema — cualquier cosa donde la descripción en prosa deja al modelo adivinando. Si el formato es estándar (una tabla, cinco viñetas, un párrafo) o una descripción puede capturarlo por completo, one-shot es más rápido, más barato y suficiente. El test: ¿podría un extraño competente reproducir tu formato solo con tu descripción? Si no, demuestra.

¿Los ejemplos hacen los prompts de IA más caros?

Sí. Cada ejemplo son tokens en la ventana de contexto, y la ventana se reprocesa para cada respuesta de la conversación — así que los ejemplos añaden costo no una vez, sino continuamente. En Uzu, donde los mensajes se tarifean en G-Credits, una pila few-shot pesada es visiblemente el prompt más caro que puedes enviar. De ahí la disciplina: demuestra solo lo que la descripción no puede capturar, y mantén los ejemplos en el mínimo que fija el patrón.

Próxima Lección

Few-shot te exige ya tener ejemplos perfectos — ¿pero qué hay del patrón que no puedes mostrar porque nunca lo has escrito? Hay un movimiento para eso: deja de redactar la respuesta y empieza a redactar la pregunta. Entregale la propia escritura del prompt a la máquina.

Continúa a la próxima lección: Meta-Prompting

Ejercicio práctico antes de irte: encuentra un formato de salida que le hayas corregido a la IA más de dos veces. Construye una pila de tres ejemplos a partir de tus correcciones — tus borradores como entradas, tus versiones arregladas como salidas — y corre la próxima tarea a través de ella. Nota lo que el modelo reproduce que tú nunca escribiste.