Few-Shot Prompting: mostra all'IA lo schema invece di descriverlo

Il few-shot prompting incolla esempi risolti nel prompt perché l'IA imiti lo schema — la serratura di formato più forte, ma il prompt più costoso.

TL;DR

Il few-shot prompting significa mostrare all'IA due o più esempi risolti — Input A → Output B — invece di descrivere ciò che vuoi, così imita esattamente lo schema, il tono e il formato che hai dimostrato. È la serratura più forte per output personalizzati che esista — e il prompt più costoso che puoi inviare, perché ogni esempio viaggia in ogni messaggio.

L'analogia

Prova a insegnare a qualcuno una piroetta per telefono.

"Ruota il corpo di 360 gradi su una gamba, sull'avampiede, braccia arrotondate, testa fissa." Tecnicamente completo. E del tutto insegnabile così — le parole descrivono l'abilità, ma l'abilità non è fatta di parole. Ora metti lo stesso allievo davanti a un'insegnante di danza, che non dice nulla e semplicemente esegue tre piroette, lentamente, e dice: "così."

Il corpo dell'allievo sa già di più da tre dimostrazioni che da qualsiasi paragrafo di descrizione. Gli esseri umani imparano molte cose per imitazione molto più velocemente che per istruzione — e i modelli linguistici, risulta, sono costruiti allo stesso modo. Mostra a un modello tre esempi di uno schema e spesso lo riprodurrà impeccabilmente — inclusi dettagli a cui non avevi pensato e che non avresti saputo descrivere.

Questa è l'intera distinzione della lezione. Un prompt one-shot dice — verbo, contesto, formato — e per i lavori standard (riassumere, elencare, tradurre, riscrivere) dire basta, perché il modello conosce già quelle danze. Il few-shot prompting mostra — incolli la danza stessa, due o tre esecuzioni di Input → Output, e il modello imita. Descrivere in prosa il peculiare formato dei ticket di supporto della tua azienda è la telefonata. Incollare tre ticket reali è la dimostrazione.

Un'ultima cosa sulle insegnanti di danza: le dimostrazioni non sono gratis. Il tempo dell'insegnante, lo studio, le tre esecuzioni lente — mostrare costa più di dire, ogni singola lezione. Tieni questo pensiero; diventa l'economia di tutta questa tecnica.

Come funziona e i costi

Un prompt few-shot è una pila di esempi risolti seguita da un nuovo input, strutturata perché lo schema sia inequivocabile:

Elemento	Ruolo
Esempio 1: Input → Output	Definisce la trasformazione
Esempio 2: Input → Output	Conferma che non era un caso
Esempio 3: Input → Output	Blocca il comportamento sui casi limite (l'input insidioso mostra come vuoi gestiti i casi difficili)
Nuovo input	Il turno del modello di continuare lo schema

Gli esempi fanno qualcosa che le istruzioni non possono: dimostrano tutto a una volta — formato, tono, lunghezza, maiuscole, cosa includere, cosa saltare — incluse cento micro-decisioni di cui non ti eri accorto di prenderle. "Apple → Pomme. Car → Voiture. Ora traduci: House." — tre righe, e il modello conosce la lingua, la direzione, la grafia e il registro. Nessun paragrafo di istruzioni potrebbe specificare tutto ciò in meno token. Ecco perché il few-shot batte persino descrizioni eccellenti ogni volta che lo schema target è personalizzato: il modello smette di indovinare il tuo dialetto e inizia a parlarlo.

Ora il conto. Ogni esempio che incolli è testo sulla finestra di contesto — il bancone che il modello rilegge prima di ogni singola risposta. Gli esempi non evaporano dopo la prima risposta; stanno sul bancone per tutta la conversazione, aggiungendo token a ogni messaggio successivo processato. Tre esempi corposi possono facilmente pesare più del resto della conversazione messa insieme. E in Uzu, dove i messaggi si pagano in G-Credits, quella fisica diventa visibile nel tuo saldo: un prompt few-shot semplicemente costa di più per messaggio di uno one-shot snello, e continua a costare di più finché vive la chat.

Da qui la regola su cui gira questo curriculum:

One-shot per default; few-shot per necessità. Mostra esempi quando il formato o la logica è davvero personalizzato — uno stile di casa, una regola di parsing, uno schema di classificazione con i tuoi casi limite. Se un'istruzione chiara può catturarlo, dilla. Dire è più economico — e spesso, basta.

La giocata di economia più pura: gli esempi guadagnano il loro prezzo solo quando un formato sbagliato ti costerebbe più dei token — una riesecuzione, una pulizia manuale, un sistema a valle che si rompe su output malformati. Questo è il test few-shot: non "gli esempi aiuterebbero?" (quasi sempre aiutano) ma "questo schema richiede una dimostrazione?"

Prima e dopo (i prompt)

Esempio 1 — il titolo in stile di casa

Riscrivi questo annuncio di feature come titolo incisivo nella voce del nostro brand.

"Voce del brand" è una descrizione telefonica di una piroetta. Il modello indovina — incisivo per lui, brand per lui — e restituisce qualcosa di energico e completamente fuori voce.

Riscrivi questo annuncio di feature come titolo aderente al nostro stile. Il nostro stile:

Vecchia dashboard, nuova dashboard → Le tue metriche hanno chiamato. Vogliono uno schermo più grande. Modalità offline rilasciata → Addio Wi-Fi. Il lavoro resta. Tema scuro pubblicato → Notturni, questa è per voi.

Annuncio di feature: L'export in blocco è live →

Tre dimostrazioni e il modello non indovina più — lunghezza, formato freccia, grassetto e il registro giochi di parole sono tutti mostrati, incluso il micro-stile che non avresti mai potuto specificare. La quarta riga completa uno schema, non un'istruzione.

Esempio 2 — il formato di estrazione

Estrai data, città e totale da ogni riga di ricevuta qui sotto.

Semplice — finché il tuo sistema che consuma l'output non si aspetta YYYY-MM-DD | CITTÀ_MAIUSCOLO | centesimi-senza-simbolo, un formato che non esiste in natura. La versione istruzione produce date leggibili, nomi di città corretti e un simbolo di valuta — corretto, e incompatibile.

Estrai ogni riga in: data, città, totale. Segui lo schema esattamente:

"Pagati 42,50 € a Lisbona il 3 maggio" → 2026-05-03 | LISBONA | 4250 "San Paolo, 12/Gen, R$199,90" → 2026-01-12 | SAN PAOLO | 19990

"Cassa Tokyo 7 nov ¥3.000" →

Due esempi, e le regole non documentate sono insegnate: ordine giorno-mese ambiguo risolto, accenti mantenuti in maiuscolo, simboli rimossi, decimali convertiti in unità. Output pronti per la macchina da un modello mai "configurato" per nulla — gli è stato mostrato.

Esempio 3 — il tono che non deve derivare

Rendi le mie risposte ai clienti calde ma non effusive, professionali ma non rigide.

Ogni parola in quella frase è questione di gusto, e il gusto del modello differisce dal tuo. La risposta torna decorata di punti esclamativi — calda, secondo la sua lettura.

Riscrivi le mie bozze di risposta per aderire a questa voce:

Bozza: "Il suo rimborso è stato elaborato." → Risposta: "Il suo rimborso è in arrivo — lo vedrà entro 3 giorni lavorativi. Grazie per la pazienza mentre lo risolvevamo." Bozza: "L'articolo è esaurito." → Risposta: "È finito più in fretta del previsto! Lo riassortiamo questa settimana e le scriviamo appena torna."

Bozza: "Il suo account è stato sospeso." →

Il tono non si può descrivere; si può solo dimostrare. Con due esempi, la terza risposta atterra nella voce automaticamente — senza lezione sui punti esclamativi.

Errori comuni

Esempi contraddittori. L'esempio uno produce minuscole, l'esempio tre maiuscole; uno è formale, uno scherza. Il modello risolve la contraddizione mediando — producendo output diverso da tutti i tuoi esempi. Audita i tuoi esempi come riscontri di audit: ogni dettaglio deve concordare, perché ogni dettaglio insegna.
Troppi esempi, bancone pieno. Dieci esempi "per sicurezza" occupano la finestra di contesto per l'intera conversazione — affollando il contesto successivo e gonfiando il costo in token di ogni risposta in Uzu. Due-quattro esempi affilati quasi sempre bloccano lo schema; aggiungine un quinto solo quando un caso limite specifico esige la propria dimostrazione.
Esempi pigri. Un esempio con un refuso, un output pigro o una deriva di formato non solo non insegna — insegna attivamente il tuo difetto. Il modello riprodurrà i tuoi errori con fedeltà perfetta. Lucida gli esempi come testi pubblicati.
Usare few-shot per compiti standard. Incollare tre esempi di "riassumi in un paragrafo" non dimostra nulla che il modello non faccia già da un'istruzione chiara — stai pagando prezzi di dimostrazione per una danza che tutti conoscono. Riserva la tecnica per schemi che vivono davvero solo nei tuoi esempi.
Dimenticare che gli esempi persistono. La pila che hai incollato al messaggio uno è ancora sul bancone al messaggio trenta — continua a costare token, continua a influenzare il tono. Se un compito successivo nella stessa chat richiede un comportamento diverso, o apri una chat nuova o pensioni esplicitamente lo schema ("nuovo formato da qui: ...").

FAQ

Qual è la differenza tra zero-shot, one-shot e few-shot prompting?

Zero-shot significa chiedere senza esempi — istruzione pura, come "traduci questo in francese". One-shot significa includere un singolo esempio per ancorare lo schema; few-shot significa due o più esempi risolti — da lì il blocco dello schema diventa abbastanza forte per formati personalizzati. (L'anatomia del "prompt one-shot" di questo curriculum riguarda un'istruzione singola completa — e quando quell'istruzione include esempi, si promuove a few-shot.) Più insolito è lo schema target, più esempi servono per insegnarlo.

Quando dovrei usare few-shot invece di descrivere semplicemente il formato?

Usa few-shot quando lo schema è personalizzato, preciso e costoso da sbagliare: stili di casa, regole di parsing, schemi di classificazione, output che alimentano un altro sistema — tutto ciò per cui la descrizione in prosa lascia il modello indovinare. Se il formato è standard (una tabella, cinque bullet, un paragrafo) o una descrizione può catturarlo pienamente, il one-shot è più veloce, economico e sufficiente. Il test: potrebbe uno sconosciuto competente riprodurre il tuo formato dalla sola descrizione? Se no, dimostra.

Gli esempi rendono i prompt dell'IA più costosi?

Sì. Ogni esempio sono token sulla finestra di contesto, e la finestra viene rielaborata per ogni risposta della conversazione — gli esempi aggiungono costo non una volta ma continuativamente. In Uzu, dove i messaggi si pagano in G-Credits, una pila few-shot pesante è visibilmente il prompt più costoso che puoi inviare. Ecco perché la disciplina è: dimostra solo ciò che la descrizione non può catturare, e mantieni gli esempi al minimo che blocca lo schema.

Prossima lezione

Il few-shot pretende che tu abbia già esempi perfetti — ma cosa succede per lo schema che non puoi mostrare perché non l'hai mai scritto? Per quello c'è una mossa: smetti di redigere la risposta e inizia a redigere la domanda. Consegna la scrittura del prompt stessa alla macchina.

Continua alla prossima lezione: Meta-Prompting

Esercizio pratico prima di andare: trova un formato di output su cui hai corretto l'IA più di due volte. Costruisci una pila di tre esempi dalle tue correzioni — le tue bozze come input, le versioni corrette come output — e facci girare il prossimo compito. Nota cosa riproduce il modello che non avevi mai scritto.