TL;DR
Few-shot prompting significa mostrar à IA dois ou mais exemplos resolvidos — Entrada A → Saída B — em vez de descrever o que você quer, para que ela imite o padrão exato, o tom e o formato que você demonstrou. É a trava mais forte que existe para saídas personalizadas — e o prompt mais caro que você pode enviar, porque cada exemplo viaja em cada mensagem.
A Analogia
Tente ensinar uma pirueta a alguém por telefone.
"Gire o corpo 360 graus sobre uma perna, na ponta do pé, braços arredondados, cabeça fazendo spot." Tecnicamente completo. E absolutamente inensinável assim — as palavras descrevem a habilidade, mas a habilidade não é feita de palavras. Agora coloque o mesmo aluno diante de um instrutor de dança, que não diz nada e simplesmente faz três piruetas, devagar, e diz: "assim."
O corpo do aluno já sabe mais com três demonstrações do que com qualquer parágrafo de descrição. Humanos aprendem muitas coisas por imitação muito mais rápido do que por instrução — e modelos de linguagem, descobriu-se, são construídos do mesmo jeito. Mostre três exemplos de um padrão a um modelo e ele frequentemente reproduzirá o padrão impecavelmente, incluindo detalhes que você nunca pensou em mencionar e não saberia descrever.
Essa é a distinção inteira desta lição. Um prompt one-shot diz — verbo, contexto, formato — e para trabalho padrão (resumir, listar, traduzir, reescrever), dizer é suficiente, porque o modelo já conhece essas danças. Few-shot prompting mostra — você cola a própria dança, duas ou três performances de Entrada → Saída, e o modelo imita. Descrever em prosa o formato peculiar de ticket de suporte da sua empresa é a ligação telefônica. Colar três tickets reais é a demonstração.
Mais uma coisa sobre instrutores de dança: demonstrações não são grátis. O tempo do instrutor, o estúdio, as três performances lentas — mostrar custa mais que dizer, em cada sessão. Guarde esse pensamento; ele se torna a economia desta técnica inteira.
Como Funciona & O Custo
Um prompt few-shot é uma pilha de exemplos resolvidos seguida de uma nova entrada, estruturada para que o padrão seja inconfundível:
| Elemento | Papel |
|---|---|
| Exemplo 1: Entrada → Saída | Define a transformação |
| Exemplo 2: Entrada → Saída | Confirma que não foi coincidência |
| Exemplo 3: Entrada → Saída | Trava o comportamento em casos-limite (a entrada difícil mostra como você quer os casos difíceis tratados) |
| Nova entrada | A vez do modelo de continuar o padrão |
Os exemplos fazem algo que instruções não conseguem: demonstram tudo de uma vez — formato, tom, tamanho, capitalização, o que incluir, o que pular — incluindo cem microdecisões que você nunca notou que estava tomando. "Apple → Pomme. Car → Voiture. Agora traduza: House." — três linhas, e o modelo sabe o idioma, a direção, a capitalização e o registro. Nenhum parágrafo de instrução especificaria tudo isso em menos tokens. É por isso que few-shot supera até descrições excelentes sempre que o padrão-alvo é personalizado: o modelo para de adivinhar seu dialeto e começa a falá-lo.
Agora a conta. Cada exemplo que você cola é texto na janela de contexto — a mesa que o modelo relê antes de cada resposta. Exemplos não evaporam depois da primeira resposta; eles ficam na mesa pela conversa inteira, adicionando tokens a cada mensagem seguinte processada. Três exemplos substanciosos podem facilmente pesar mais que o resto da conversa somado. E no Uzu, onde mensagens são precificadas em G-Credits, essa física fica visível no seu saldo: um prompt few-shot simplesmente custa mais por mensagem que um one-shot enxuto, e continua custando mais por todo o tempo em que o chat viver.
Daí a regra sobre a qual este currículo funciona:
One-shot por padrão; few-shot por necessidade. Mostre exemplos quando o formato ou a lógica é genuinamente personalizado — um estilo de casa, uma regra de parsing, um esquema de classificação com seus próprios casos-limite. Se uma instrução clara consegue capturá-lo, diga. Dizer é mais barato — e muitas vezes, é suficiente.
A jogada econômica mais pura: exemplos merecem o preço apenas quando um formato errado custaria mais que os tokens custaram — uma reexecução, uma limpeza manual, um sistema a jusante que quebra com saída malformada. Esse é o teste do few-shot: não "os exemplos ajudariam?" (eles quase sempre ajudam) mas "este padrão exige demonstração?"
Antes e Depois (Os Prompts)
Exemplo 1 — a manchete no estilo da casa
Reescreva este anúncio de recurso como uma manchete impactante na voz da nossa marca.
"Voz da marca" é uma descrição de pirueta por telefone. O modelo chuta — impactante para ele, marca para ele — e devolve algo energético e completamente fora da voz.
Reescreva este anúncio de recurso como uma manchete no nosso estilo. Nosso estilo:
Dashboard antigo, dashboard novo → Suas métricas ligaram. Elas querem uma tela maior. Modo offline lançado → Wi-Fi acabou. O trabalho não. Tema escuro liberado → Corujas noturnas, essa é para vocês.
Anúncio de recurso: Exportação em massa está no ar →
Três demonstrações e o modelo não está mais chutando — o tamanho, o formato de seta, o negrito, o registro de jogo de palavras estão todos mostrados, incluindo o microestilo que você jamais teria especificado. A quarta linha completa um padrão, não uma instrução.
Exemplo 2 — o formato de extração
Extraia a data, a cidade e o total de cada linha de recibo abaixo.
Simples o bastante — até seu sistema que consome a saída esperar AAAA-MM-DD | CIDADE_MAIÚSCULAS | centavos-sem-símbolo, um formato que não existe na natureza. A versão com instrução produz datas legíveis, nomes de cidades corretos e um símbolo de moeda — correto, e incompatível.
Extraia cada linha em: data, cidade, total. Siga o padrão exatamente:
"Pago R$42,50 em Lisboa em 3 de maio" → 2026-05-03 | LISBOA | 4250 "São Paulo, 12/Jan, R$199,90" → 2026-01-12 | SÃO PAULO | 19990
"Checkout Tóquio 7 Nov ¥3.000" →
Dois exemplos, e as regras não documentadas estão ensinadas: ordem ambígua dia-mês resolvida, acentos mantidos em maiúsculas, símbolos removidos, decimais convertidos para unidades. Saída pronta para máquina de um modelo que nunca foi "configurado" para nada — ele foi mostrado.
Exemplo 3 — o tom que não pode derivar
Deixe minhas respostas a clientes calorosas mas não exageradas, profissionais mas não rígidas.
Cada palavra nessa frase é questão de gosto, e o gosto do modelo difere do seu. A resposta volta enfeitada de pontos de exclamação — calorosa, pela leitura dele.
Reescreva meus rascunhos de resposta para combinar com esta voz:
Rascunho: "Seu reembolso foi processado." → Resposta: "Seu reembolso está a caminho — você o verá em até 3 dias úteis. Obrigado pela paciência enquanto resolvemos isso." Rascunho: "O item está em falta." → Resposta: "Aquele esgotou mais rápido do que esperávamos! Estamos repondo esta semana e te envio um e-mail no momento em que voltar."
Rascunho: "Sua conta foi suspensa." →
Tom não pode ser descrito; só demonstrado. Com dois exemplos, a terceira resposta chega na voz automaticamente — sem precisar de palestra sobre pontos de exclamação.
Erros Comuns
- Exemplos conflitantes. O exemplo um sai em minúsculas, o exemplo três capitaliza; um é formal, outro brinca. O modelo resolve a contradição tirando a média — produzindo saída diferente de todos os seus exemplos. Audite seus exemplos como achados de auditoria: cada detalhe deve concordar, porque cada detalhe ensina.
- Exemplos demais, mesa estourada. Dez exemplos "por segurança" ocupam a janela de contexto pela conversa inteira — empurrando para fora o contexto posterior e inflando o custo em tokens de cada resposta no Uzu. Dois a quatro exemplos afiados quase sempre travam o padrão; adicione um quinto apenas quando um caso-limite específico exigir sua própria demonstração.
- Exemplos preguiçosos. Um exemplo com typo, saída preguiçosa ou deriva de formato não apenas falha em ensinar — ele ativamente ensina o seu defeito. O modelo reproduzirá seus erros com fidelidade perfeita. Poleirize exemplos como texto publicado.
- Usar few-shot para tarefas padrão. Colar três exemplos de "resuma num parágrafo" não demonstra nada que o modelo já não faça com uma instrução clara — você está pagando preços de demonstração por uma dança que todo mundo conhece. Guarde a técnica para padrões que genuinamente vivem apenas nos seus exemplos.
- Esquecer que os exemplos persistem. A pilha que você colou na mensagem um ainda está na mesa na mensagem trinta — ainda custando tokens, ainda influenciando o tom. Se uma tarefa posterior no mesmo chat exigir comportamento diferente, abra um chat novo ou aposente explicitamente o padrão ("novo formato daqui: ...").
FAQ
Qual a diferença entre prompting zero-shot, one-shot e few-shot?
Zero-shot significa perguntar sem exemplos — instrução pura, como "traduza isto para francês". One-shot significa incluir um único exemplo para ancorar o padrão; few-shot significa dois ou mais exemplos resolvidos, que é onde a trava de padrão fica forte o suficiente para formatos personalizados. (A anatomia do "prompt one-shot" deste currículo é sobre uma instrução única completa — e quando essa instrução inclui exemplos, ela se forma em few-shot.) Quanto mais incomum o padrão-alvo, mais exemplos para ensiná-lo.
Quando devo usar few-shot em vez de apenas descrever o formato?
Use few-shot quando o padrão é personalizado, preciso e caro de errar: estilos de casa, regras de parsing, esquemas de classificação, saída que alimenta outro sistema — qualquer coisa em que a descrição em prosa deixa o modelo chutando. Se o formato é padrão (uma tabela, cinco bullets, um parágrafo) ou uma descrição o captura por completo, one-shot é mais rápido, mais barato e suficiente. O teste: um estranho competente reproduziria seu formato só com sua descrição? Se não, demonstre.
Exemplos tornam os prompts de IA mais caros?
Sim. Cada exemplo são tokens na janela de contexto, e a janela é reprocessada para cada resposta da conversa — então exemplos adicionam custo não uma vez, mas continuamente. No Uzu, onde mensagens são precificadas em G-Credits, uma pilha few-shot pesada é visivelmente o prompt mais caro que você pode enviar. Daí a disciplina: demonstre apenas o que a descrição não captura, e mantenha os exemplos no mínimo que trava o padrão.
Próxima Lição
Few-shot exige que você já tenha exemplos perfeitos — mas e o padrão que você não consegue mostrar porque nunca o escreveu? Existe um movimento para isso: pare de rascunhar a resposta e comece a rascunhar a pergunta. Entregue a própria escrita do prompt à máquina.
Continue para a próxima lição: Meta-Prompting
Exercício prático antes de ir: encontre um formato de saída em que você corrigiu a IA mais de duas vezes. Construa uma pilha de três exemplos a partir das suas correções — seus rascunhos como entradas, suas versões corrigidas como saídas — e rode a próxima tarefa por ela. Note o que o modelo reproduz que você nunca escreveu.