Cuando trabajas con modelos de lenguaje grande (LLMs), confiar únicamente en explicaciones abstractas puede generar respuestas impredecibles, formatos rotos o cambios inesperados de estilo. El few shot prompting resuelve esta fricción al proporcionar demostraciones estructuradas directamente en la ventana de contexto, transformando instrucciones ambiguas en resultados predecibles y confiables.

¿Qué es el Few-Shot Prompting y cómo funciona?

El few shot prompting es una técnica de prompt engineering que consiste en suministrar al modelo un conjunto reducido de ejemplos de entrada y salida previa a la tarea final. A diferencia de las instrucciones puras, esta metodología le enseña al modelo el patrón exacto que debe seguir mediante demostración directa.

Esta capacidad no requiere modificar los pesos del modelo ni ejecutar procesos costosos de fine-tuning. Se sustenta en el In-Context Learning (aprendizaje en contexto), una propiedad emergente demostrada formalmente por Brown et al. (2020) en el paper ‘Language Models are Few-Shot Learners’, donde los modelos aprenden a replicar estructuras complejas reconociendo patrones dentro de su ventana de atención.

Anatomía y estructura de un prompt con ejemplos

Para evitar que el modelo confunda el texto de demostración con la orden de ejecución, tanto Anthropic como OpenAI aconsejan delimitar de forma limpia cada sección. En modelos como Claude 3.5 Sonnet, la convención estándar es el uso de etiquetas XML, mientras que en modelos como GPT-4o se utilizan delimitadores claros o roles User/Assistant.

<instructions>
Analiza el mensaje del cliente y devuelve un objeto JSON con la 'intención' y el 'sentimiento' (Positivo, Neutro, Negativo).
</instructions>

<examples>
  <example>
    <input>El producto llegó dos días tarde y la caja estaba rota.</input>
    <output>{"intencion": "reclamacion_envio", "sentimiento": "Negativo"}</output>
  </example>
  <example>
    <input>¿Dónde puedo descargar la factura de mi compra del mes pasado?</input>
    <output>{"intencion": "consulta_facturacion", "sentimiento": "Neutro"}</output>
  </example>
</examples>

<input>
Me encanta el diseño, pero no entiendo cómo sincronizarlo con el móvil.
</input>
<output>

Flujo de diseño para prompts Few-Shot efectivos

Para construir una batería de demostraciones efectiva sin desperdiciar tokens ni inducir alucinaciones, sigue este proceso paso a paso:

Context Engineering y optimización de costes con Prompt Caching

Incluir múltiples ejemplos incrementa el recuento inicial de tokens. Sin embargo, en arquitecturas modernas como Claude 3.5 Sonnet, GPT-4o y Gemini 1.5 Pro, las plataformas incorporan Prompt Caching.

Esta tecnología almacena en caché el prefijo estático del prompt (la instrucción y los ejemplos few-shot), reduciendo drásticamente el coste de procesamiento en llamadas repetitivas. Cuando tus ejemplos permanecen invariables al inicio de la conversación o pipeline:

• Se reduce entre un 50% y un 90% el coste de tokens de entrada en inferencias recurrentes.
• Disminuye la latencia de respuesta, ya que el motor no recalcula la atención sobre el bloque de ejemplos.

Errores comunes y sesgos cognitivos en los LLMs

El mecanismo predictivo autorregresivo de los modelos de lenguaje los hace susceptibles a ciertos sesgos durante el procesamiento de demostraciones:

• Sesgo de orden (Recency bias): El modelo tiende a sobreponderar la clase o formato del último ejemplo presentado en la lista.
• Sesgo de etiqueta mayoritaria: Si presentas cuatro ejemplos positivos y solo uno negativo, el LLM asumirá que la probabilidad a priori de casos positivos es mucho más alta.
• Propagación de errores: Si un ejemplo contiene un error tipográfico, un valor nulo mal gestionado o un fallo de sintaxis en JSON, el modelo lo replicará fielmente.
• Insuficiencia en razonamiento puro: En problemas matemáticos o lógicos densos, el few-shot simple no basta; es indispensable utilizar Chain-of-Thought (Few-Shot CoT) para mostrar el razonamiento paso a paso antes del resultado final.