Técnicas zero shot y few shot para prompts efectivos

Domina el prompting con LLM con una estrategia clara: cuándo usar zero shot y cuándo few shot para reducir ambigüedad, detectar patrones y lograr publicaciones con alto engagement. A través de una analogía simple y un caso práctico en Twitter/X con Claude, se muestran decisiones clave que elevan la calidad del resultado.

¿Qué es zero shot y cuándo sirve en prompting?

Zero shot es dar solo la instrucción. Funciona cuando la tarea es clara y poco ambigua. La analogía del practicante ayuda: si pides “Traduce queso a francés”, no necesitas ejemplos; la instrucción es suficiente y el LLM responde bien.

¿Por qué a veces basta con una instrucción?

• La tarea tiene baja ambigüedad.
• El formato esperado es evidente.
• El riesgo de error es bajo.

¿Qué rol juega la puntuación en prompts?

La puntuación importa porque cambia el significado de lo que pides. Un ajuste como una coma puede precisar qué quieres optimizar, por ejemplo “que tenga alto engagement”, afinando la intención del prompt.

¿Cómo few shot reduce la ambigüedad y mejora el engagement?

Few shot añade ejemplos que reducen la ambigüedad y ayudan al LLM a detectar patrones que quizá no expresas con palabras. Es útil en tareas complejas o subjetivas.

¿Qué ejemplos guían la clasificación de emociones?

Para clasificar “positivo” o “negativo”, los ejemplos aterrizan el criterio. Negativo: tristeza, enojo, miedo. Positivo: alegría, felicidad, emoción. Con estos ejemplos, el modelo identifica el patrón que buscas y acota interpretaciones difusas.

¿Qué pasó en el experimento con Claude para Twitter/X?

Se pidió: “Actúa como social media manager y crea una publicación para Twitter sobre el impacto de la inteligencia artificial en el trabajo y el empleo que tenga alto engagement”. - Con zero shot: el resultado fue genérico, con frases obvias y hasta hashtags estilo 2015. Menciona roles como Prompt Engineers, AI Ethics Specialists y Human AI Collaboration Managers, pero no invita a conversar. - Con few shot: se añadieron tweets de alto y bajo engagement del Twitter de Freddy como ejemplos. El resultado mejoró de forma notable: empezó con un hook, incluyó datos específicos y llamó a responder. El modelo identificó patrones: tweets más largos, a veces con emojis y datos duros; los de bajo engagement eran cortos y con poca información.

¿Cómo diseñar un few shot efectivo sin sesgos?

La diferencia entre un buen y mal few shot está en tres factores: número de ejemplos, variedad y orden. Además, validar con varios casos de uso es clave para robustecer el prompt.

¿Cuántos y qué tan variados deben ser los ejemplos?

• Usa entre tres y siete ejemplos para equilibrar patrones y flexibilidad.
• Muy pocos: no detecta patrones ni reduce ambigüedad.
• Demasiados: el modelo se vuelve rígido y puede alucinar ante casos no contemplados.
• Muestra lo que sí y lo que no. En engagement: tres ejemplos de alto y tres de bajo. En emociones: ejemplos de positivo y de negativo para evitar sesgos.

¿Importa el orden de los ejemplos en el prompt?

• Sí: el orden puede afectar la efectividad entre 50% y 90%.
• Lo que va al final recibe más atención del LLM; no dejes siempre lo negativo al final para no sesgar.
• Alterna y varía: “uno sí, uno no” para balancear la atención en los ejemplos.

¿Cómo decidir entre zero shot y few shot?

• Pregunta: ¿hay ambigüedad en la tarea?, ¿es compleja?, ¿necesitas precisión o replicar un formato? Si respondes “sí” a las tres, few shot suele ser mejor.
• Aun así, prueba ambas técnicas y compara resultados con múltiples casos de uso para ver patrones, fallos y mejoras.

¿Quieres compartir tus prompts y resultados? Deja un comentario con tus ejemplos y lo que te funcionó mejor.