Prompting zero-shot y few-shot
Descubra cómo obtener respuestas sin ejemplos (zero-shot) o proporcionando algunos ejemplos ilustrativos (few-shot).
Prompting zero-shot y few-shot es una lección gratuita de AI Prompt Engineering en CoddyKit. Esta es la lección 2 de 3. Puedes leer la lección completa abajo gratuitamente — luego la practicas en el navegador con un editor de código integrado y un tutor de IA 24/7. Forma parte de la ruta de aprendizaje de AI Prompt Engineering, y tu progreso se sincroniza en la web y la app de CoddyKit. El curso de AI Prompt Engineering incluye 3 lecciones en total.
Introducción a Zero-Shot y Few-Shot
¡Bienvenido a esta lección sobre prompting Zero-Shot y Few-Shot! Estas son técnicas fundamentales para guiar a los modelos de lenguaje grandes (LLM) en la realización de tareas.
Comprenderlas le ayudará a obtener resultados mejores y más precisos de la IA.
Comprensión de Zero-Shot
El prompting zero-shot consiste en asignar a un LLM una tarea sin proporcionarle ejemplos de cómo realizarla.
- Se basa exclusivamente en los conocimientos preentrenados del LLM.
- El prompt contiene únicamente las instrucciones y los datos de entrada.
- Es eficaz para tareas sencillas y habituales que el LLM probablemente haya visto durante su entrenamiento.
Zero-Shot en acción: clasificación
Aquí tiene un ejemplo de zero-shot. Le pedimos al LLM que clasifique el sentimiento de un texto sin mostrarle clasificaciones de sentimientos anteriores.
Pruebe a ejecutar este ejemplo:
def call_llm_api(prompt):
# In a real scenario, this would call an LLM API.
# For this example, we simulate a response.
if "sentiment" in prompt.lower():
return "Sentiment: Positive"
return "LLM Response: Could not process."
# Our zero-shot prompt
zero_shot_prompt = "Classify the sentiment of 'The movie was fantastic!'"
print(f"Prompt: {zero_shot_prompt}")
print(f"LLM Output: {call_llm_api(zero_shot_prompt)}")Zero-Shot: extracción de información
El prompting zero-shot también es excelente para extraer elementos específicos de información de un texto.
Solo tenemos que indicarle al LLM qué debe buscar, y utilizará sus conocimientos generales para encontrarlo.
def call_llm_api(prompt):
if "name and age" in prompt.lower():
return "Name: Alice, Age: 30"
return "LLM Response: Information not found."
# Another zero-shot prompt example
zero_shot_prompt = "Extract the name and age from 'My name is Alice and I am 30 years old.'"
print(f"Prompt: {zero_shot_prompt}")
print(f"LLM Output: {call_llm_api(zero_shot_prompt)}")Limitaciones de Zero-Shot
Aunque es potente, el prompting zero-shot tiene algunas limitaciones:
- Ambigüedad: Las tareas abiertas a interpretación pueden producir resultados incoherentes.
- Novedad: Si la tarea o el concepto son muy recientes o específicos, el LLM puede tener dificultades sin ejemplos.
- Complejidad: Para razonamientos de varios pasos o formatos muy específicos, las instrucciones por sí solas pueden no ser suficientes.
Introducción al prompting Few-Shot
El prompting few-shot aborda las limitaciones de zero-shot al incluir directamente en el prompt algunos ejemplos de entrada y salida.
- Estos ejemplos guían al LLM sobre la tarea, el estilo o el formato deseados.
- Es como mostrarle a un estudiante algunos problemas resueltos antes de pedirle que resuelva uno nuevo.
- Esta técnica mejora considerablemente el rendimiento en tareas complejas o ambiguas.
Few-Shot en acción: reescritura
Aquí proporcionamos un ejemplo de cómo reformular una oración en voz activa. Esto ayuda al LLM a comprender la transformación específica que queremos.
Observe cómo el ejemplo aclara la tarea:
def call_llm_api(prompt):
if "active voice" in prompt.lower() and "ball was thrown" in prompt.lower():
return "Output: The boy threw the ball."
return "LLM Response: Could not rephrase."
# Our few-shot prompt with one example
few_shot_prompt = """Rephrase into active voice:
Input: The mouse was chased by the cat.
Output: The cat chased the mouse.
Rephrase into active voice:
Input: The ball was thrown by the boy."""
print(f"Prompt: {few_shot_prompt}")
print(f"LLM Output: {call_llm_api(few_shot_prompt)}")Few-Shot: generación de código
El prompting few-shot es increíblemente útil para generar código o respetar formatos de salida específicos.
Al mostrar un ejemplo del código deseado, como la firma y el cuerpo de una función, el LLM puede reproducir mejor esa estructura.
def call_llm_api(prompt):
if "function to add" in prompt.lower():
return "def add(a, b):\n return a + b"
return "LLM Response: Code not generated."
# Few-shot prompt for code generation
few_shot_prompt = """Generate a Python function:
Example 1:
Input: Function to multiply two numbers.
Output:
def multiply(a, b):
return a * b
Example 2:
Input: Function to add two numbers."""
print(f"Prompt: {few_shot_prompt}")
print(f"LLM Output:\n{call_llm_api(few_shot_prompt)}")Elección de la técnica adecuada
¿Cómo decide entre zero-shot y few-shot?
- Zero-Shot: Es la mejor opción para tareas sencillas y bien conocidas en las que los conocimientos generales del LLM son suficientes. Es conciso y ahorra espacio de tokens.
- Few-Shot: Es ideal para tareas complejas, matizadas o personalizadas que requieren formatos o estilos específicos. Proporciona una guía fundamental y mejora la precisión, pero utiliza más tokens.
Comprobación de Zero-Shot y Few-Shot
¿Qué técnica de prompting suele ser mejor para tareas sencillas y bien definidas que no necesitan ejemplos específicos?
Recapitulación: el poder del prompting
Ha aprendido dos técnicas fundamentales de prompting:
- El prompting zero-shot utiliza únicamente instrucciones y aprovecha los amplios conocimientos del LLM para tareas sencillas.
- El prompting few-shot añade ejemplos al prompt, lo que ofrece una guía fundamental para obtener resultados más complejos, matizados o personalizados.
¡Dominar estas técnicas le permite interactuar con los LLM de forma más eficaz y obtener los resultados deseados!
Aprende AI Prompt Engineering con un tutor de IA — gratis
Escribe y ejecuta código real en tu navegador, obtén ayuda instantánea de un tutor de IA disponible 24/7 y continúa donde lo dejaste en la web o en la aplicación.
- Cursos
- 53
- Lecciones
- 199
Preguntas frecuentes
¿La lección «Prompting zero-shot y few-shot» es gratis?
Sí — el texto completo de «Prompting zero-shot y few-shot» es gratis para leer aquí en la web. Para practicarla de forma interactiva (editor de código integrado y tutor de IA 24/7) y desbloquear el resto del curso de AI Prompt Engineering, actualiza a CoddyKit PRO. El curso de AI Prompt Engineering incluye 3 lecciones en total.
¿Qué aprenderé en «Prompting zero-shot y few-shot»?
Descubra cómo obtener respuestas sin ejemplos (zero-shot) o proporcionando algunos ejemplos ilustrativos (few-shot). Practicas AI Prompt Engineering con código real que ejecutas directamente en el navegador, y un tutor de IA 24/7 responde tus preguntas mientras trabajas en la lección.
¿Necesito experiencia previa para empezar AI Prompt Engineering?
No se requiere experiencia previa. AI Prompt Engineering en CoddyKit está estructurado para principiantes hasta estudiantes avanzados, así que puedes empezar aquí o desde el inicio y avanzar a tu ritmo. Esta es la lección 2 de 3.
¿Cuánto tiempo toma la lección «Prompting zero-shot y few-shot»?
La mayoría de las lecciones de CoddyKit toman alrededor de 5–10 minutos. Cada una es compacta e interactiva, así que avanzas constantemente y retomas exactamente por donde dejaste en la web y la app.
¿Puedo escribir y ejecutar código en esta lección de AI Prompt Engineering?
Sí. Cada lección de AI Prompt Engineering incluye un editor de código integrado, así que escribes y ejecutas código real directamente en tu navegador y obtienes retroalimentación instantánea de IA — sin configuración local necesaria.
Todas las lecciones de este curso
- Comprender las capacidades de los LLM
- Prompting zero-shot y few-shot
- Prompts de role-playing y personas