Prompting zero-shot y few-shot
Orientar el comportamiento con ejemplos
Prompting zero-shot y few-shot es una lección gratuita de NLP Academy en CoddyKit. Esta es la lección 3 de 4. 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 NLP Academy, y tu progreso se sincroniza en la web y la app de CoddyKit. El curso de NLP Academy incluye 4 lecciones en total.
Programar es crear prompts
Con los LLM, su principal forma de control son las palabras que envía. El arte de dar forma a esas palabras se denomina prompting. ✍️
Prompting zero-shot
En el prompting zero-shot, simplemente describe la tarea con palabras sencillas, sin ejemplos, y confía en que el modelo la resuelva.
prompt = "Classify this review as positive or negative: I loved it!"Cuándo funciona zero-shot
Zero-shot es excelente para tareas comunes que el modelo ha visto con frecuencia, como resumir un párrafo o responder una pregunta sencilla.
Mostrar, no solo explicar
Cuando la tarea es poco habitual, los ejemplos ayudan. Proporcionar al modelo ejemplos de entradas y salidas se denomina prompting few-shot.
Un ejemplo few-shot
Enumere un par de ejemplos resueltos y deje vacía la entrada final para que el modelo continúe con el mismo patrón.
Review: Great! -> positive
Review: Awful. -> negative
Review: I loved it! ->Los ejemplos establecen el formato
Few-shot no solo enseña la tarea; también fija el formato de salida, de modo que el modelo responda exactamente con la estructura que ha mostrado.
Elegir ejemplos claros
Elija ejemplos correctos, variados y sin ambigüedades. Los ejemplos descuidados o sesgados enseñan silenciosamente al modelo el patrón equivocado.
Más no siempre es mejor
Cada ejemplo consume parte de la ventana de contexto y aumenta el coste, así que utilice el menor número de ejemplos que permita obtener el resultado de forma fiable.
Sea específico
Los prompts imprecisos producen respuestas imprecisas. Especifique el rol, la tarea, el formato y las restricciones que considere importantes.
Pensar paso a paso
Para razonamientos complejos, pida al modelo que lo resuelva paso a paso. Esta indicación de chain-of-thought suele mejorar la respuesta final.
prompt = "Solve this and show your reasoning step by step: ..."Iterar y probar
El prompting es empírico. Pruebe una versión, revise los resultados y después perfeccione la redacción hasta que los resultados sean coherentes.
Comprobación rápida
¿Cuál es la diferencia fundamental entre el prompting zero-shot y few-shot?
Recapitulación
Comience con zero-shot para las tareas comunes. Añada algunos ejemplos claros cuando necesite un patrón o formato concreto y, después, itere. ✅
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 NLP Academy, actualiza a CoddyKit PRO. El curso de NLP Academy incluye 4 lecciones en total.
¿Qué aprenderé en «Prompting zero-shot y few-shot»?
Orientar el comportamiento con ejemplos Practicas NLP Academy 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 NLP Academy?
No se requiere experiencia previa. NLP Academy 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 3 de 4.
¿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 NLP Academy?
Sí. Cada lección de NLP Academy 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
- Qué hace grande a un modelo
- Llamar a un LLM desde Python
- Prompting zero-shot y few-shot
- Salida estructurada y guardrails