Prompting zero-shot e few-shot
Descubra como obter respostas sem exemplos (zero-shot) ou fornecendo alguns exemplos ilustrativos (few-shot).
Prompting zero-shot e few-shot é uma aula grátis de AI Prompt Engineering no CoddyKit. Esta é a aula 2 de 3. Você pode ler a aula completa abaixo gratuitamente — depois pratica ao vivo no navegador com um editor de código integrado e um tutor de IA 24/7. Faz parte do caminho de aprendizado de AI Prompt Engineering, e seu progresso é sincronizado entre a web e o app CoddyKit. O curso de AI Prompt Engineering inclui 3 aulas no total.
Introdução às técnicas sem exemplos e com poucos exemplos
Boas-vindas a esta lição sobre elaboração de instruções sem exemplos e com poucos exemplos! Essas são técnicas fundamentais para orientar Grandes Modelos de Linguagem (LLM) na realização de tarefas.
Compreendê-las ajuda você a obter resultados melhores e mais precisos da IA.
Compreendendo a técnica sem exemplos
A elaboração de instruções sem exemplos consiste em fornecer uma tarefa a um LLM sem apresentar exemplos de como realizá-la.
- Você depende exclusivamente do conhecimento pré-treinado do LLM.
- A instrução contém apenas as instruções e os dados de entrada.
- Ela é eficaz para tarefas simples e comuns que o LLM provavelmente encontrou durante o treinamento.
Técnica sem exemplos na prática: classificação
Veja um exemplo da técnica sem exemplos. Estamos pedindo ao LLM que classifique o sentimento de um texto sem mostrar classificações de sentimento anteriores.
Experimente executar este exemplo:
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)}")Técnica sem exemplos: extraindo informações
A elaboração de instruções sem exemplos também é excelente para extrair informações específicas de um texto.
Basta dizer ao LLM o que procurar, e ele usa seu conhecimento geral para encontrar a informação.
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)}")Limitações da técnica sem exemplos
Embora seja poderosa, a elaboração de instruções sem exemplos tem limitações:
- Ambiguidade: Tarefas abertas a interpretações podem produzir resultados inconsistentes.
- Novidade: Se a tarefa ou o conceito for muito novo ou específico, o LLM poderá ter dificuldades sem exemplos.
- Complexidade: Para raciocínios em várias etapas ou formatações muito específicas, apenas instruções talvez não sejam suficientes.
Introdução à elaboração de instruções com poucos exemplos
A elaboração de instruções com poucos exemplos resolve as limitações da técnica sem exemplos ao incluir diretamente na instrução alguns exemplos de entrada e saída.
- Esses exemplos orientam o LLM quanto à tarefa, ao estilo ou ao formato desejado.
- É como mostrar a um estudante alguns problemas resolvidos antes de pedir que ele resolva um novo.
- Essa técnica melhora significativamente o desempenho em tarefas complexas ou ambíguas.
Técnica com poucos exemplos na prática: reescrita
Aqui, fornecemos um exemplo de como reformular uma frase para a voz ativa. Isso ajuda o LLM a compreender a transformação específica que queremos.
Observe como o exemplo esclarece a tarefa:
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)}")Técnica com poucos exemplos: geração de código
A elaboração de instruções com poucos exemplos é extremamente útil para gerar código ou seguir formatos de saída específicos.
Ao mostrar um exemplo do código desejado (por exemplo, a assinatura e o corpo de uma função), o LLM consegue reproduzir melhor essa estrutura.
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)}")Escolhendo a técnica certa
Como decidir entre usar a técnica sem exemplos ou com poucos exemplos?
- Sem exemplos: Melhor para tarefas simples e bem compreendidas, nas quais o conhecimento geral do LLM é suficiente. É concisa e economiza espaço de tokens.
- Com poucos exemplos: Ideal para tarefas complexas, diferenciadas ou personalizadas que exigem formatos ou estilos específicos. Oferece uma orientação essencial e melhora a precisão, mas usa mais tokens.
Verificação: sem exemplos ou com poucos exemplos
Qual técnica de elaboração de instruções geralmente é melhor para tarefas simples e bem definidas que não precisam de exemplos específicos?
Recapitulação: o poder das instruções
Você aprendeu sobre duas técnicas fundamentais de elaboração de instruções:
- Elaboração de instruções sem exemplos usa apenas instruções, aproveitando o amplo conhecimento do LLM para tarefas simples.
- Elaboração de instruções com poucos exemplos adiciona exemplos à instrução, oferecendo uma orientação essencial para resultados mais complexos, diferenciados ou personalizados.
Dominar essas técnicas permite que você interaja com LLM de forma mais eficaz e alcance os resultados desejados!
Perguntas Frequentes
A aula “Prompting zero-shot e few-shot” é grátis?
Sim — o texto completo de “Prompting zero-shot e few-shot” é grátis para ler aqui na web. Para praticá-la interativamente (um editor de código integrado e um tutor de IA 24/7) e desbloquear o restante do curso de AI Prompt Engineering, atualize para CoddyKit PRO. O curso de AI Prompt Engineering inclui 3 aulas no total.
O que vou aprender em “Prompting zero-shot e few-shot”?
Descubra como obter respostas sem exemplos (zero-shot) ou fornecendo alguns exemplos ilustrativos (few-shot). Você pratica AI Prompt Engineering com código prático que executa diretamente no navegador, e um tutor de IA 24/7 responde suas dúvidas enquanto trabalha na aula.
Preciso ter experiência prévia para começar AI Prompt Engineering?
Nenhuma experiência prévia é necessária. AI Prompt Engineering no CoddyKit é estruturado para alunos iniciantes até avançados, então você pode começar aqui ou desde o início e aprender no seu ritmo. Esta é a aula 2 de 3.
Quanto tempo leva a aula “Prompting zero-shot e few-shot”?
A maioria das aulas CoddyKit leva cerca de 5–10 minutos. Cada uma é compacta e interativa, então você faz progresso constante e retoma exatamente de onde parou entre web e app.
Posso escrever e executar código nesta aula de AI Prompt Engineering?
Sim. Cada aula de AI Prompt Engineering inclui um editor de código integrado, então você escreve e executa código real direto no navegador e recebe feedback de IA instantaneamente — nenhuma configuração local necessária.
Todas as aulas deste curso
- Entendendo as capacidades dos LLMs
- Prompting zero-shot e few-shot
- Prompts de interpretação de papéis e personas