Zero-shot vs few-shot prompting: a diferença e quando usar cada um

A diferença em uma frase: pedir sem mostrar vs pedir mostrando

Zero-shot é você chegar na IA e simplesmente descrever a tarefa: "classifique este comentário como positivo, neutro ou negativo". Nenhum exemplo, nenhuma amostra — o modelo resolve com o que já sabe. Few-shot é a mesma tarefa, mas antes você cola dois ou três exemplos prontos ("comentário: adorei o atendimento → positivo") pra deixar claro o padrão que você espera de volta.

O nome vem do inglês shot, que aqui significa "exemplo" ou "demonstração". Zero-shot, zero exemplos. Few-shot, poucos exemplos. One-shot, exatamente um. É só isso — a confusão em torno do termo é bem maior que o conceito. Se você ainda está entrando nesse assunto, vale ler antes o que é prompt engineering, porque zero-shot e few-shot são duas das primeiras técnicas que todo mundo aprende.

Como cada abordagem funciona por dentro

No zero-shot, o modelo se apoia inteiramente no que absorveu durante o treinamento. Como os grandes modelos de linguagem já viram bilhões de exemplos de classificação, tradução e resumo, muitas tarefas comuns saem bem sem nenhuma amostra. O problema aparece quando o que você quer é específico do seu contexto — um formato de saída incomum, um jargão da sua área, uma régua de decisão que só existe na sua empresa.

No few-shot, os exemplos funcionam como uma demonstração ao vivo. O modelo não é retreinado — nada nos "pesos" dele muda —, mas ele detecta o padrão dos seus exemplos ali mesmo, na hora, e o aplica à nova entrada. É o chamado aprendizado em contexto: o modelo aprende dentro daquela única conversa. Por isso few-shot dá tanto controle sobre o formato: você não descreve como quer a resposta, você mostra.

Zero-shot vs few-shot: tabela lado a lado

O quadro resume o que mais pesa na escolha. Nenhuma das duas é "melhor" no geral — cada uma ganha em um cenário diferente.

Exemplos concretos dos dois em pt-BR

Zero-shot, para triagem de mensagens: "Classifique a mensagem do cliente em ELOGIO, DÚVIDA ou RECLAMAÇÃO. Mensagem: 'o produto chegou quebrado'." O modelo devolve RECLAMAÇÃO sem precisar de nada além da instrução. Para tarefas óbvias assim, gastar exemplos é desperdício.

Few-shot, para o mesmo trabalho, mas com o seu padrão de saída: você cola três exemplos antes — "'amei, recomendo' → ELOGIO", "'qual o prazo de entrega?' → DÚVIDA", "'pedi azul e veio verde' → RECLAMAÇÃO" — e só então passa a mensagem nova. Agora o modelo copia exatamente seus rótulos, seu jeito de escrever, seu formato. É a diferença entre torcer para a IA adivinhar o que você quer e mostrar de forma inequívoca.

Quantos exemplos usar no few-shot (e por que não exagerar)

A intuição diz "quanto mais exemplos, melhor". A prática não confirma. Estudos sobre aprendizado em contexto mostram que o maior salto de qualidade acontece logo no primeiro exemplo, e o retorno vira decrescente depois de cerca de 3 a 5. Passar de 20 ou 30 raramente melhora e às vezes piora — o prompt fica longo, caro e mais sujeito a ruído.

Há um detalhe que pega muita gente: a ordem e o equilíbrio dos exemplos afetam a resposta. Se seus três exemplos forem todos "RECLAMAÇÃO", o modelo tende a puxar a próxima classificação também para reclamação — é o chamado viés de rótulo majoritário. A recomendação é manter os exemplos variados, representando cada saída possível, e sem um padrão de ordem que o modelo possa copiar por engano.

Não existe número mágico, mas um bom ponto de partida: comece com 2 a 3 exemplos bem escolhidos e só adicione mais se a saída ainda estiver errando. Menos exemplos, mais representativos, costuma bater muitos exemplos jogados sem critério.

Qual usar: um guia honesto

Comece sempre pelo zero-shot. É mais rápido, mais barato e, para uma boa parte das tarefas do dia a dia — resumir um texto, reescrever um e-mail, classificar algo simples —, ele já resolve. Só reaja quando a resposta decepcionar: saiu num formato errado, ignorou uma regra, ficou inconsistente entre uma execução e outra. Esse é o sinal de que chegou a hora do few-shot.

O few-shot compensa quando você precisa de saída padronizada, quando o modelo tropeça na variedade dos seus dados, ou quando o contexto exige controle fino — jargão do setor, tom de marca, uma régua que só faz sentido na sua operação. Vai repetir a mesma tarefa muitas vezes? Investir em três bons exemplos uma vez e reaproveitá-los sai barato.

As duas técnicas também combinam com outras. Se a tarefa exige raciocínio em etapas, dá para juntar few-shot com chain of thought, mostrando não só a resposta certa mas o raciocínio até ela. E se você quer uma estrutura pronta para escrever prompts melhores desde o zero-shot, o método CO-STAR ajuda a organizar contexto, objetivo e formato. Para ir mais fundo em few-shot especificamente, veja o que é few-shot prompting.

Perguntas frequentes

Leia também

Glossário

Few-Shot Prompting

Entenda o que é few-shot prompting: a técnica de ensinar a IA com exemplos no próprio prompt para obter respostas mais precisas e no formato que você quer.

Ler →

Glossário

Prompt Engineering

O que é prompt engineering, para que serve e como aprender do zero. Definição clara com exemplos práticos em português.

Ler →

Glossário

Chain of Thought (CoT)

Chain of Thought é a técnica de pedir que a IA raciocine passo a passo antes de responder. Aprenda como funciona, quando usar e exemplos práticos em português.

Ler →

Guia

Método CO-STAR: como estruturar prompts de IA que acertam na primeira

Aprenda o método CO-STAR para escrever prompts de IA claros e completos. Os 6 blocos explicados, um modelo pronto para copiar e um exemplo real em português.

Ler →

Guia

Como criar prompts melhores para IA: 7 técnicas que funcionam

7 técnicas práticas de prompt engineering para tirar respostas muito melhores do ChatGPT, Claude e outras IAs. Com exemplos prontos em português.

Ler →