Agent Mentor Learn
Fundamentos de prompt engineering: como escrever instruções eficazes · Lição 3 de 6

Lição 3: Few-shot learning: guiando a IA com exemplos

Objetivos de aprendizado:

  • Entender a diferença entre zero-shot, one-shot e few-shot
  • Aprender a usar de 2 a 5 exemplos para fazer a IA captar um padrão
  • Dominar os princípios de escolha de exemplos de alta qualidade

Pré-requisitos: << Lição 2: A estrutura básica de um prompt | Próxima: Lição 4 >>

Quando uma descrição é menos clara que um exemplo

Você quer que a IA gere dados num formato específico — digamos, “extraia os fatos principais deste artigo e devolva em JSON”. Você passa um bom tempo no prompt detalhando nomes de campos, tipos de dados, aninhamento... e a IA ainda te devolve algo com um formato diferente do que você imaginava.

Tente de outro jeito. Pare de descrever o formato e mostre à IA 2 ou 3 exemplos bem-feitos. Ela lê, enxerga exatamente o que você quer e acerta o formato de primeira. Esse é o poder do few-shot learning: um exemplo é mais claro que um parágrafo de descrição1.

O que é few-shot learning

Few-shot learning é uma técnica de prompt que conduz a IA ao padrão que você quer colocando um pequeno número de exemplos (em geral de 2 a 5) dentro do prompt2 1. A IA aprende, a partir desses exemplos, a relação entre entrada e saída, o formato e o estilo, e depois aplica isso a uma nova entrada.

Três formas de comparar:

  • Zero-shot: nenhum exemplo, apenas uma instrução3
  • One-shot: um exemplo
  • Few-shot: de 2 a 5 exemplos2

Zero-shot: apenas a instrução

Prompt zero-shot:

Classifique a avaliação de usuário abaixo como “positiva”, “negativa” ou“neutra”.
Avaliação: Este produto funciona bem, mas é um pouco caro.Classificação:

A IA pode retornar:

  • “neutra” (razoável)
  • “negativa” (porque menciona que é “caro”)
  • “positiva com ressalvas” (uma categoria que ela inventou na hora)

Sem exemplos, a IA só pode se apoiar no próprio julgamento para os casos-limite.

Few-shot: dê exemplos a ela

Prompt few-shot:

Classifique avaliações de usuários como “positiva”, “negativa” ou“neutra”.
Exemplos:
Avaliação: O acabamento é ótimo, estou muito satisfeito com ele.Classificação: positiva
Avaliação: Completamente inutilizável, dinheiro jogado fora.Classificação: negativa
Avaliação: As funcionalidades são boas, mas o suporte é lento.Classificação: neutra
Agora classifique esta avaliação:
Avaliação: Este produto funciona bem, mas é um pouco caro.Classificação:

Depois de ver os exemplos, a IA entende que:

  • “positiva” é para uma avaliação plenamente satisfeita
  • “negativa” é insatisfação séria
  • “neutra” é uma avaliação mista, com um lado bom e um lado ruim
  • a saída é uma única palavra, sem explicação

Então ela retorna “neutra”, porque esta avaliação corresponde ao padrão do terceiro exemplo.

Como o few-shot learning funciona

O few-shot learning explora a capacidade de aprendizado em contexto (in-context learning) de um modelo de linguagem grande2. O modelo não é retreinado; ele apenas vê alguns exemplos na conversa atual, infere a regra e a aplica.

O modelo capta três tipos de informação a partir dos exemplos:

  1. O mapeamento de entrada para saída: que tipo de entrada produz que tipo de saída
  2. O formato e o estilo da saída: uma resposta curta ou detalhada, JSON ou texto puro
  3. O critério para casos-limite: como um caso ambíguo deve ser classificado

Uma descoberta importante: pesquisas mostram que o formato e a diversidade dos exemplos importam mais do que o fato de cada exemplo estar correto2. Mesmo que alguns rótulos dos exemplos estejam errados, a IA ainda consegue aprender um padrão útil, desde que o formato seja consistente e os exemplos cubram tipos diferentes de entrada.

Princípios para projetar exemplos de alta qualidade

Você não pode simplesmente jogar quaisquer exemplos ali. A qualidade dos seus exemplos molda diretamente a saída da IA1.

Princípio 1: pelo menos 2, e em geral não mais que 5

  • Um exemplo (one-shot) às vezes não basta — a IA pode tratá-lo como um caso especial
  • 2 ou 3 exemplos costumam ser suficientes para a IA captar o padrão
  • 4 ou 5 exemplos ficam para tarefas mais complexas, ou com muitos casos-limite
  • Mais de 5 dá retorno decrescente e consome uma quantidade considerável de tokens a mais

Comece com 2 e acrescente um terceiro ou um quarto apenas se os resultados não estiverem bons o bastante1.

Princípio 2: os exemplos devem ser representativos e diversos

Seus exemplos devem cobrir os diferentes tipos de entrada que a tarefa pode encontrar — ou seja, a diversidade dos exemplos2.

Exemplos sem diversidade:

Exemplo 1: iPhone 15 Pro → celularExemplo 2: iPhone 14 → celularExemplo 3: iPhone 13 → celular
Agora classifique: MacBook Pro

Todo exemplo é um celular. A IA nunca viu outro tipo de produto eletrônico, então pode não saber como lidar com um.

Exemplos com diversidade:

Exemplo 1: iPhone 15 Pro → celularExemplo 2: MacBook Air → notebookExemplo 3: AirPods Pro → fones de ouvido
Agora classifique: iPad Pro

Isso cobre categorias diferentes de produto, então a IA consegue aprender uma lógica de classificação mais geral.

Princípio 3: mantenha o formato idêntico entre os exemplos

A consistência de formato é a chave de um prompt few-shot bem-sucedido2.

Formato inconsistente:

Exemplo 1:Entrada: Que dia bonitoSaída: positivo
Exemplo 2:"Esse filme foi tão chato" --> sentimento negativo
Exemplo 3: é razoável → neutro

O formato está todo desencontrado, então a IA não sabe se deve gerar “positivo”, “sentimento positivo” ou outra coisa.

Formato consistente:

Exemplo 1:Entrada: Que dia bonitoSaída: positivo
Exemplo 2:Entrada: Esse filme foi tão chatoSaída: negativo
Exemplo 3:Entrada: é razoávelSaída: neutro

Limpo e uniforme, então a IA sabe que a saída deve ser um único adjetivo.

Princípio 4: inclua casos-limite e exemplos que confundem

Se a tarefa tem zonas cinzentas, coloque-as nos exemplos1.

Cenário: julgar se um comentário de código é útil

Só os exemplos óbvios:

Exemplo 1:Código: x = x + 1  # soma 1Veredito: inútil (o comentário só repete o código)
Exemplo 2:Código: result = calculate_tax(income, deductions)  # calcula o imposto devidoVeredito: útil (explica o significado de negócio)

Com casos-limite incluídos:

Exemplo 1:Código: x = x + 1  # soma 1Veredito: inútil (o comentário só repete o código)
Exemplo 2:Código: result = calculate_tax(income, deductions)  # calcula o imposto devidoVeredito: útil (explica o significado de negócio)
Exemplo 3:Código: time.sleep(2)  # espera o limite de requisições da API ser reiniciadoVeredito: útil (explica por que esperamos, o que não é óbvio)
Exemplo 4:Código: users = users.filter(active=True)  # filtra usuários ativosVeredito: inútil (o nome do método já deixa isso claro)

Os exemplos 3 e 4 ajudam a IA a enxergar a fronteira: nem todo comentário que “explica o que o código faz” é útil. O que importa é se o código já expressa a intenção com clareza por conta própria.

Exemplo prático: extraindo dados estruturados com few-shot

A tarefa mais comum aqui é extrair dados estruturados de um texto não estruturado.

Tarefa: extrair campos-chave de uma vaga de emprego

Versão zero-shot (não confiável):

Extraia da vaga abaixo: cargo, faixa salarial, local, experiênciaexigida. Devolva em JSON.
Vaga: Estamos contratando pessoa desenvolvedora Python sênior, com baseem São Paulo, 3-5 anos de experiência, R$ 140-160 mil por ano.

A IA pode retornar todo tipo de formato:

ou

Nomes de campo, formato e unidades estão todos inconsistentes.

Versão few-shot (formato estável):

Extraia os campos-chave de uma vaga de emprego e devolva no formato JSONabaixo.
Exemplo 1:Entrada: Contratando pessoa engenheira de frontend, Florianópolis, 2-3anos de experiência, R$ 120-150 mil por anoSaída:{  "position": "engenheira de frontend",  "location": "Florianópolis",  "experience": "2-3 anos",  "salary": "R$ 120-150 mil/ano"}
Exemplo 2:Entrada: Urgente: backend Java, Belo Horizonte (Savassi), 5+ anosobrigatórios, R$ 8-10 mil por mêsSaída:{  "position": "backend Java",  "location": "Belo Horizonte (Savassi)",  "experience": "5+ anos",  "salary": "R$ 8-10 mil/mês"}
Exemplo 3:Entrada: Analista de dados, remoto, experiência não exigida, R$ 60-80 porhoraSaída:{  "position": "analista de dados",  "location": "remoto",  "experience": "não exigida",  "salary": "R$ 60-80/hora"}
Agora processe esta:Entrada: Estamos contratando pessoa desenvolvedora Python sênior, combase em São Paulo, 3-5 anos de experiência, R$ 140-160 mil por ano.Saída:

Os exemplos cobrem três unidades de salário (por ano, por mês, por hora) e três tipos de local (cidade, cidade mais região, remoto), então a IA aprende:

  • usar nomes de campo em inglês
  • manter a unidade de salário do texto original
  • preservar o detalhe ao extrair o local
  • “não exigida” também é um requisito de experiência válido

Armadilhas comuns do few-shot

Armadilha 1: exemplos de menos, cobertura incompleta

Dê um exemplo só e a IA verá uma instância única, não uma regra.

Correção: pelo menos 2, idealmente 3.

Armadilha 2: formato inconsistente entre os exemplos

Uma seta → aqui, dois-pontos : ali, várias linhas em outro lugar.

Correção: escolha um formato e siga-o à risca em todos os exemplos.

Armadilha 3: só casos fáceis, nenhum caso-limite

Dados reais têm ruído, ambiguidade e lacunas. Se os exemplos mostram apenas o caso ideal, a IA trava assim que encontra um caso-limite.

Correção: pelo menos um exemplo deve incluir um caso-limite (um campo ausente, uma formulação ambígua).

Armadilha 4: exemplos demais

Passando de 5 exemplos o ganho é mínimo, e você queima tokens a mais e alonga a resposta.

Correção: comece com 2 ou 3 e acrescente mais só se for necessário. Raramente você precisa de mais que 5.

Quando usar few-shot

O few-shot se encaixa melhor nestas situações:

  • Conversão de formato: texto não estruturado → JSON, Markdown, CSV
  • Classificação: análise de sentimento, marcação de tema, detecção de intenção
  • Imitação de estilo: reproduzir um estilo específico de escrita ou de código
  • Regras difíceis de colocar em palavras: como “o que torna um comentário inútil”

Quando ele não se encaixa:

  • A tarefa já é simples por si só: “traduza isto para o inglês” não precisa de exemplos
  • Cada entrada é única: escrita criativa, brainstorming — os exemplos só te encaixotam
  • É preciso conhecimento externo: “quem ganhou a Copa do Mundo de 2024” — exemplos não ajudam

Uma regra prática: se você poderia mostrar 2 ou 3 exemplos a um colega humano e ele entenderia o que fazer, o few-shot é uma boa escolha.

Recapitulação

O few-shot learning usa de 2 a 5 exemplos para fazer a IA captar o padrão que você quer, o que é mais claro do que descrevê-lo com palavras. Exemplos de alta qualidade são: moderados em número (2 a 5), representativos e diversos, idênticos em formato e inclusivos de casos-limite.

O few-shot se encaixa melhor em conversão de formato, classificação e imitação de estilo. Ao projetar exemplos, comece com 2, garanta que cubram tipos diferentes de entrada e use o mesmo formato em todos eles.

A próxima lição cobre chain-of-thought — como fazer a IA mostrar seus passos de raciocínio e melhorar a precisão em tarefas complexas.

Próxima lição Chain-of-Thought: fazendo a IA mostrar seu raciocínio >>

Footnotes

  1. Few-Shot Prompting Guide — https://www.prompthub.us/blog/the-few-shot-prompting-guide ↩ ↩2 ↩3 ↩4 ↩5

  2. Prompt Engineering Guide - Few-Shot Prompting — https://www.promptingguide.ai/techniques/fewshot ↩ ↩2 ↩3 ↩4 ↩5 ↩6

  3. Zero-shot Learning - Wikipedia — https://en.wikipedia.org/wiki/Zero-shot_learning ↩

Exercícios

01

Tarefa: fazer a IA classificar feedback de usuários em três categorias — “pedido de funcionalidade”, “relato de bug” ou “dúvida de uso”.

Nível 1: Projetar exemplos de alta qualidade

Projete 3 exemplos few-shot que cubram casos diferentes e mantenham um formato consistente.

Critérios de conclusão · marcado localmente
02

Aqui vai um prompt few-shot que não funciona bem. Encontre os problemas e melhore-o:

Nível 2: Melhorar um prompt few-shot existente
Extraia os prós e contras de uma avaliação de produto, gere JSON.
Exemplos:"qualidade razoável" -> {"pros": ["qualidade"], "cons": []}"caro demais, e entrega lenta" -> {"pros": [], "cons": ["caro", "entrega lenta"]}
Agora processe: [texto da avaliação]

Problema: a saída da IA é instável — às vezes os nomes dos campos saem em outro idioma, às vezes os prós vêm como adjetivos (“bom”) em vez de pontos concretos (“qualidade”).

Critérios de conclusão · marcado localmente