Few-shot prompting serve para a IA responder no formato e no tom que a empresa já usa. O dono confere o efeito comparando a mesma tarefa sem exemplo e com três. Para quem vende por orçamento, os melhores exemplos são respostas de WhatsApp, propostas e respostas a avaliações que deram certo, com preço, prazo e nome trocados por marcadores para a IA não copiar o dado.
Resumo com IA
- No few-shot prompting, a Anthropic recomenda de 3 a 5 exemplos variados e próximos do uso real, e a documentação do Gemini avisa que exemplos demais fazem o modelo ajustar a resposta aos exemplos em vez de à tarefa;
- No few-shot prompting, cada categoria que a resposta pode ter precisa aparecer em pelo menos um exemplo, porque a IA tende a empurrar o caso que não viu para as categorias mostradas;
- Em modelos que raciocinam antes de responder, o few-shot prompting pode atrapalhar: o relatório técnico do DeepSeek-R1, de janeiro de 2025, registrou queda consistente de desempenho com exemplos no pedido;
- Para quem vende por orçamento, o few-shot prompting rende mais com textos que a empresa já enviou e que deram certo, como a resposta de WhatsApp que virou pedido de orçamento, a proposta aceita e a resposta a uma avaliação no Google;
- No few-shot prompting com textos reais da empresa, preço, prazo e nome do cliente viram marcadores entre colchetes, preenchidos pela tabela de serviços e conferidos antes de cada envio, para a IA não repetir o dado do exemplo.
Few-shot prompting é a técnica de colocar alguns exemplos de entrada e resposta no prompt, o pedido escrito que a IA recebe, para que o modelo siga o formato e o tom deles na resposta nova, sem novo treinamento. O termo, também escrito few shot prompting, difere de few-shot learning, que treina modelos com poucos exemplos rotulados.
Para o dono de uma empresa que vende por orçamento, a técnica é o que separa a resposta genérica da IA de uma resposta no jeito que a empresa já atende no WhatsApp, usando textos que ela já tem e sem contratar treinamento de modelo nenhum. Os exemplos orientam a forma da resposta e não garantem os fatos: preço, prazo e nome continuam a cargo de quem envia.
O few-shot prompting é uma forma de aprendizado em contexto (in-context learning), em que o modelo aprende a tarefa dentro da própria conversa, a partir do que o pedido mostra.
Índice
Como funciona o few-shot prompting?
O few-shot prompting funciona como continuação de padrão: o modelo de linguagem recebe os pares de exemplo, reconhece a forma que eles repetem e aplica essa forma à entrada nova, sem que nada mude dentro dele. O artigo Language Models are Few-Shot Learners, apresentado na conferência NeurIPS em 2020 por Brown e colegas, mostrou um modelo de 175 bilhões de parâmetros resolvendo tradução e perguntas com exemplos escritos no pedido, sem ajuste fino.
Em uma empresa de manutenção de ar-condicionado, o pedido few-shot que classifica a urgência dos chamados do WhatsApp tem quatro partes:
- Instrução: “Classifique a urgência do chamado como alta, média ou baixa”;
- Exemplo 1: “O aparelho da sala de vacinas parou de gelar”, com a resposta alta;
- Exemplo 2: “Quero agendar a limpeza dos aparelhos para o mês que vem”, com a resposta baixa;
- Entrada nova: “O aparelho da recepção está pingando no balcão”, sem resposta, para a IA completar.
No pedido few-shot do exemplo, a IA não recebeu nenhum chamado de urgência média já respondido, e por isso tende a empurrar o caso intermediário para alta ou baixa. Cada categoria que a resposta pode ter precisa aparecer em pelo menos um exemplo.
Qual é a diferença entre zero-shot e few-shot prompting?
A diferença entre zero-shot e few-shot prompting é a quantidade de exemplos no pedido: o zero-shot envia só a instrução, o one-shot envia um exemplo e o few-shot envia dois ou mais. Quanto mais exemplos, mais a resposta se aproxima do padrão mostrado e mais espaço o pedido ocupa.
Quando a instrução sozinha já descreve a tarefa, o zero-shot prompting, o pedido sem exemplo, costuma bastar. No resumo do chamado para a agenda do técnico, os três modos ficam assim:
| Modo | Exemplos no pedido | Como sai o resumo do chamado | Quando compensa |
|---|---|---|---|
| Zero-shot | Nenhum | Tamanho e ordem das informações mudam de um chamado para outro | Tarefa simples, que a instrução descreve bem |
| One-shot | Um | Tende a copiar o tamanho e até o assunto do único exemplo | Mostrar o formato em chamados parecidos |
| Few-shot | Dois ou mais, variados | Mesmo formato em chamados diferentes, da troca de peça à instalação nova | Saída com padrão fixo ou categorias que se confundem |
Para quem vende por orçamento, o few-shot compensa quando a mesma tarefa se repete todo dia e a resposta precisa sair no mesmo molde, como o resumo do chamado ou a primeira resposta a quem pergunta preço; em uma tarefa avulsa e simples, o pedido sem exemplo economiza tempo e espaço.
Quantos exemplos usar no few-shot prompting?
De 3 a 5 exemplos é a quantidade que a Anthropic recomenda na documentação de boas práticas do Claude, consultada em outubro de 2026, com exemplos próximos do uso real, variados o bastante para a IA não aprender um padrão que ninguém quis ensinar e separados das instruções.
A documentação para desenvolvedores do Gemini, do Google, consultada no mesmo mês de 2026, aponta o limite do outro lado: com exemplos demais, o modelo pode ajustar a resposta aos exemplos em vez de à tarefa. Todos os exemplos precisam ter a mesma estrutura, porque mostrar o formato da resposta é um dos objetivos principais deles.
No few-shot prompting de uma empresa de serviço, a régua que a agência recomenda é começar com três exemplos de casos diferentes e acrescentar o quarto ou o quinto apenas quando a resposta errar um tipo de caso que nenhum exemplo mostrou. Se a IA passar a repetir frases inteiras dos exemplos, o ajuste é reduzir a quantidade.
Quais são as limitações do few-shot prompting?
As limitações do few-shot prompting são três: cada exemplo ocupa espaço no pedido e conta tokens, as unidades de texto que o modelo lê e que entram no custo de uso; o erro de um exemplo tende a se repetir na resposta; e, nos modelos que raciocinam antes de responder, os exemplos podem piorar o resultado.
O relatório técnico do DeepSeek-R1, de janeiro de 2025, documenta o terceiro caso: os autores observaram que o few-shot prompting piorou o desempenho do modelo de forma consistente e passaram a recomendar o pedido direto, só com o problema e o formato da saída.
Nos modelos de raciocínio, vale testar também se o pedido de passo a passo do chain-of-thought, a cadeia de pensamento, ainda ajuda. Para decidir, compare lado a lado a resposta sem exemplo e a resposta few-shot com três exemplos, e fique com o modo que acerta formato e conteúdo.
Quais textos da empresa servem de exemplo no few-shot?
Os textos que servem de exemplo no few-shot prompting são os que a empresa já enviou a clientes e que deram certo, porque carregam o tom, a ordem das informações e o próximo passo que funcionam com quem compra dela. Para quem vende por orçamento, quatro fontes costumam estar à mão:
- A resposta de WhatsApp que levou o cliente a pedir orçamento, que ensina a primeira resposta a quem pergunta preço;
- A proposta que o cliente aceitou, que ensina a ordem entre escopo, condição e próximo passo;
- A resposta já publicada a uma avaliação no Google, que ensina o tom com que a empresa fala em público;
- A mensagem de confirmação de visita, que ensina o formato curto com data, horário e endereço.
Texto que não converteu, ou que a empresa não mandaria de novo, fica fora do pedido few-shot: a IA reproduz o que vê, e o exemplo vira a régua de qualidade da resposta.
Por que a IA pode copiar o preço e o prazo do exemplo?
A IA pode copiar o preço e o prazo do exemplo porque trata o exemplo como molde da resposta. Em 2022, o estudo Rethinking the Role of Demonstrations, de Min e colegas, mostrou em 12 modelos de linguagem que trocar ao acaso as respostas certas dos exemplos quase não piora o resultado: o que pesa é o formato, o conjunto de respostas possíveis e o tipo de texto de entrada.
Na resposta a um cliente que pediu outro serviço, o valor e o prazo do exemplo cabem no molde e podem sair como se fossem dele. Para usar uma conversa real como exemplo de few shot prompting sem esse risco, o preparo leva cinco passos:
- Copie o texto que deu certo e apague nome, telefone e endereço do cliente;
- Troque cada preço, prazo e data por um marcador entre colchetes, como [valor], [prazo] e [data];
- Escreva na instrução que os marcadores são preenchidos apenas com a tabela de serviços colada no mesmo pedido;
- Cole a tabela com o preço e o prazo do serviço que o cliente pediu;
- Leia a resposta antes de enviar e confira cada número e cada nome contra a tabela e a conversa com o cliente.
Para quem vende por orçamento, recomendo usar o exemplo de few-shot para ensinar o jeito de responder e deixar o dado fora dele: preço, prazo e nome do cliente viram marcadores, e quem preenche é a tabela da empresa, conferida antes de cada envio.
Lucas Ferraz, especialista em SEO
Perguntas frequentes sobre few-shot prompting
Few-shot prompting, few-shot learning e fine-tuning aparecem juntos nas buscas sobre exemplos para IA, e apenas o primeiro funciona dentro de uma conversa comum, sem treinar modelo nenhum.
Zero-shot, one-shot e few-shot learning são configurações de aprendizado de máquina em que o modelo aprende ou é avaliado com nenhum, um ou poucos exemplos rotulados por categoria. No few-shot prompting, os exemplos vão no pedido e o modelo continua igual, que é a versão usada no ChatGPT ou no Gemini.
Não, o few-shot prompting resolve a tarefa apenas na conversa em que os exemplos foram enviados, e eles precisam ir de novo no pedido seguinte. O fine-tuning, o novo treinamento do modelo, muda o comportamento de forma permanente, com custo e preparo de dados que uma pequena empresa raramente precisa assumir.
A diferença entre few-shot prompting e chain-of-thought está no que o pedido mostra: o few-shot traz exemplos de resposta pronta, e o chain-of-thought pede que a IA explique o raciocínio em etapas antes de concluir. Os dois podem ir juntos, com exemplos que mostram o raciocínio, em tarefas de cálculo ou de várias condições.
O few-shot na recepção de uma clínica de fisioterapia
Na recepção de uma clínica de fisioterapia, quem pergunta pelo WhatsApp o valor da avaliação pode receber uma resposta montada assim: três respostas antigas que terminaram em agendamento, com o valor trocado por [valor], mais a tabela da clínica. A resposta sai no tom da casa e com o preço vigente.
Fazer a IA indicar a empresa quando um cliente pede um fornecedor é outra frente, a do trabalho de Generative Engine Optimization (GEO) da Lucas Ferraz SEO. O primeiro passo é a análise gratuita, que inclui a checagem de presença da empresa na IA, com resposta no mesmo dia útil e proposta em até 48 horas; a agência soma mais de 195 avaliações no Google, com nota 5,0.