Frameworks clásicos de prompting: Zero-shot, One-shot y Few-shot
En el ámbito del Prompt Engineering, la cantidad de ejemplos que proporcionas a ChatGPT determina significativamente la calidad de las respuestas. Los tres frameworks fundamentales que vas a dominar en esta lección son el Zero-shot, el One-shot y el Few-shot prompting. Cada uno tiene sus fortalezas, limitaciones y casos de uso óptimos.
¿Por qué importa la cantidad de ejemplos?
Cuando interactúas con modelos de lenguaje como GPT-4, el modelo no solo responde a tu instrucción directa, sino que también aprende patrones del contexto que le proporcionas. Los ejemplos funcionan como demostraciones que ayudan al modelo a entender:
- El formato exacto que esperas en la respuesta
- El tono y estilo de comunicación apropiado
- Los criterios de evaluación o clasificación que manejas
- La lógica específica de tu dominio o industria
- Las restricciones o excepciones importantes
Entender cuándo y cómo usar cada framework te permitirá optimizar tus interacciones con IA, reduciendo iteraciones y obteniendo resultados precisos desde el primer intento.
Zero-shot Prompting
El Zero-shot prompting es el enfoque más minimalista: le pides a ChatGPT que realice una tarea sin proporcionar ningún ejemplo previo. El modelo depende exclusivamente de su entrenamiento general y tu descripción de la tarea.
Estructura básica
Instrucción directa + Descripción de la tareaEjemplo práctico: Clasificación de sentimiento
Clasifica el siguiente texto como positivo, negativo o neutro:
"El servicio al cliente fue rápido y resolutivo."En este caso, el modelo utiliza su comprensión general del lenguaje para inferir que la palabra "rápido" y "resolutivo" sugieren connotación positiva.
Cuándo usar Zero-shot
- Tareas genéricas y bien definidas: Traducciones, resúmenes, explicaciones de conceptos conocidos
- Cuando necesitas velocidad: Interacciones rápidas donde la precisión exacta no es crítica
- Para tareas que el modelo domina excelentemente: Matemáticas básicas, información factual actualizada
- Como primer intento: Antes de escalar a few-shot si el resultado es satisfactorio
Limitaciones del Zero-shot
Este enfoque puede fallar cuando la tarea requiere conocimiento especializado, jerga específica de un dominio, o formatos muy particulares que el modelo no puede adivinar solo con instrucciones.
One-shot Prompting
El One-shot prompting proporciona un único ejemplo que sirve como plantilla o referencia para la tarea. Este ejemplo único le dice al modelo: "Así es como quiero que hagas esta tarea".
Estructura básica
Ejemplo → Tu consultaEjemplo práctico: Generación de descripciones de producto
Ejemplo:
Producto: Auriculares inalámbricos premium
Descripción: Disfruta de sonido Hi-Fi cristalino con cancelación activa de ruido. Batería de 30 horas, diseño ergonómico y conexión Bluetooth 5.2.
Ahora genera una descripción para:
Producto: Smartwatch deportivo con GPSEl ejemplo establece el patrón de estructura (nombre del producto + beneficios + especificaciones técnicas) que el modelo replicará.
Cuándo usar One-shot
- Formatos simples pero específicos: Cuando necesitas un estilo particular que un ejemplo ilustra claramente
- Cuando la tarea es lineal: El ejemplo cubre el 90% de lo que necesitas
- Tareas de reformulación: Cambiar el tono, nivel de formalidad o estructura
- Cuando los recursos son limitados: Contextos cortos donde few-shot excedería el límite de tokens
Ventajas clave
El one-shot ofrece un equilibrio perfecto entre contexto y concisión. Un solo ejemplo bien elegido puede enseñar patrones complejos mientras mantiene la eficiencia del prompt.
Few-shot Prompting
El Few-shot prompting proporciona entre 2 y 5 ejemplos (típicamente 3-4) que demuestran la diversidad de la tarea. Esta diversidad es crucial: le muestras al modelo las diferentes variaciones y contextos posibles.
Estructura básica
Ejemplo 1 → Resultado 1
Ejemplo 2 → Resultado 2
Ejemplo 3 → Resultado 3
Tu consultaEjemplo práctico: Clasificación de tickets de soporte técnico
Ejemplo 1:
Ticket: "Mi pantalla parpadea cuando cambio el brillo"
Categoría: Problemas de hardware
Prioridad: Media
Ejemplo 2:
Ticket: "No puedo acceder a mi cuenta desde ayer"
Categoría: Problemas de acceso
Prioridad: Alta
Ejemplo 3:
Ticket: "El micrófono no funciona en las videollamadas"
Categoría: Problemas de hardware
Prioridad: Baja
Clasifica este ticket:
Ticket: "La aplicación se cierra inesperadamente al iniciar sesión"
Categoría:La importancia de la diversidad en Few-shot
No basta con repetir ejemplos similares. Para que few-shot funcione efectivamente, tus ejemplos deben cubrir:
- Diferentes casos edge: Situaciones límite o excepcionales
- Variaciones de formato de entrada: Distintas formas en que puede llegar la consulta
- Diferentes outputs esperados: Cuando hay múltiples respuestas válidas
- Casos problemáticos comunes: Ambigüedades frecuentes que debes resolver
Cuándo usar Few-shot
- Tareas con múltiples categorías: Clasificaciones complejas con muchas posibles etiquetas
- Cuando zero-shot falla: Si las respuestas del modelo son inconsistentes
- Tareas con matices: Donde la misma palabra puede tener diferentes significados según contexto
- Código y programación: Generar código en lenguajes o estilos específicos
Comparativa: ¿Cuándo usar cada framework?
Regla práctica: Empieza con zero-shot. Si la respuesta no satisface, añade un ejemplo (one-shot). Si aún así el modelo comete errores o muestra inconsistencias, escala a few-shot con ejemplos diversos.
Tabla comparativa rápida
| Criterio | Zero-shot | One-shot | Few-shot |
|---|---|---|---|
| Tokens usados | Mínimos | Moderados | Más altos |
| Precisión | Variable | Buena | Excelente |
| Mejor para | Tareas genéricas | Formatos específicos | Tareas complejas |
| Esfuerzo de creación | Mínimo | Bajo | Moderado-Alto |
Errores comunes al usar estos frameworks
Error 1: Few-shot con ejemplos idénticos
El problema: Usar 3-4 ejemplos que son casi iguales no enseñan nada nuevo al modelo. Solo confirma lo que ya sabe.
La solución: Selecciona ejemplos que representen la diversidad real de tu caso de uso. Si estás clasificando reviews, incluye ejemplos positivos, negativos, neutros, sarcásticos y mixtos.
Error 2: Mezclar zero-shot y one-shot sin estrategia
El problema: Añadir un solo ejemplo mal elegido puede confundir más que ayudar. El modelo intenta coincidir con el ejemplo, pero si este no es representativo, la respuesta empeora.
La solución: Antes de añadir un ejemplo, pregúntate: "¿Este ejemplo captura el patrón esencial de mi tarea?" Si no estás seguro, prueba con few-shot directamente usando 3 ejemplos diversos.
Error 3: Ignorar el contexto del sistema
El problema: Los ejemplos en few-shot compiten con instrucciones del sistema y el contexto previo. Puede haber contradicciones que degraden el rendimiento.
La solución: Mantén tu system prompt limpio y consistente con los ejemplos. Si el sistema dice "Sé conciso" pero tus ejemplos son extensos y detallados, el modelo recibirá señales contradictorias.
Técnicas avanzadas para potenciar tus prompts
Una vez que domines estos tres frameworks básicos, considera estas mejoras:
- Pasos visibles y verificación: Pedí una explicación breve, criterios usados o una verificación final sin solicitar la cadena interna completa del modelo.
- Self-consistency: Pide múltiples respuestas y luego selecciona la más frecuente
- Prompt chaining: Divide tareas complejas en pasos secuenciales donde cada paso usa el output del anterior
- Constitutional AI: Incluye principios éticos o de calidad en el propio prompt
Checklist de dominio
- Sé identificar cuándo usar zero-shot: Puedo reconocer tareas genéricas donde el modelo funciona bien sin ejemplos
- Construyo ejemplos one-shot efectivos: Selecciono ejemplos representativos que enseñan el patrón deseado con un solo caso
- Diseño ejemplos few-shot diversos: Mis conjuntos de ejemplos cubren diferentes casos, incluyendo situaciones límite y ambiguas
- Escalo correctamente entre frameworks: Sé cuándo pasar de zero-shot a one-shot y de one-shot a few-shot
- Evito los errores comunes: No repito ejemplos idénticos, no mezclo instrucciones contradictorias, yevalúo si un ejemplo realmente añade valor
- Optimizo el uso de tokens: Equilibro la calidad de los ejemplos con la eficiencia del contexto disponible
- Aplico estos frameworks en mi trabajo: He implementado prompts con estos métodos en al menos un proyecto real
Con estos fundamentos sólidos, estás preparado para construir prompts más sofisticados y efectivos. La práctica deliberada con proyectos reales es la clave para internalizar estos conceptos.
Ejemplo práctico de one-shot prompting
Usá one-shot cuando la tarea es simple, pero el formato de salida importa. El ejemplo funciona como una demostración compacta.
Objetivo: clasificar comentarios de estudiantes como Positivo, Neutral o Negativo.
Ejemplo:
Comentario: "El curso explica bien, pero los ejercicios podrían ser más largos."
Respuesta: Neutral
Ahora clasificá este comentario:
Comentario: "Por fin entendí SQL con ejemplos claros."
Respuesta:La diferencia frente a zero-shot es que el modelo ya vio el patrón esperado. La diferencia frente a few-shot es que solo vio un ejemplo, por eso conviene usarlo cuando el criterio no tiene demasiadas excepciones.
Cuándo usar zero-shot, one-shot o few-shot
- Zero-shot: para tareas conocidas y simples, como resumir, traducir o listar ideas.
- One-shot: para mostrar un formato específico con una sola demostración.
- Few-shot: para clasificación, extracción, tono o reglas con matices y excepciones.
OpenAI recomienda usar ejemplos diversos cuando querés que el modelo aprenda un patrón a partir del prompt. Referencia: guía oficial de OpenAI sobre uso de ejemplos.
Checklist para elegir zero-shot, one-shot o few-shot
La pregunta práctica no es si one-shot prompting es "mejor", sino cuánta demostración necesita la tarea para que el modelo copie el criterio correcto sin volver el prompt innecesariamente largo.
| Situación | Mejor enfoque | Por qué funciona |
|---|---|---|
| La tarea es conocida y el formato es libre. | Zero-shot | La instrucción directa alcanza para resumir, traducir, explicar o listar ideas. |
| El formato importa y querés mostrar un patrón simple. | One-shot | Un solo ejemplo enseña tono, estructura, etiqueta o estilo de respuesta. |
| Hay matices, excepciones o categorías parecidas. | Few-shot | Varios ejemplos reducen ambigüedad y muestran bordes de decisión. |
| El resultado será usado en producción. | Few-shot + evaluación | Necesitás ejemplos de prueba, criterios de calidad y revisión humana. |
Plantilla copiable de one-shot prompting
Usá esta estructura cuando necesitás que ChatGPT, Claude, Gemini u otro modelo copie un formato específico a partir de una sola demostración.
Tarea: [explicá la tarea en una frase]
Criterio: [qué hace que la respuesta sea buena]
Formato de salida: [tabla, bullets, JSON, email, checklist, etc.]
Ejemplo:
Entrada: [caso de muestra]
Salida esperada: [respuesta ideal]
Ahora resolvé:
Entrada: [caso real]
Salida:Para que el ejemplo sea útil, debe parecerse al caso real. Si el ejemplo es demasiado fácil, el modelo aprende un patrón pobre; si el ejemplo contradice la instrucción, suele copiar el ejemplo y no la regla.
One-shot prompting como habilidad laboral
One-shot prompting se vuelve valioso cuando lo convertís en un activo de trabajo: prompts reutilizables, criterios de evaluación, documentación del proceso y ejemplos antes/después. Eso sirve para roles de IA aplicada, marketing, educación, soporte, automatización y análisis.
- Para portfolio: publicá una mini librería con 5 prompts one-shot y explicá qué problema resuelve cada uno.
- Para entrevistas: compará un prompt zero-shot, one-shot y few-shot sobre la misma tarea y justificá cuál elegirías.
- Para clientes: ofrecé auditoría de prompts, plantillas de respuesta, automatización de contenidos o documentación de flujos de IA.
Conectá esta habilidad con la ruta de IA aplicada, revisá oportunidades en empleos y ofrecé servicios de prompts, automatización o capacitación desde el marketplace de profesionales.
One-shot prompting en ChatGPT y APIs
En ChatGPT podés escribir el ejemplo dentro del prompt. En una app o API, conviene separar instrucciones estables, ejemplos y entrada variable para que el prompt sea más fácil de probar, versionar y mejorar.
| Parte | Qué poner | Ejemplo |
|---|---|---|
| Instrucciones | Reglas, criterio de clasificación y formato esperado. | Clasificá reseñas como Positiva, Neutral o Negativa. Respondé una sola etiqueta. |
| Ejemplo one-shot | Una entrada y salida representativa. | Reseña: buena entrega pero empaque roto. Respuesta: Neutral. |
| Entrada variable | El caso real que cambia en cada solicitud. | Reseña: excelente atención y producto perfecto. |
OpenAI recomienda usar ejemplos cuando querés que el modelo aprenda un patrón desde el prompt, y en flujos de equipo también podés guardar prompts reutilizables con versiones y variables. Para producción, no te quedes solo con el ejemplo: armá una pequeña evaluación con casos correctos e incorrectos.
