Aclarando qué es un zero-shot, un one-shot y un few-shot prompt
Comprende con ejemplos qué es un zero-shot, un one-shot y un few-shot prompts
AIPROMPT ENGINEERING
Eduardo Domínguez Menéndez
3/11/20264 min read
Los modelos de lenguaje de gran tamaño (LLMs por sus siglas en inglés Large Language Models) se entrenan con enormes cantidades de datos y pueden responder a casi cualquier tipo de pregunta. Sin embargo, no son perfectos: cuanto más claro y conciso sea el texto del prompt, mejores serán los resultados. Además, están especialmente optimizados para ciertas tareas, como seguir instrucciones.
El conjunto de técnicas que aprovechan la forma en que funcionan los LLMs para obtener los resultados más alineados a nuestras necesidades reales se conoce como prompt engineering. Una de estas aproximaciones consiste en clasificar los prompts según la cantidad de ejemplos incluidos en ellos. Así surgen tres categorías principales:
Zero-shot: no se incluyen ejemplos en el prompt.
One-shot: se proporciona un único ejemplo.
Few-shot: se incluyen varios ejemplos.
Este enfoque se basa en guiar el comportamiento del modelo mediante ejemplos dentro del propio prompt o bien omitiéndolos cuando no son necesarios.
Qué es un zero-shot prompt
Un prompt zero-shot corresponde al tipo de prompting más general y sencillo. En este caso, el prompt solo proporciona una descripción de la tarea junto con el texto sobre el que se debe trabajar, sin incluir ejemplos de referencia.
Por esta razón, el zero-shot también se conoce como “no examples"(sin ejemplos), ya que el modelo debe inferir cómo realizar la tarea únicamente a partir de la instrucción proporcionada.
Qué es un one-shot
Providing examples when creating prompts for AI models is very helpful. Examples , reducing language ambiguity and clarify your request increasing probability LLM model provides exactly what you want They are especially valuable when guiding the model toward a specific output format or pattern, such as JSON.
Un ejemplo de of one-shot prompt
El siguiente prompt (marcado en negrita y cursiva) es un ejemplo. Puedes copiarlo y probarlo en ChatGPT o en tu modelo de LLM favorito para ver el resultado.
El prompt está en inglés, no obstante hago unas aclaraciones. El objetivo es obtener un JSON que contenga el título de una película y sus actores a partir de una reseña / crítica de la película.
El inglés es muy básico, no obstante traduzco la primera frase, la traducción de la primera frase: Analiza una reseña de una película y conviértela en un JSON válido. La palabra clave parse indica al LLM que debe transformar / convertir el input en un output con un formato determinado, en nuestro caso JSON.
La lógica para indicar la lógica / arquitectura / técnica del one-shot prompt son las palabras claves EXAMPLE y JSON response.
EXAMPLE -> le damos al LLM una muestra de como va a ser el input
JSON response -> le indicamos al LLM la estructura JSON del output
Una vez hemos escrito los ejemplos de texto de entrada y JSON de salida, le indicamos al LLM la reseña que queremos transformar; lo indicamos / etiquetamos escribiendo otra vez "EXAMPLE" y para indicar que esperamos una respuesta como la del ejemplo que le hemos indicado volvemos a escribir "JSON response". Podemos imaginar que estamos indicando un patrón al LLM debe seguir.
Parse a review of a movie into valid JSON:
EXAMPLE:
```Star Wars: A New Hope (1977) is a classic space adventure, though it can feel slow at times. Mark Hamill plays Luke Skywalker, who joins forces with Princess Leia (Carrie Fisher) and Han Solo (Harrison Ford) to fight the evil Empire. Iconic, but the pacing might bore some today.```
JSON response:
{
"Title": "Star Wars: A New Hope",
"Actors": [
"Mark Hamill",
"Carrie Fisher",
"Harrison Ford"
]
}
EXAMPLE:
```The Avengers ssembles a stellar cast—Robert Downey Jr., Chris Evans, Scarlett Johansson—each delivering strong, charismatic performances. The film balances humor, action, and emotion as Earth's mightiest heroes unite against Loki’s threat. With thrilling visuals and sharp dialogue, it’s an exhilarating, crowd-pleasing blockbuster that celebrates teamwork and heroism.```
JSON response:
Qué es un few-shot
Un prompt few-shot es similar a un one-shot, pero en lugar de proporcionar al modelo de lenguaje un solo ejemplo, se incluyen varios ejemplos. La idea es que ofrecer múltiples instancias (ejemplos) del patrón deseado aumenta la probabilidad de que el modelo lo siga correctamente.
Como regla general, se recomienda incluir entre 3 y 5 ejemplos en el prompt. Sin embargo, la cantidad necesaria puede variar según distintos factores, como la complejidad de la tarea, la calidad de los ejemplos y las capacidades del modelo de IA generativa que se esté utilizando.
Podemos imaginar esta técnica como algo equivalente a los ejercicios que hacen los niños pequeños de completar una serie dados los los elementos iniciales
Aplicaciones de software sugeridas para mejorar sus flujos de trabajo de desarrollador
Prompt Creator
Genera loss mejores prompts olvidándote de las técnicas de ingeniería de prompts y su excesiva verbosidad repetitiva. Centrate en definir los detalles de la tarea y Prompt Creator crea el mejor prompt a partir de plantillas. También opción de librería de prompts para que almacenes en un único lugar tus mejores prompts
GIS for Developers
Una herramienta para recopilar ubicaciones en un mapa y transformarlas en entidades GIS del framework MapKit para importar en Xcode listo para usar en sus proyectos. También genera entidades el estándar GeoJSON. Aumenta tu productividad en proyectos GIS. Agente IA para realizar acciones con ordenes en lenguaje natural. La aplicación tiene dos versiones: macOS nativo e iOS para iPad.
