Existe uma forma simples de fazer IA entender exatamente o que você quer, sem treinar nada: dar exemplos na própria instrução. Isso se chama few-shot learning. Esse texto explica o que é, quando vale a pena, e por que é uma das primeiras técnicas a considerar antes de gastar com treinamento.
Veja também a definição no nosso glossário de IA.
O que é Few-shot (em uma frase)
Few-shot é a técnica de dar alguns exemplos do que você quer dentro do próprio prompt, para a IA entender o padrão e replicar. Também chamado de few-shot learning ou few-shot prompting.
Em português direto: em vez de explicar longamente o que quer, você mostra. “Veja estes 3 exemplos de como classificar” — e a IA entende e faz igual.
A diferença para zero-shot (sem exemplo) é que few-shot usa demonstração. A diferença para fine-tuning é que few-shot não treina o modelo — os exemplos vão junto na conversa, a cada uso.
Por que isso importa
Em projeto de IA, sempre há a tentação de partir direto para fine-tuning: “vou treinar o modelo para fazer do meu jeito”. Mas fine-tuning custa tempo, dado e dinheiro. Antes de ir para esse caminho, vale tentar few-shot.
Muitas vezes, três a cinco exemplos bem escolhidos no prompt resolvem o problema. A IA moderna é boa em pegar padrão a partir de pouca demonstração. Se resolve, você economizou um projeto inteiro.
Few-shot é uma das ferramentas mais subutilizadas em projeto de IA. É barata (só aumenta um pouco o prompt), rápida (não precisa de treinamento) e eficaz para tarefa com padrão claro.
Como funciona, sem código
Pense em few-shot como mostrar exemplos para um funcionário novo. O processo é mais ou menos assim:
- Você escreve uma instrução — “classifique a intenção da mensagem”.
- Você inclui exemplos dentro do próprio prompt:
- “Mensagem: ‘quero cancelar’ → Intenção: cancelamento”
- “Mensagem: ‘qual o prazo?’ → Intenção: dúvida”
- “Mensagem: ‘produto veio com defeito’ → Intenção: reclamação”
- A IA entende o padrão e classifica mensagens novas seguindo o mesmo formato.
A mágica é que o modelo aprende o padrão a partir desses poucos exemplos, sem precisar de treinamento. Em cada nova conversa, você envia a instrução com os exemplos — eles fazem parte do prompt.
Exemplo prático: classificação de chamado
Imagine uma empresa que recebe chamado de suporte e quer classificar automaticamente: técnico, financeiro, comercial, elogio, reclamação.
Sem few-shot (zero-shot): você escreve “classifique este chamado em uma das categorias: técnico, financeiro, comercial, elogio, reclamação”. Funciona razoavelmente, mas a IA pode inventar categoria fora da lista, mudar formato, hesitar em caso ambíguo.
Com few-shot: você escreve a instrução e inclui 5 exemplos reais bem classificados. A IA segue rigorosamente o padrão, usa exatamente as categorias da lista, mantém formato. Resultado muito mais consistente.
Se isso resolve, você nem precisa de fine-tuning. Se mesmo com few-shot a qualidade não for suficiente, aí sim vale partir para fine-tuning ou LoRA — mas só depois.
Few-shot vs zero-shot vs fine-tuning
Vale distinguir as abordagens:
- Zero-shot — você só descreve o que quer, sem exemplo. Funciona para tarefa comum. Pode falhar em tarefa específica.
- Few-shot — você dá alguns exemplos no prompt. Mais consistente que zero-shot, sem custo de treinamento.
- Fine-tuning / LoRA — você treina o modelo com muitos exemplos. Mais consistente ainda, mas caro e demorado.
A regra prática em projeto bem feito:
- Comece com zero-shot (instrução clara).
- Se não bastar, adicione few-shot (3 a 10 exemplos).
- Se ainda não bastar, considere RAG para contexto.
- Se ainda não bastar, aí vale fine-tuning ou LoRA.
Pular etapas é jogar dinheiro fora. Comece simples.
Quando few-shot funciona bem
A técnica brilha em casos como:
- Classificação — categorizar mensagem, ticket, avaliação.
- Extração estruturada — tirar dado de texto e colocar em formato fixo.
- Transformação — mudar tom, resumir, reescrever com padrão.
- Geração com formato específico — saída em JSON, tabela, estrutura.
Em todos esses casos, o padrão é claro e bem demonstrado por poucos exemplos. A IA capta e replica.
Quando few-shot NÃO é suficiente
A técnica tem limite. Não resolve quando:
- Tarefa exige vocabulário técnico muito específico que o modelo não conhece — aí vale fine-tuning ou LoRA.
- Você precisa de muita consistência em milhão de caso — few-shot varia um pouco.
- O padrão é complexo demais para poucos exemplos demonstrarem.
- Informação muda — few-shot é estático. Para dado dinâmico, RAG é melhor.
O sinal de que few-shot chegou no limite é: mesmo com mais exemplos, o resultado não melhora. Aí, hora de subir um degrau.
Cuidados ao usar few-shot
- Qualidade dos exemplos importa mais que quantidade. Três exemplos excelentes superam dez medíocres.
- Exemplos devem cobrir variação — não use três exemplos quase idênticos.
- Cuidado com context window — exemplos aumentam o prompt, custam token.
- Evite viés nos exemplos — se todos os exemplos de reclamação mencionam produto, a IA pode classificar como reclamação só o que cita produto.
Exemplos mal escolhidos ensinam padrão errado. Vale curar.
Perguntas frequentes
Quantos exemplos usar no few-shot?
Em geral, de 3 a 10. Mais que isso costuma ter retorno decrescente e aumenta custo de token. O ideal é testar: comece com 3, veja o resultado, adicione se precisar. Qualidade dos exemplos importa mais que número.
Few-shot substitui fine-tuning?
Em muitos casos, sim. Para tarefa com padrão claro, few-shot resolve sem custo de treinamento. Só quando few-shot não dá qualidade suficiente vale partir para fine-tuning. Começar pelo mais simples e barato é a regra.
Posso usar few-shot em qualquer modelo?
Sim, em qualquer modelo de linguagem moderno. Alguns têm janela de contexto pequena e limitam quantos exemplos cabem; outros, maior. Mas a técnica em si é universal — é só colocar exemplos no prompt.
Próximo passo
Few-shot é uma das primeiras técnicas a testar antes de gastar com treinamento. Muitas vezes resolve. Se você quer ver como aplicar no seu caso, ou quer entender qual caminho faz sentido (few-shot, RAG, fine-tuning), fazemos um diagnóstico gratuito. Mostramos o que dá pra fazer, o que não dá, e quanto custaria.
