Início/Prompt Engineering/Zero-Shot vs. Few-Shot Prompting

Techniques

Zero-Shot vs. Few-Shot Prompting

Última atualização: 31 de agosto de 2026·9 min de leitura·Por Hans Kuepper · Fundador do PromptQuorum, ferramenta de despacho multi-modelo de IA · PromptQuorum

Ler em:

🇺🇸en 🇩🇪de 🇫🇷fr 🇯🇵ja 🇨🇳zh 🇪🇸es 🇧🇷pt 🇸🇦ar 🇰🇷ko

O zero-shot prompting não usa exemplos no prompt e depende inteiramente do conhecimento prévio do modelo, enquanto o few-shot prompting inclui alguns exemplos para que o modelo imite um padrão desejado.

O zero-shot prompting dá ao modelo uma instrução sem exemplos; o few-shot prompting acrescenta de 2 a 10 exemplos resolvidos para que o modelo copie o padrão. Zero-shot é mais rápido e barato por chamada. Few-shot é mais confiável em formatos rígidos, domínios específicos e casos extremos.

1
Zero-shot envia apenas uma instrução; few-shot envia a mesma instrução mais 2 a 10 exemplos rotulados. Nenhum dos dois altera os pesos do modelo — ambos são aprendizado em contexto.
2
Comece com zero-shot, meça e só acrescente exemplos quando a precisão ficar abaixo do alvo. O few-shot reenvia cada exemplo em toda chamada.
3
O maior ganho do few-shot está no controle de formato — esquemas JSON rígidos, vocabulários de rótulos fixos, estilo da casa — e não na capacidade de raciocínio.
4
Qualidade dos exemplos vence quantidade: três exemplos variados e representativos costumam superar dez quase idênticos.
5
Nos modelos de raciocínio de ponta a diferença para o zero-shot encolheu bastante. Em modelos pequenos e locais, o few-shot ainda costuma ser o maior ganho de precisão disponível.
6
Ordem e equilíbrio importam. Os modelos dão peso extra ao último exemplo, então embaralhe os rótulos em vez de agrupá-los por classe.
7
Decida com um conjunto de teste: menos de 5 pontos percentuais de ganho, fique no zero-shot; 10 pontos ou mais, publique os exemplos.

Dados rápidos

1
Faixa usual do few-shot: 2 a 10 exemplos; os ganhos costumam estabilizar acima de 8
2
Origem: Brown et al. (2020), "Language Models are Few-Shot Learners" — o artigo do GPT-3, 175 bilhões de parâmetros
3
Ganho relatado no GPT-3: 64,3% zero-shot → 71,2% few-shot no TriviaQA
4
Custo em tokens: 5 exemplos de cerca de 120 tokens acrescentam aproximadamente 600 tokens de entrada por requisição
5
Cache de prompt: um bloco few-shot estático pode reduzir em até 90% o custo de entrada repetida com o prompt caching do Claude
6
Limiar de adoção: publique o few-shot quando ele somar 10 pontos percentuais ou mais em 50 casos de teste

O que é zero-shot prompting

📍 In One Sentence

O zero-shot prompting fornece uma instrução de tarefa sem demonstrações no contexto e depende integralmente do pré-treinamento e do ajuste por instruções do modelo.

💬 In Plain Terms

Zero-shot é dizer a alguém o que fazer e confiar que a pessoa já sabe como. Nenhum exemplo resolvido, só a instrução.

O zero-shot prompting pede que o modelo resolva uma tarefa usando apenas uma instrução clara, sem exemplos dentro do prompt. O modelo se apoia no conhecimento geral e na capacidade de seguir instruções adquiridos no pré-treinamento e no alinhamento.

O zero-shot é rápido de montar porque você não precisa criar nem manter pares de exemplos. Funciona bem em tarefas amplas como perguntas gerais, classificação simples, resumos ou traduções diretas, em que a instrução costuma bastar.

O que é few-shot prompting

📍 In One Sentence

O few-shot prompting coloca antes da instrução um pequeno conjunto de demonstrações de entrada e saída para que o modelo infira o padrão em contexto, sem atualizar pesos.

💬 In Plain Terms

Few-shot é mostrar três exemplos prontos antes de pedir o quarto. O modelo copia o padrão que consegue ver.

O few-shot prompting acrescenta à instrução um pequeno conjunto de exemplos de entrada e saída para que o modelo deduza o padrão da tarefa a partir de demonstrações concretas. Na prática, few-shot significa de dois a dez exemplos.

Esses exemplos funcionam como um mini conjunto de treino dentro do prompt e orientam como o modelo interpreta tarefas ambíguas, formatos especializados ou linguagem de domínio. O few-shot é especialmente útil quando você precisa de um estilo, um esquema ou um comportamento sutil que instruções genéricas não capturam.

Nada é treinado. Os exemplos vivem na janela de contexto pela duração de uma única chamada e depois são descartados — por isso a técnica se chama aprendizado em contexto, e não fine-tuning.

Principais diferenças: zero-shot vs. few-shot

Zero-shot e few-shot prompting diferem principalmente em esforço de preparação, precisão em tarefas específicas e escalabilidade entre casos de uso. Ambos usam o mesmo modelo, mas trocam esforço de curadoria de exemplos por melhor alinhamento à tarefa.

Dimensão	Zero-Shot	Few-Shot
Exemplos no prompt	Nenhum	2 a 10+ exemplos representativos
Velocidade de configuração	Muito rápida; sem curadoria	Mais lenta; os exemplos precisam ser escolhidos e mantidos
Necessidade de dados	Não exige exemplos rotulados	Exige ao menos alguns exemplos rotulados
Precisão em tarefas específicas	Muitas vezes menor ou mais genérica	Costuma ser maior e mais consistente em domínios específicos
Controle do formato de saída	Depende de quão bem você descreve o formato	Forte; os exemplos são a especificação do formato
Tokens de entrada por chamada	Apenas a instrução	Instrução mais todos os exemplos, em cada chamada
Escalabilidade entre tarefas	Muito escalável, fácil incluir novas tarefas	Menos escalável; cada tarefa pode exigir exemplos próprios

Quando usar zero-shot

Use zero-shot prompting quando você precisa de velocidade, não tem exemplos rotulados e a tarefa é razoavelmente geral. Esse padrão funciona bem como primeira tentativa ou linha de base.

Cenários típicos de zero-shot:

Perguntas gerais, resumos simples e classificação básica de sentimento.
Experimentação rápida enquanto você ainda está descobrindo o formato da tarefa.
Domínios ou idiomas novos, sem exemplos curados disponíveis.
Pipelines de alto volume sensíveis a custo, em que cada token de entrada extra se multiplica por milhões de chamadas.

Quando usar few-shot

Use few-shot prompting quando a tarefa for especializada, sensível a formato ou de alto risco e você puder fornecer bons exemplos. Nesses casos, os exemplos melhoram bastante a confiabilidade em relação a instruções puras.

Cenários comuns de few-shot:

Classificação ou extração de domínio específico (jurídico, médico, financeiro), em que rótulos e redação precisos importam.
Tarefas com esquemas rígidos, como extrair JSON estruturado de texto bagunçado.
Tarefas multilíngues ou de localização, em que alguns exemplos por idioma resolvem expressões e estilo.
Estilo e tom da casa, em que "escreva assim" é mais fácil de demonstrar do que de descrever.
Modelos menores ou executados localmente, que costumam fugir do formato só com instruções.

Exemplo: prompt zero-shot vs. few-shot

A diferença prática entre zero-shot e few-shot fica clara ao comparar prompts para a mesma tarefa. Aqui classificamos tickets de suporte por intenção.

Prompt ruim – sem estrutura

"Olha esse ticket de suporte e me diz do que se trata."

Prompt zero-shot

"Classifique o seguinte ticket de suporte em uma destas categorias: `billing_issue`, `login_problem`, `feature_request`, `bug_report` ou `other`. Ticket: "Tentei redefinir minha senha três vezes hoje e o link sempre diz que expirou." Responda apenas com o nome da categoria."

Prompt few-shot

"Classifique cada ticket de suporte em uma destas categorias: `billing_issue`, `login_problem`, `feature_request`, `bug_report` ou `other`. Responda apenas com o nome da categoria. Exemplo 1: Ticket: "Vocês me cobraram duas vezes a mesma assinatura neste mês." Rótulo: `billing_issue` Exemplo 2: Ticket: "Sempre que clico em 'exportar relatório' nada acontece, mesmo depois de atualizar a página." Rótulo: `bug_report` Exemplo 3: Ticket: "Vocês poderiam adicionar exportação de relatórios direto para o Google Sheets?" Rótulo: `feature_request` Agora classifique este ticket: "Tentei redefinir minha senha três vezes hoje e o link sempre diz que expirou."

A versão few-shot mostra o padrão de forma explícita, o que normalmente melhora a qualidade da classificação em tickets ambíguos ou ruidosos.

A qualidade dos exemplos decide o desempenho do few-shot

Três exemplos bem escolhidos superam com frequência dez quase idênticos, porque o modelo aprende os limites da tarefa pela variedade que você mostra, não pelo volume. A maioria dos resultados decepcionantes com few-shot vem da seleção dos exemplos, não da quantidade.

1
Cubra toda a faixa, não apenas os casos fáceis. Inclua o ticket ambíguo, o muito curto e o mal escrito — são justamente essas entradas que falham em produção.
2
Equilibre os rótulos. Se quatro de cinco exemplos forem `bug_report`, o modelo vai prever `bug_report` em excesso. Dê a cada classe representação parecida.
3
Embaralhe a ordem. Os modelos dão mais peso aos exemplos finais, então evite agrupar rótulos idênticos no fim do bloco.
4
Mantenha o formato exatamente igual em todos os exemplos. Espaçamento, aspas ou ordem de chaves inconsistentes ensinam ao modelo que o formato é negociável.
5
Tire os exemplos de entradas reais de produção. Exemplos limpos escritos à mão ensinam o modelo a esperar entradas limpas que ele nunca vai receber.
6
Nunca cole dados reais de clientes em um template de prompt. Anonimize ou sintetize: blocos few-shot são armazenados, versionados e compartilhados como código.

Few-shot custa tokens em cada chamada

Exemplos few-shot não são um custo único de configuração — eles são reenviados como tokens de entrada em cada requisição. Cinco exemplos de cerca de 120 tokens somam aproximadamente 600 tokens de entrada por chamada: irrelevante em testes, significativo com um milhão de chamadas por mês.

Esse é o motivo prático para medir primeiro a linha de base zero-shot. Se o zero-shot já atinge seu patamar de precisão, o few-shot não entrega nada e cobra de você indefinidamente.

🔍 Coloque o bloco de exemplos em cache

Um bloco few-shot que não muda entre chamadas é candidato ideal para cache de prompt. Anthropic, OpenAI e Google aplicam descontos altos na entrada em cache — até 90% no prompt caching do Claude — o que elimina quase todo o argumento de custo contra o few-shot em pipelines de alto volume.

Modelos de raciocínio reduziram a diferença do zero-shot

Um ajuste por instruções forte fechou boa parte da vantagem de precisão que o few-shot prompting comprava nos modelos de ponta. No Claude Opus 5, GPT-5.6 e Gemini 3.1 Pro, uma instrução zero-shot bem escrita hoje empata com o few-shot em muitas tarefas gerais — mas essa convergência não vale para todo o cenário de modelos.

O few-shot continua valendo seus tokens em formato e vocabulário: conjuntos de rótulos proprietários, esquemas internos, tom da casa e casos extremos que o modelo nunca viu no pré-treinamento. E em modelos menores ou hospedados localmente, o few-shot segue como a alavanca de precisão mais eficaz sem fine-tuning.

Classe de modelo	Qualidade em zero-shot	O few-shot ainda ajuda?
Raciocínio de ponta (Claude Opus 5, GPT-5.6, Gemini 3.1 Pro)	Alta em tarefas gerais	Principalmente para formato de saída, tom da casa e rótulos proprietários
Ponta sem raciocínio (Claude Sonnet 5, Gemini 3.7 Flash)	Boa	Sim — em domínios estreitos e esquemas rígidos
Modelos pequenos hospedados (Claude Haiku 4.5, Gemini 3.5 Flash-Lite)	Irregular em tarefas especializadas	Sim — normalmente o maior ganho isolado de precisão
Open-weight local de 7–30B (Qwen3 8B, Llama 4 Scout, Gemma 4)	Variável; desvio de formato é comum	Sim — muitas vezes é a diferença entre saída utilizável e inútil

Erros comuns

A maioria das falhas com few-shot é de processo, não do modelo. Estes cinco explicam a maior parte dos casos em que acrescentar exemplos piorou a saída em vez de melhorar.

❌ Acrescentar exemplos antes de medir a linha de base zero-shot

Why it hurts: Você paga tokens de entrada para sempre sem saber se os exemplos trouxeram algum ganho.

Fix: Rode 50 casos de teste em zero-shot e registre a precisão. Só então acrescente exemplos e meça de novo.

❌ Todos os exemplos com o mesmo rótulo

Why it hurts: O modelo lê o desequilíbrio como probabilidade prévia e prevê aquela classe em excesso nas entradas reais.

Fix: Equilibre as classes entre os exemplos e embaralhe para que rótulos iguais não fiquem lado a lado.

❌ Exemplos que contradizem a instrução escrita

Why it hurts: Quando instrução e demonstração divergem, o modelo costuma seguir a demonstração — em silêncio.

Fix: Releia a instrução contra cada exemplo após qualquer edição; trate os exemplos como a especificação.

❌ Exemplos muito mais longos ou limpos que as entradas reais

Why it hurts: O modelo aprende a esperar texto organizado e piora com o texto bagunçado que realmente recebe.

Fix: Amostre os exemplos do tráfego de produção, incluindo os feios.

❌ Dados reais de clientes deixados no bloco de exemplos

Why it hurts: Templates de prompt são versionados, compartilhados e registrados em log — dados pessoais ali viram exposição à LGPD.

Fix: Anonimize ou sintetize cada exemplo antes que ele entre em um template armazenado.

Como o PromptQuorum ajuda você a escolher

O PromptQuorum é uma ferramenta de despacho de IA multimodelo que permite testar prompts zero-shot e few-shot em vários provedores no mesmo lugar. Você pode enviar o mesmo prompt só com instrução e o mesmo prompt com exemplos para modelos como GPT-5.6, Claude Opus 5 e Gemini 3.1 Pro lado a lado.

Dentro do PromptQuorum, você pode:

Começar com prompts zero-shot usando frameworks como Single Step, RTF ou CO-STAR para linhas de base rápidas.
Migrar para prompts few-shot embutindo exemplos representativos em frameworks como SPECS ou o Prompting Guide do Google quando precisar de mais controle.
Salvar as duas versões como templates e comparar precisão, latência e custo em tokens entre modelos ao longo do tempo.

Como escolher entre zero-shot e few-shot prompting

1
Para tarefas rotineiras e simples, comece com zero-shot (sem exemplos). Exemplo: "Classifique esta avaliação como positiva ou negativa." Se a precisão for suficiente, o zero-shot é mais rápido e barato.
2
Quando o desempenho zero-shot for fraco (abaixo de 80% de precisão ou qualidade), acrescente de 2 a 5 exemplos few-shot. Mostre ao modelo 2–3 avaliações positivas e 2–3 negativas com os rótulos corretos. O few-shot ensina pelo exemplo.
3
Para tarefas com distinções sutis ou padrões raros, use de 5 a 10 exemplos (few-shot+). Se for preciso detectar ironia, viés prejudicial ou nuance de domínio, mais exemplos ajudam.
4
Escolha exemplos que cubram a faixa de entradas esperada. Ao classificar avaliações de produto, inclua as entusiasmadas, as mornas e as negativas. Não mostre apenas casos fáceis.
5
Meça o benefício do few-shot em um conjunto de teste antes de levá-lo a produção. Rode o mesmo prompt com 0 e com 5 exemplos em 50 casos. Se o few-shot somar 10 pontos percentuais ou mais, mantenha os exemplos. Se o ganho for menor que 5%, fique no zero-shot.
6
Depois que o few-shot estiver em produção, coloque o bloco de exemplos em cache e revise-o a cada trimestre. Exemplos desatualizados codificam em silêncio categorias e formatos que seu produto já não usa.

Perguntas frequentes

Quantos exemplos são "few-shot"?

De dois a cerca de dez. Um único exemplo se chama one-shot. Os ganhos costumam estabilizar depois de uns oito exemplos e, dali em diante, você paga tokens de entrada por retorno decrescente. Se precisar de dezenas de exemplos para bater sua meta de precisão, o fine-tuning normalmente é a ferramenta melhor.

Few-shot prompting é o mesmo que fine-tuning?

Não. O few-shot prompting é aprendizado em contexto — os exemplos ficam no prompt por uma chamada e não mudam nada no modelo. O fine-tuning atualiza os pesos e persiste em todas as chamadas. Few-shot custa tokens de entrada por requisição; fine-tuning custa um treinamento mais um modelo dedicado para hospedar.

Few-shot prompting ainda ajuda em modelos de raciocínio?

Menos do que antes para precisão pura, mais do que se imagina para formato. No Claude Opus 5, GPT-5.6 e Gemini 3.1 Pro, uma instrução zero-shot precisa costuma empatar com o few-shot em tarefas gerais. Mas quando você precisa de um esquema JSON exato, um vocabulário de rótulos proprietário ou um tom específico, os exemplos continuam sendo o caminho mais confiável.

Por que minha saída piorou depois de acrescentar exemplos?

Normalmente por desequilíbrio de rótulos, contradição ou desvio de formato. Se a maioria dos exemplos compartilha um rótulo, o modelo o prevê em excesso. Se um exemplo contradiz sua instrução escrita, o modelo tende a seguir o exemplo. E se os exemplos forem mais limpos que as entradas reais, o modelo piora com o texto bagunçado que de fato recebe.

A ordem dos exemplos few-shot importa?

Sim. Os modelos dão mais peso aos exemplos posteriores, então um bloco que termina com três rótulos iguais enviesa a previsão naquela direção. Intercale as classes e teste de novo após qualquer reordenação — efeitos de ordem movem a precisão em vários pontos.

Como manter prompts few-shot viáveis em escala?

Use cache de prompt. Um bloco de exemplos estático é idêntico em toda chamada, o que o torna alvo ideal de cache — Anthropic, OpenAI e Google cobram a entrada em cache com desconto forte, de até cerca de 90% no prompt caching do Claude. Coloque os exemplos logo no início do prompt para que o prefixo em cache permaneça estável.

Dá para combinar few-shot com chain-of-thought prompting?

Sim, e é uma das combinações mais fortes que existem. Few-shot chain-of-thought significa que seus exemplos mostram os passos do raciocínio, não apenas a resposta final. Custa mais tokens de saída do que qualquer uma das técnicas isoladas, mas em tarefas de várias etapas costuma ser mais confiável que um "pense passo a passo" em zero-shot.

Fontes e leitura adicional

Brown, T., Mann, B., Ryder, N., et al. (2020). "Language Models are Few-Shot Learners." NeurIPS 2020. arXiv:2005.14165 — o artigo que introduziu few-shot, one-shot e zero-shot como regimes de prompting.
Zhao, Z., Wallace, E., Feng, S., Klein, D., & Singh, S. (2021). "Calibrate Before Use: Improving Few-Shot Performance of Language Models." ICML 2021. arXiv:2102.09690 — sobre viés de rótulo majoritário e de recência na ordem dos exemplos.
Lu, Y., Bartolo, M., Moore, A., Riedel, S., & Stenetorp, P. (2022). "Fantastically Ordered Prompts and Where to Find Them." ACL 2022. arXiv:2104.08786 — sobre a sensibilidade da precisão few-shot à ordem dos exemplos.
Min, S., Lyu, X., Holtzman, A., et al. (2022). "Rethinking the Role of Demonstrations." EMNLP 2022. arXiv:2202.12837 — evidência de que formato e distribuição de entrada dos exemplos pesam mais que a correção dos rótulos.
Anthropic. "Prompt caching." Documentação da plataforma Claude — preços de entrada em cache para prefixos de prompt estáticos como blocos few-shot.

Aplique estas técnicas com um LLM local ou suas próprias chaves de API — o PromptQuorum funciona com qualquer backend.

Experimente o PromptQuorum gratuitamente →

← Voltar ao Prompt Engineering