Zero-shot prompting: cómo obtener resultados confiables sin dar ejemplos

El zero-shot prompting le pide al modelo que resuelva una tarea solo con instrucciones — sin ejemplos incluidos. Aprendé cuándo funciona, cuándo agregar ejemplos y las restricciones que lo hacen confiable.

← Volver a guías

Qué es el zero-shot prompting y cuándo funciona

Zero-shot significa sin ejemplos en el prompt — el modelo usa solo la instrucción y su conocimiento de entrenamiento para producir el output.
Funciona bien para tareas que el modelo vio muchas veces en entrenamiento: resumen, traducción, clasificación con categorías claras, rewrites simples.
También funciona cuando podés especificar completamente el output con palabras: 'una tabla de tres columnas con columnas X, Y, Z' suele ser suficiente sin un ejemplo concreto.
El zero-shot falla cuando el patrón de output es inusual, cuando la precisión de formato es crítica, o cuando la tarea involucra un dominio nicho que el modelo probablemente no vio con frecuencia.
La regla práctica: probá zero-shot primero. Agregá ejemplos solo cuando obtengas resultados inconsistentes entre ejecuciones.

Por qué falla el zero-shot y cómo arreglarlo sin agregar ejemplos

Ambigüedad de formato: 'listá los puntos principales' puede significar bullets, pasos numerados o prosa. Agregá 'como lista numerada, un ítem por línea' para fijarlo.
Sin restricción de longitud de output: sin una, el modelo calibra a lo que cree apropiado — que varía entre ejecuciones. Agregá un límite duro.
Sin reglas de decisión para casos límite: si el input tiene datos faltantes, contenido ambiguo o pedidos fuera de scope, el modelo adivinará. Especificá qué hacer explícitamente.
Formulación vaga de la tarea: 'analizá este texto' está poco especificado. Reemplazá verbos vagos con específicos: extraé, clasificá, puntuá, rankeá, resumí a N oraciones.
Si el zero-shot sigue produciendo resultados inconsistentes después de agregar restricciones de formato, longitud y casos límite — esa es la señal para cambiar a few-shot con 2–3 ejemplos dirigidos.

Plantillas

Tarea zero-shot con formato y restricciones

[Verbo de acción]: [qué querés — sé específico]

Input:
"""[pegá tu contenido acá]"""

Formato de salida:
- [estructura exacta: lista numerada / tabla con columnas X, Y / párrafo de 3 oraciones]
- Extensión: [límite duro, ej. "máx 3 bullets" o "<= 100 palabras"]

Reglas:
- [restricción 1, ej. "preservá todos los números y nombres propios"]
- [restricción 2, ej. "no agregues información que no esté en el input"]
- Si el input no tiene [caso límite], [qué hacer: "saltalo" / "marcalo" / "escribí N/A"]

Devolvé SOLO el output. Sin preámbulo, sin comentarios.

Se abre en la home con el prompt precargado.

Abrir en Promptea

Clasificación zero-shot con reglas de decisión

Clasificá cada ítem de abajo en una de las categorías: [Categoría A / Categoría B / Categoría C].

Reglas de clasificación:
- Categoría A: [definí exactamente qué pertenece acá]
- Categoría B: [definí exactamente qué pertenece acá]
- Categoría C: [definí exactamente qué pertenece acá]
- Si un ítem podría pertenecer a más de una categoría, asignalo a [categoría prioritaria] y agregá una nota.
- Si un ítem claramente no encaja en ninguna categoría, etiquetalo como "Sin categoría" y explicá por qué.

Formato de respuesta — una fila por ítem, exactamente:
[Ítem] | [Categoría] | [Nota o "—"]

Ítems a clasificar:
- [ítem 1]
- [ítem 2]
- [ítem 3]

Sin explicación fuera de la tabla.

Se abre en la home con el prompt precargado.

Abrir en Promptea

Preguntas frecuentes

¿Cuál es la diferencia entre zero-shot y few-shot prompting?

El zero-shot incluye solo la instrucción; el modelo produce output sin ver ejemplos. El few-shot incluye 2–5 ejemplos de input/output antes de la tarea real, mostrándole al modelo exactamente qué querés. El zero-shot es más rápido de escribir y más barato en tokens; el few-shot produce formato y estilo más consistentes. Usá zero-shot para tareas bien comprendidas, few-shot cuando el patrón de output es inusual o estás obteniendo resultados inconsistentes.

¿El zero-shot prompting puede manejar tareas complejas?

Sí, para tareas donde la complejidad está en la lógica y no en el formato de salida — como análisis multi-paso, árboles de decisión o razonamiento de forma larga. La clave es descomponer la tarea en pasos explícitos dentro del prompt ('Primero: X. Luego: Y. Finalmente: Z.') en vez de pedir todo de una vez. Para formateo o estilo complejo, los ejemplos few-shot funcionan mejor que intentar describir el patrón con palabras.