En pocas palabras
El few-shot learning es darle al modelo unos pocos ejemplos dentro del mensaje, antes de tu pregunta de verdad. Al ver esos ejemplos, el modelo entiende qué formato y estilo quieres y los imita. No hace falta reentrenarlo: basta con enseñárselos en el momento.
Explicado fácil
Imagina que le pides a un amigo que escriba felicitaciones de cumpleaños y le dices solo «escribe una». A lo mejor te sale rarísima. Pero si primero le enseñas tres felicitaciones que te gustan, tu amigo ve el tono, la longitud y el estilo, y la suya saldrá clavada a lo que querías.
El few-shot learning funciona igual. «Few» significa «pocos» y «shot» es como «intento» o «ejemplo». Le das al modelo unos pocos ejemplos de cómo se hace bien la tarea, y él aprende el patrón al instante para tu caso real. Es mucho más útil que darle instrucciones abstractas: con un buen ejemplo se entiende todo de golpe.
¿Por qué importa para crear agentes de IA?
Cuando montas un agente, muchas veces necesitas que responda siempre con el mismo formato: una tabla, un JSON, un tono concreto. Decírselo con palabras a veces falla. Si en cambio le pones dos o tres ejemplos dentro del prompt, acierta mucho más. Es una de las herramientas más sencillas y potentes del prompt engineering, y no cuesta nada: solo añadir ejemplos al mensaje.
Un ejemplo
Quieres que un agente convierta frases en etiquetas. Le escribes: «"Me encanta este móvil" -> positivo; "Llegó roto" -> negativo; "El envío tardó" -> negativo». Y luego le das tu frase real: «"Funciona de maravilla"». Gracias a los tres ejemplos, el modelo entiende el juego y responde «positivo», con el formato exacto que le mostraste.