Ensinando pelo Exemplo — ICL e Few-Shot Prompting

Nos dois capítulos anteriores, você aprendeu a construir prompts com clareza, estrutura e as ferramentas certas. São fundamentos essenciais — mas têm um limite.

Existe uma categoria de problemas que instruções verbais não resolvem completamente: quando o padrão que você quer é difícil de descrever, mas fácil de mostrar.

Você já viveu isso na medicina. Explique para um residente o que é um "bom resumo de alta". Mas se você simplesmente mostrar dois exemplos e disser "quero nesse padrão", ele entende imediatamente.

A IA funciona da mesma forma. E a técnica que aproveita isso se chama Few-Shot Prompting.

O In-Context Learning (ICL) foi descrito por Brown et al. em 2020, no artigo "Language Models are Few-Shot Learners". A descoberta: modelos de linguagem grandes conseguem "aprender" a executar uma tarefa nova a partir de exemplos fornecidos no próprio prompt, sem nenhuma atualização nos parâmetros internos.

Analogia médica: Preceptor 1 — instrução verbal detalhada sobre resumo de alta. Preceptor 2 — mostra dois resumos exemplares e diz "escreva o próximo nesse padrão". O segundo transmite muito mais informação, mais eficientemente.

O que o modelo aprende com exemplos?

• O formato da resposta desejada
• O tom e estilo de escrita
• O nível de detalhe esperado
• O padrão de raciocínio a seguir
• As convenções específicas do domínio

Zero-Shot: Sem exemplos

Apenas descrição da tarefa. Funciona para tarefas simples e bem definidas.

One-Shot: Um único exemplo

Com um exemplo, o modelo entende o padrão de resposta. Resultado mais consistente.

Few-Shot: Múltiplos exemplos (2-5)

O ponto de maior equilíbrio entre esforço de construção e qualidade do resultado.

Comparação prática

Modalidade	Exemplos	Resultado	Melhor para
Zero-Shot	0	Variável	Exploração, tarefas simples
One-Shot	1	Mais consistente	Padrões simples
Few-Shot	2–5	Alta consistência	Tarefas repetitivas, padrões complexos

O Prompt Report (Schulhoff et al., 2024) identifica seis decisões de design:

1. Quantidade: 2 a 5 exemplos

Menos de 2 raramente basta para padrões complexos. Mais de 6 consome espaço sem ganho proporcional.

2. Qualidade: exemplos exemplares

Use seus melhores trabalhos — não os adequados, os excelentes.

3. Representatividade: cubra a diversidade

Para classificações, inclua exemplos de diferentes categorias.

4. Formato: absolutamente consistente

O formato dos exemplos deve ser idêntico em todos eles.

5. Ordem: o último exemplo tem mais peso

Modelos dão mais atenção às partes mais recentes. Coloque o melhor exemplo por último.

6. Relevância: exemplos similares à tarefa real

Os melhores exemplos são os mais similares ao caso que você vai apresentar.

Estrutura padrão que combina PCTF + Tags XML + exemplos:

1. <persona> — Define o papel da IA
2. <contexto> — Contexto da situação
3. <instrucao> — Explique a tarefa e instrua a seguir o padrão dos exemplos
4. <exemplos> — Bloco com 2-5 exemplos no formato Entrada/Saída
5. <tarefa> — O caso real com "Saída:" em aberto para o modelo completar

A tag <exemplos> isola os exemplos do restante, deixando claro que são referências de padrão — não dados a processar.

Aplicação 1: Classificação de Estado Físico ASA

Cenário ideal para Few-Shot: classificar muitos pacientes no mesmo padrão. Forneça 3-4 exemplos cobrindo ASA I, II, III e V, e o modelo replica com precisão consistente.

Aplicação 2: Geração de Flashcards Padronizados

Uma das aplicações mais poderosas e escaláveis. Crie 3 flashcards exemplares (FRENTE: pergunta direta / VERSO: resposta objetiva em bullets), e o modelo gera dezenas no mesmo padrão.

Aplicação 3: Questões de Múltipla Escolha no Padrão SBA

Criar questões no padrão exato de uma prova é difícil sem exemplos — e trivial com Few-Shot. Forneça 1-2 questões exemplares com enunciado clínico, 5 alternativas e gabarito comentado.

Few-Shot funciona bem para: tarefas com padrão de saída definido, classificações, geração de conteúdo repetitivo em formato específico.

Few-Shot não resolve: problemas que exigem raciocínio passo a passo complexo (para isso existe Chain-of-Thought, próximo capítulo), situações onde o padrão é difícil de exemplificar, ou tarefas que requerem conhecimento atualizado (para isso existe RAG).

Few-Shot vs. Fine-Tuning

No Few-Shot, exemplos vivem no prompt — fornecidos a cada interação. No Fine-Tuning, você treina o modelo com centenas de exemplos, modificando parâmetros permanentemente.

Para a maioria dos profissionais, Few-Shot é a ferramenta certa: não exige infraestrutura de treinamento nem conhecimento de ML, e produz resultados excelentes para tarefas repetitivas.

Questão 1 — Conceito central

O que é In-Context Learning (ICL) e por que foi surpreendente? Explique em até 5 linhas com analogia médica.

Ver Gabarito

ICL é a capacidade de modelos grandes de aprender uma tarefa nova a partir de exemplos no prompt, sem retreinamento. Surpreendente porque antes se esperava reprogramação para cada tarefa. Analogia: residente que, ao ver exemplos do preceptor, replica o padrão — sem instrução verbal explícita.

Questão 2 — Escolha de modalidade

Para cada situação, indique Zero-Shot, One-Shot ou Few-Shot:

(a) Explicar pressão de perfusão coronariana
(b) Gerar 50 flashcards no seu formato pessoal
(c) Classificar ASA de 30 pacientes
(d) Dose de manutenção do remifentanil

Ver Gabarito

(a) Zero-Shot — explicação conceitual. (b) Few-Shot — replicar padrão pessoal. (c) Few-Shot — classificação repetitiva. (d) Zero-Shot — pergunta factual direta.

Questão 3 — Múltipla escolha

Sobre boas práticas, assinale a INCORRETA:

(a) Formato consistente
(b) Último exemplo tem maior influência
(c) Incluir exemplos apenas das categorias mais comuns
(d) Exemplos de alta qualidade
(e) 2 a 5 exemplos é o equilíbrio ideal

Ver Gabarito

(c) — INCORRETA. Os exemplos devem cobrir a diversidade das categorias possíveis.

Questão 4 — Análise crítica

Um colega diz: "Uso Few-Shot sempre. Coloco 10 exemplos em todo prompt." Analise.

Ver Gabarito

Acerta em valorizar exemplos, mas 10 em todo prompt é problemático: (1) consomem 30-50% da janela de contexto, (2) redundantes para tarefas simples, (3) nem toda tarefa exige exemplos. Equilibre: Zero-Shot para simples, 2-3 para padrões definidos, 4-6 para classificações complexas.