Few-Shot Prompting para salidas robustas de agentes de IA

El few-shot prompting es la técnica de incluir en el prompt de un agente de IA unos pocos ejemplos de entradas y salidas correctas para que adopte el formato, el estilo y la lógica de una tarea mediante in-context learning, sin reentrenar el modelo. En lugar de describir el comportamiento en prosa, muéstralo: de dos a cinco casos representativos que el modelo toma como referencia en el siguiente turno de inferencia. En agentes listos para producción, el few-shot no es un juguete: es una de las palancas más eficaces para conseguir formatos de salida fiables y llamadas a herramientas correctas.

• Cuántos: De dos a cinco ejemplos para la salida general y de una a tres llamadas canónicas por herramienta. Añadir más rara vez ayuda de forma lineal.
• Cuáles: Casos diversos y representativos, sin duplicados ni contradicciones. La calidad y la cobertura pesan más que la cantidad.
• Cuándo no: En tareas zero-shot sencillas o cuando se exige una fidelidad de formato del 100 %; ahí la decodificación restringida por esquema es superior.

El few-shot en contexto: una pieza del context engineering

El few-shot prompting no es un método independiente junto a la ingeniería de prompts, sino una subdisciplina dentro del context engineering. Andrej Karpathy menciona explícitamente los «few-shot examples» como una de las piezas científicas con las que se llena la ventana de contexto para el siguiente paso, junto con las descripciones de tareas, RAG, las herramientas y el estado. En consecuencia, el modelo mental para los agentes es este: los ejemplos forman parte del sustrato de tokens que el modelo ve en cada turno, no son una instrucción puntual.

Esta clasificación tiene consecuencias prácticas. Los ejemplos compiten con todo lo demás por el presupuesto de atención y el espacio de tokens. Quien use few-shot debe valorarlo dentro del presupuesto de contexto, no de forma aislada.

Zero-Shot, Few-Shot, One-Shot

• Zero-Shot: Solo la descripción de la tarea, sin ejemplos. Rápido, barato, ideal para tareas sencillas u obvias.
• One-Shot: Exactamente un ejemplo. Útil para fijar un formato inequívoco sin mucha carga de tokens.
• Few-Shot: Varios ejemplos que cubren variantes y casos límite. El estándar para salidas de agentes en las que el formato y la lógica son críticos.

Selección y representatividad: la verdadera ingeniería

El error más frecuente no es el número equivocado, sino la selección equivocada. Un antipatrón típico en los system prompts: varios ejemplos contradictorios llevan al modelo a copiar el más parecido. La corrección pasa por ejemplos diversos y canónicos, sin duplicados. En su guía sobre context engineering de septiembre de 2025, Anthropic también recomienda ejemplos diversos y canónicos en lugar de escribir cada regla en el prompt como una larga lista de casos límite.

En concreto, una selección representativa significa:

• Cubrir variantes, no el mismo caso tres veces con ligeras modificaciones. Si un agente procesa facturas, abonos y anulaciones, incluye un ejemplo de cada tipo, no tres facturas.
• Mostrar casos límite a propósito, por ejemplo, un caso con campos obligatorios ausentes y la reacción correcta ante él. Los ejemplos también enseñan cómo comportarse ante la ambigüedad.
• Formato coherente en todos los ejemplos. Las desviaciones de formato entre ejemplos son veneno: el modelo replica la incoherencia.
• Sin señales contradictorias. Si el ejemplo A omite un campo y el ejemplo B lo rellena sin que la diferencia tenga explicación, el modelo adivina.

Impacto en el tool calling y en la fiabilidad de las salidas

Aquí es donde el few-shot rinde más. Para la definición de herramientas, Anthropic introdujo en noviembre de 2025 los Tool Use Examples: un campo input_examples que incluye llamadas de ejemplo justo al lado del esquema. Anthropic recomienda de 1 a 5 ejemplos realistas por herramienta; en sus pruebas internas, la precisión con parámetros complejos subió así del 72 al 90 %. Sin ejemplos, el modelo adivina con los parámetros anidados u opcionales. Como regla general, de una a tres llamadas canónicas por herramienta suelen bastar, porque cada ejemplo cuesta tokens. La relación con la fiabilidad en la selección de herramientas es estrecha: en la misma publicación, Anthropic informa de que el Tool Search Tool, con bibliotecas de herramientas grandes, eleva la precisión de selección de herramientas en evaluaciones MCP internas del 49 al 74 % con Opus 4 y del 79,5 al 88,1 % con Opus 4.5. Los buenos ejemplos en la descripción de la herramienta forman parte de la misma disciplina.

Para la salida final hay que hacer una distinción importante. Cuando es obligatorio entregar estructuras que una máquina pueda parsear, el few-shot por sí solo no basta. OpenAI Structured Outputs (GA desde agosto de 2024, para GPT-4o-2024-08-06 y versiones posteriores) impone, mediante decodificación restringida a nivel de token, una adherencia al esquema documentada del 100 %. Anthropic siguió el mismo camino en noviembre de 2025: los Structured Outputs para Claude se lanzaron en beta y están disponibles de forma general desde febrero de 2026. Las salidas JSON se gestionan con output_config.format y las llamadas a herramientas con Strict Tool Use y strict: true, ambas mediante decodificación restringida. El apaño anterior, forzar el uso de herramientas con una pseudoherramienta como return_structured_result, no garantiza la fidelidad al esquema sin strict: según la documentación de Anthropic, Claude puede devolver entonces tipos incorrectos u omitir campos obligatorios. El reparto de tareas limpio en 2026: la imposición del esquema garantiza la estructura; el few-shot moldea el estilo, la elección de palabras, la lógica y el tratamiento de los casos límite que ningún esquema refleja.

Cuándo usar few-shot, cuándo zero-shot y cuándo fine-tuning

La decisión sigue tres ejes: complejidad de la tarea, volumen y estabilidad de los requisitos.

• Zero-shot, cuando la tarea es sencilla y el formato no es crítico. Cada token de ejemplo adicional sería un desperdicio.
• Few-shot, en cuanto se exige un formato concreto, un estilo coherente o una lógica no trivial y los requisitos todavía cambian. El few-shot se puede iterar sin ciclo de entrenamiento: esa es su mayor ventaja.
• Fine-tuning, solo con un volumen muy alto y estable, cuando los tokens de los ejemplos en cada llamada pesan económicamente o la latencia se vuelve crítica. Cognition Labs entrenó para Devin un modelo de resumen propio y más pequeño con sus propios datos de trazas, porque los prompts genéricos perdían demasiados detalles: un caso clásico en el que el few-shot llegó a su límite.

Merece la pena mencionar un nivel intermedio: en la verificación con LLM-as-Judge, los ejemplos few-shot en el prompt del juez (positivos y negativos) son estándar. Hamel Husain recomienda calibrar estas evaluaciones con juez con más de 100 ejemplos etiquetados y mantenerlas cada semana. Esto muestra la frontera entre el few-shot en el prompt (pocos ejemplos) y la base de datos de evaluación que hay detrás (muchos ejemplos).

Trampas: overfitting y coste de tokens

El overfitting a los ejemplos es la trampa más sutil. El agente copia rasgos superficiales de los ejemplos, como un orden o una formulación concretos, en lugar de generalizar la regla subyacente. Síntoma: con entradas parecidas a los ejemplos, la salida es perfecta; con casos distintos, se desploma. El antídoto es una diversidad deliberada de los ejemplos y un conjunto de evaluación que pruebe precisamente los casos no cubiertos.

El coste de tokens y el context rot son la segunda trampa. Cada ejemplo viaja en cada llamada. El estudio de Chroma Context Rot, de julio de 2025, probó 18 modelos, entre ellos GPT-4.1, Claude 4, Gemini 2.5 y Qwen3. En el conjunto de los experimentos, el rendimiento bajó a medida que crecía la longitud de la entrada. Con textos en alemán se suma un agravante: el alemán necesita entre un 30 y un 50 % más de tokens que un texto equivalente en inglés. Por tanto, los ejemplos few-shot en alemán son notablemente más caros.

La palanca económica más importante: los bloques de ejemplos estables deben ir en el prefijo del prompt que se puede cachear. Las lecturas de caché de Anthropic cuestan alrededor del 10 % de la tarifa estándar de entrada (datos de 2026); con Sonnet 4.6, unos 0,30 en lugar de 3,00 dólares estadounidenses por millón de tokens. Si mantienes estables tus ejemplos few-shot junto con el system prompt y las definiciones de herramientas y colocas solo la parte dinámica al final, pagarás la mayoría de los tokens de ejemplo a tarifa de caché. Cualquier cambio en los ejemplos invalida la caché, así que versiona los ejemplos y cámbialos en releases planificadas, no mediante un hotfix.

Ejemplo concreto: con y sin few-shot

Un agente debe generar, a partir de un correo electrónico, una solicitud estructurada de registro de pedido para una herramienta create_order.

Sin few-shot (zero-shot):

```
System: Genera una llamada a create_order a partir del correo.
Input: "Por favor, 3x artículo A-100 y 1 ud. B-205 para el n.º de cliente 4711."
Output (típico): {"cliente": "4711", "articulo": "A-100, B-205", "cantidad": "3 y 1"}
```

La salida es plausible pero inservible: cantidades y artículos aparecen resumidos como texto corrido y los nombres de campo no coinciden con el esquema de la herramienta. En el procesamiento posterior, el parsing falla.

Con few-shot (dos ejemplos canónicos en el prompt de la herramienta):

```
Ejemplo 1
Input: "2x C-300 para el cliente 9001"
Llamada: {"customer_id":"9001","items":[{"sku":"C-300","qty":2}]}

Ejemplo 2 (caso límite: no se indica cantidad -> por defecto 1)
Input: "Artículo D-401 para el cliente 9002"
Llamada: {"customer_id":"9002","items":[{"sku":"D-401","qty":1}]}

Input real: "Por favor, 3x artículo A-100 y 1 ud. B-205 para el n.º de cliente 4711."
Llamada: {"customer_id":"4711","items":[{"sku":"A-100","qty":3},{"sku":"B-205","qty":1}]}
```

Dos ejemplos bastan para fijar los nombres de campo, la estructura de array, el comportamiento por defecto cuando falta la cantidad y la separación de varias líneas de pedido. En cuanto a costes: los dos ejemplos añaden aproximadamente entre 150 y 250 tokens por llamada, y en alemán, algo más. Si están en el prefijo cacheado, en llamadas repetidas cuestan solo alrededor de una décima parte. Para garantizar la estructura, este setup few-shot se combina con Strict Tool Use (strict: true) sobre el esquema create_order. El few-shot aporta entonces la lógica, y el esquema, la forma. Las excepciones las indica la propia Anthropic en su documentación sobre Structured Outputs: en caso de rechazo (stop_reason: "refusal") o de corte por max_tokens, la salida puede desviarse del esquema.

Para agencias y responsables de decisiones B2B

El few-shot prompting es la vía más rápida para llevar un agente de «funciona en la demo» a «fiable en producción» sin presupuesto de entrenamiento. Para las agencias, esto significa: invierte pronto en una colección de ejemplos curada y versionada para cada caso de uso; es un activo reutilizable y un factor diferenciador. Para los responsables de decisiones B2B: exige a tu partner de implementación un conjunto de evaluación con el que se prueben los ejemplos, así como una separación clara entre few-shot para la lógica e imposición del esquema para el formato. Si quieres crear workflows de agentes con una fiabilidad de salida demostrable, Blck Alpaca, desde Viena, te acompaña en el diseño, la evaluación y la operación en producción de agentes conformes con los requisitos europeos.