Zero-Shot Prompting

O Zero-Shot Prompting (ou Prompting sem Exemplos) é a forma mais direta e intuitiva de interagir com uma LLM. Consiste em solicitar que o modelo execute uma tarefa apenas fornecendo instruções explícitas, sem dar nenhum exemplo prévio de entrada e saída no prompt.

A Escala de “Shots” na Engenharia de Prompt

Para entender o Zero-Shot, vale compará-lo com as outras abordagens de instrução:

• Zero-Shot Prompting (0 Exemplos): Você pede para a IA realizar a tarefa apenas com instruções diretas, sem nenhum exemplo.
  • Prompt: “Classifique o sentimento do texto: ‘O produto chegou atrasado, mas o suporte resolveu rapidamente”.
  • Saída/Resposta da LLM: “Neutro / Misto”.
• One-Shot PromptingO One-Shot Prompting (ou Prompting com Um Exemplo) é o ponto intermediário perfeito entre o Zero-Shot (apenas instruções) e o Few-Shot (múltiplos exemplos). Ele consiste em fornecer exatamente um único exemplo de entrada e saída esperada antes de apr... More (1 Exemplo): Você dá um único exemplo de referência para guiar o formato ou o tom de resposta.
  • Prompt:
    • Texto: “O atendimento foi terrível.” $\rightarrow$ Sentimento: Negativo;
    • Texto: “O produto chegou atrasado, mas o suporte resolveu rapidamente.” $\rightarrow$ Sentimento:
• Few-Shot PromptingO Few-Shot Prompting (ou Engenharia de Prompt com Poucos Exemplos) é uma das técnicas mais simples e diretas para orientar o comportamento de uma LLM. Em termos simples, consiste em fornecer no próprio prompt alguns exemplos de entrada e saída espera... More (2 a 5 Exemplos): Você fornece um pequeno conjunto de exemplos padronizados (geralmente entre 2 e 5) para que o modelo identifique o padrão por In-Context Learning (Aprendizado no Contexto).

Exemplos Práticos de Zero-Shot

Exemplo 1: Classificação de Sentimentos

Prompt:

“Classifique o sentimento da seguinte avaliação como Positivo, Negativo ou Neutro.

Texto: ‘O produto chegou dentro do prazo, mas a embalagem veio amassada e o manual estava faltando.'”

Resposta da LLM:

“Sentimento: Negativo (ou Misto/Negativo devido aos problemas apontados).”

Exemplo 2: Tradução e Modificação de Estilo

Prompt:

“Reescreva o texto abaixo em linguagem formal e adicione um tom acadêmico:

‘A gente testou o algoritmo novo e ele rodou muito mais rápido que o antigo.'”

Resposta da LLM:

“Realizou-se a avaliação do novo algoritmo, cujos resultados demonstraram um desempenho computacional significativamente superior ao da versão anterior.”

Quando utilizar o Zero-Shot Prompting?

O Zero-Shot deve ser sua primeira opção na maioria dos casos devido à sua simplicidade:

• Tarefas Comuns de PLN: Resumos de texto, tradução entre línguas conhecidas, correção gramatical e extração de tópicos principais.
• Prototipagem Rápida: Testar rapidamente se o modelo consegue entender uma ideia sem gastar tempo construindo um dataset de exemplos.
• Economia de Tokens: Como o prompt não carrega múltiplos exemplos (shots), ele consome muito menos tokens na janela de contextoO termo Context Window (ou Janela de Contexto) é um dos limites físicos e técnicos mais importantes no funcionamento de qualquer Grande Modelo de Linguagem. Para entender a janela de contexto, pense nela como a memória RAM da IA enquanto ela conversa... More, reduzindo custos de API e tempo de latência na resposta.

Limitações e Quando Migrar para Few-Shot

Embora impressionante, a abordagem Zero-Shot falha em cenários específicos:

• Lógica Complexa ou Multietapa: Em problemas complexos de matemática, raciocínio abstrato ou lógica de programação, o modelo pode pular etapas e errar o resultado final.
• Formatos de Saída Rígidos/Proprietários: Se você precisa que a IA responda em um formato muito específico (como uma estrutura JSON customizada ou sintaxe de uma ferramenta interna), instruções em texto corrido costumam ser ambíguas para a IA.
• Domínios de Nicho: Termos muito específicos de um setor corporativo, jurídico ou técnico onde a instrução geral não é suficiente para guiar a resposta.

Dica de Ouro: Transformando Zero-Shot em Zero-Shot Chain-of-Thought (CoT)

Existe um truque para melhorar o desempenho do Zero-Shot em problemas complexos sem precisar escrever nenhum exemplo.

Basta adicionar a frase: “Pense passo a passo” (“Let’s think step by step”) ao final do seu prompt.

Markdown

[Prompt Zero-Shot Comum]
Pergunta: Um trem sai da estação A a 60 km/h. 30 minutos depois, outro trem sai da mesma estação a 80 km/h. Quanto tempo o segundo trem leva para alcançar o primeiro?

[Prompt Zero-Shot CoT]
Pergunta: Um trem sai da estação A a 60 km/h. 30 minutos depois, outro trem sai da mesma estação a 80 km/h. Quanto tempo o segundo trem leva para alcançar o primeiro? 
Pense passo a passo antes de responder.

Essa simples instrução força o modelo a gerar tokens intermediários de raciocínio no seu output, permitindo que a atenção do Transformer consulte as etapas anteriores que ele mesmo escreveu, aumentando significativamente a precisão em tarefas de lógica.