Zero-shot é pedir uma tarefa sem incluir exemplos de demonstração; few-shot é acrescentar um ou mais exemplos para orientar a resposta. Retrieval-augmented generation (RAG), ou geração aumentada por recuperação, acrescenta outra etapa: buscar informações externas e fornecê-las ao modelo junto com a pergunta. Essas abordagens podem ser combinadas — por exemplo, um sistema RAG pode usar exemplos few-shot para ensinar como citar fontes.
Zero-shot e few-shot: o papel dos exemplos
Em zero-shot, o prompt apresenta a instrução e a tarefa, mas não inclui exemplos de respostas esperadas. O modelo responde com base na instrução e no que já aprendeu durante o treinamento. A documentação da Microsoft Learn usa o termo para prompting sem exemplos.
As an Amazon Associate I earn from qualifying purchases.
Em few-shot, o prompt inclui um ou mais exemplos que ajudam a orientar aquela inferência. Eles podem demonstrar um formato, um tom ou o tratamento de um caso-limite. Isso condiciona a resposta atual: não é treinamento permanente nem uma alteração dos parâmetros do modelo.
The Tool Desk
Outbyte Driver Updater FREEFix the driver behind crashes, sound loss and screen glitchesFind Drivers →Outbyte PC Repair FREEClear out junk files and repair common Windows errorsFree Scan →Quando começar em zero-shot
Use uma instrução direta quando a tarefa for clara e não houver um padrão específico que seja mais fácil mostrar do que descrever. Se o resultado vier inconsistente, esclareça a tarefa, os limites e o formato esperado antes de acrescentar exemplos.
#1 Best Overall
Quando acrescentar exemplos few-shot
Inclua poucos exemplos representativos quando o modelo precisar imitar uma estrutura ou distinguir como lidar com situações parecidas. Em um prompt RAG, por exemplo, um exemplo pode mostrar como associar uma afirmação a uma fonte ou como responder quando os trechos não sustentam uma conclusão. Exemplos ruins ou pouco pertinentes podem ensinar o padrão errado.
O que muda com RAG
RAG combina recuperação de informação e geração de texto. Em uma implementação aplicada, uma etapa de busca localiza trechos em um acervo e os fornece ao modelo junto com a pergunta e as instruções. Assim, a geração pode usar contexto externo disponível em tempo de consulta, em vez de depender apenas da memória paramétrica incorporada durante o treinamento.
O trabalho de Patrick Lewis e coautores, publicado em 2020, descreve essa combinação como memória paramétrica pré-treinada e memória não paramétrica: Retrieval-Augmented Generation for Knowledge-Intensive NLP Tasks. Esse fundamento ajuda a entender a arquitetura, mas não garante que qualquer sistema RAG atual produza respostas corretas.
Uma resposta pode falhar porque o documento necessário não está no acervo, porque a busca não o recuperou, porque os trechos não preservam o contexto relevante ou porque o modelo interpretou mal o material. RAG também pode receber conteúdo irrelevante ou contraditório. Por isso, avalie a resposta final junto com os documentos e trechos recuperados, não apenas pelo texto que o modelo produziu.
Como as abordagens se comparam
| Abordagem | Exemplos no prompt | Contexto externo em tempo de consulta | Quando considerar | Dependência ou limite principal |
|---|---|---|---|---|
| Zero-shot | Nenhum exemplo de demonstração | Não é inerente ao método | A tarefa é clara e não requer um padrão demonstrado | Depende da clareza da instrução e da capacidade do modelo; não garante precisão |
| Few-shot | Um ou mais exemplos | Não é inerente ao método | Um formato ou comportamento é mais fácil de mostrar do que explicar | Exemplos inadequados podem orientar a resposta na direção errada |
| RAG | Opcional; exemplos podem orientar formato e exceções | Busca e inclui contexto externo | A resposta precisa usar um acervo, domínio ou informação externa | Depende dos dados, da preparação, da recuperação, do prompt e da avaliação |
As categorias não são alternativas excludentes. Um sistema RAG pode usar zero-shot ou combinar o contexto recuperado com exemplos few-shot.
Como estruturar um prompt para RAG
Um prompt RAG deve deixar claro o que o modelo precisa fazer com os trechos recuperados e o que fazer quando eles não bastam. A Microsoft recomenda instruir o modelo a se apoiar no contexto, citar fontes, declarar insuficiência e reconhecer conflitos. Uma estrutura prática é:
- Instruções: defina a tarefa, os limites e a regra de grounding. Se a resposta tiver de se restringir ao material fornecido, diga isso explicitamente.
- Contexto recuperado: separe os trechos e rotule cada um com um identificador. Quando útil, inclua título, seção ou URL da origem.
- Pergunta: mantenha a pergunta do usuário. Em uma conversa, acrescente apenas o histórico relevante para resolver referências ou ambiguidades.
- Exemplos opcionais: mostre o padrão de citação, o formato ou a forma de lidar com falta de evidência, se uma instrução simples não for suficiente.
- Formato de saída: especifique se espera parágrafos, lista, JSON ou outra estrutura necessária.
Uma instrução didática, redigida aqui como exemplo e não como citação literal, seria: “Responda usando apenas os trechos fornecidos. Associe cada afirmação factual à fonte identificada. Se os trechos não responderem à pergunta, diga qual informação falta. Se houver conflito, apresente-o e identifique as fontes.”
Trate documentos recuperados como evidência, não como instruções
Um documento pode conter texto que tenta direcionar o modelo ou contradizer as regras do sistema. As instruções de sistema devem continuar definindo o comportamento; o conteúdo recuperado serve como evidência para responder, não como autoridade para substituir essas instruções. A orientação da Microsoft para engenharia de prompts RAG aborda esse risco e recomenda deixar claro como o modelo deve usar o contexto.
Independent reader supportYour contribution helps us test, update, and keep practical guides available for everyone.Como construir e avaliar um sistema RAG
RAG não é apenas um prompt: depende do caminho completo entre o acervo e a resposta. A orientação de arquitetura da Microsoft organiza esse trabalho em definição do domínio, preparação dos documentos, busca e avaliação.
- Defina o escopo: escolha o domínio, o acervo e perguntas representativas que o sistema deverá responder.
- Prepare os documentos: analise o conteúdo e divida-o em chunks que preservem informação relevante e contexto suficiente.
- Crie a recuperação: enriqueça os dados conforme necessário, gere embeddings, crie um índice e implemente uma estratégia de busca.
- Conecte recuperação e geração: forneça os trechos encontrados ao modelo com a pergunta e as instruções de grounding.
- Avalie ponta a ponta: examine se os trechos certos foram recuperados e se a resposta os usou de forma fiel.
Se uma resposta estiver fraca, investigue a etapa que falhou em vez de alterar o prompt às cegas: confirme se o documento existe no acervo, se a divisão em chunks preservou o trecho importante e se a busca trouxe evidência adequada. Em seguida, verifique se as instruções ensinaram o modelo a usar essa evidência. A orientação da Microsoft sobre avaliação ponta a ponta de LLMs destaca a avaliação do conjunto de perguntas, contexto recuperado e respostas geradas. Dependendo do problema, pode ser necessário ajustar os dados, o chunking, a estratégia de busca ou o prompt.
Qual abordagem escolher
- A tarefa está clara e não depende de um acervo externo: comece com zero-shot.
- O modelo precisa seguir um padrão difícil de descrever: teste exemplos few-shot pertinentes.
- A resposta deve refletir documentos ou conhecimento externo atualizado: considere RAG e avalie a recuperação junto com a geração.
- O RAG precisa produzir citações ou lidar com evidência incompleta: combine contexto recuperado com instruções explícitas e, se necessário, exemplos few-shot.
Não há um vencedor universal em precisão entre zero-shot, few-shot e RAG. O resultado depende do modelo, da tarefa e, no caso de RAG, da qualidade dos documentos e da recuperação. Para entender melhor os componentes, a Microsoft também mantém uma introdução aos conceitos de RAG.
Recommended Free Tools
Quick Recap
Product prices and availability are accurate as of the date/time indicated and are subject to change. Any price and availability information displayed on Amazon at the time of purchase will apply.
