Saltar al contenido

Lección 3 de 15 · Lectura y práctica

One-shot prompting: ejemplo y plantilla 2026

Frameworks clásicos de prompting: Zero-shot, One-shot y Few-shot Respuesta rápida: one-shot prompting: One-shot prompting significa incluir un solo ejemplo de entrada y salida antes de pedir la tarea real. Es útil cuando querés.

Del concepto a la práctica

Taller de esta lección

Zero-shot, one-shot y few-shot se distinguen por la cantidad de demostraciones que acompañan la instrucción. La elección depende de si la regla puede describirse fácilmente o si el patrón es más claro mediante ejemplos.

Ejemplo resuelto

Para clasificar comentarios por urgencia, zero-shot define “alta, media o baja”. One-shot añade: “No puedo acceder a mi cuenta desde ayer” → alta. El modelo observa que la duración y el bloqueo importan. No conviene usar un ejemplo que contradiga la definición.

Pruébalo

  1. Define tres niveles y sus límites.

  2. Añade un único ejemplo representativo.

  3. Prueba “necesito cambiar mi dirección” y “el sistema está caído para todo el equipo”.

  4. Registra si el patrón se conserva.

Error frecuente: escoger un ejemplo ambiguo, como una petición que podría ser media o alta. Corrección: usa una demostración inequívoca y aclara la regla textual.

Ejercicio: crea un one-shot para etiquetar tareas como interna o externa. Entrada de ejemplo: “Enviar factura al cliente” → externa.

Comprueba tu resultado

“Actualizar la hoja de turnos” debe ser interna y “confirmar entrega al cliente” externa, con una sola etiqueta por caso.

Cinco piezas de un pedido a la IA: objetivo, contexto, límites, formato y criterio de evaluación.
CursaloMapa de práctica
Un pedido que se puede evaluar

Un pedido útil explica qué resultado se busca y aporta el contexto necesario. Los límites y el formato reducen ambigüedades. Un criterio observable permite revisar el resultado y pedir un ajuste concreto.

Ver la infografía en tamaño completo ↗

Frameworks clásicos de prompting: Zero-shot, One-shot y Few-shot

Respuesta rápida: one-shot prompting: One-shot prompting significa incluir un solo ejemplo de entrada y salida antes de pedir la tarea real. Es útil cuando querés que ChatGPT copie un formato, tono o criterio sin escribir una guía larga ni varios ejemplos.

En el ámbito del Prompt Engineering, la cantidad de ejemplos que proporcionas a ChatGPT determina significativamente la calidad de las respuestas. Los tres frameworks fundamentales que vas a dominar en esta lección son el Zero-shot, el One-shot y el Few-shot prompting. Cada uno tiene sus fortalezas, limitaciones y casos de uso óptimos.

¿Por qué importa la cantidad de ejemplos?

Cuando interactúas con modelos de lenguaje como GPT-4, el modelo no solo responde a tu instrucción directa, sino que también aprende patrones del contexto que le proporcionas. Los ejemplos funcionan como demostraciones que ayudan al modelo a entender:

  • El formato exacto que esperas en la respuesta
  • El tono y estilo de comunicación apropiado
  • Los criterios de evaluación o clasificación que manejas
  • La lógica específica de tu dominio o industria
  • Las restricciones o excepciones importantes

Entender cuándo y cómo usar cada framework te permitirá optimizar tus interacciones con IA, reduciendo iteraciones y obteniendo resultados precisos desde el primer intento.

Zero-shot Prompting

El Zero-shot prompting es el enfoque más minimalista: le pides a ChatGPT que realice una tarea sin proporcionar ningún ejemplo previo. El modelo depende exclusivamente de su entrenamiento general y tu descripción de la tarea.

Estructura básica

Instrucción directa + Descripción de la tarea

Ejemplo práctico: Clasificación de sentimiento

Clasifica el siguiente texto como positivo, negativo o neutro:

"El servicio al cliente fue rápido y resolutivo."

En este caso, el modelo utiliza su comprensión general del lenguaje para inferir que la palabra "rápido" y "resolutivo" sugieren connotación positiva.

Cuándo usar Zero-shot

  • Tareas genéricas y bien definidas: Traducciones, resúmenes, explicaciones de conceptos conocidos
  • Cuando necesitas velocidad: Interacciones rápidas donde la precisión exacta no es crítica
  • Para tareas conocidas: Reformular o resumir el texto que aportas; los hechos actuales requieren fuentes y comprobación
  • Como primer intento: Antes de escalar a few-shot si el resultado es satisfactorio

Limitaciones del Zero-shot

Este enfoque puede fallar cuando la tarea requiere conocimiento especializado, jerga específica de un dominio, o formatos muy particulares que el modelo no puede adivinar solo con instrucciones.

One-shot Prompting

El One-shot prompting proporciona un único ejemplo que sirve como plantilla o referencia para la tarea. Este ejemplo único le dice al modelo: "Así es como quiero que hagas esta tarea".

Estructura básica

Ejemplo → Tu consulta

Ejemplo práctico: Generación de descripciones de producto

Ejemplo:
Producto: Auriculares inalámbricos premium
Descripción: Disfruta de sonido Hi-Fi cristalino con cancelación activa de ruido. Batería de 30 horas, diseño ergonómico y conexión Bluetooth 5.2.

Ahora genera una descripción para:
Producto: Smartwatch deportivo con GPS

El ejemplo establece el patrón de estructura (nombre del producto + beneficios + especificaciones técnicas) que el modelo replicará.

Cuándo usar One-shot

  • Formatos simples pero específicos: Cuando necesitas un estilo particular que un ejemplo ilustra claramente
  • Cuando la tarea es lineal: El ejemplo representa el patrón que necesitas
  • Tareas de reformulación: Cambiar el tono, nivel de formalidad o estructura
  • Cuando los recursos son limitados: Contextos cortos donde few-shot excedería el límite de tokens

Ventajas clave

El one-shot ofrece un equilibrio perfecto entre contexto y concisión. Un solo ejemplo bien elegido puede enseñar patrones complejos mientras mantiene la eficiencia del prompt.

Few-shot Prompting

El Few-shot prompting proporciona varios ejemplos que demuestran la diversidad de la tarea. Esta diversidad es crucial: le muestras al modelo las diferentes variaciones y contextos posibles.

Estructura básica

Ejemplo 1 → Resultado 1
Ejemplo 2 → Resultado 2
Ejemplo 3 → Resultado 3
Tu consulta

Ejemplo práctico: Clasificación de tickets de soporte técnico

Ejemplo 1:
Ticket: "Mi pantalla parpadea cuando cambio el brillo"
Categoría: Problemas de hardware
Prioridad: Media

Ejemplo 2:
Ticket: "No puedo acceder a mi cuenta desde ayer"
Categoría: Problemas de acceso
Prioridad: Alta

Ejemplo 3:
Ticket: "El micrófono no funciona en las videollamadas"
Categoría: Problemas de hardware
Prioridad: Baja

Clasifica este ticket:
Ticket: "La aplicación se cierra inesperadamente al iniciar sesión"
Categoría:

La importancia de la diversidad en Few-shot

No basta con repetir ejemplos similares. Para que few-shot funcione efectivamente, tus ejemplos deben cubrir:

  1. Diferentes casos edge: Situaciones límite o excepcionales
  2. Variaciones de formato de entrada: Distintas formas en que puede llegar la consulta
  3. Diferentes outputs esperados: Cuando hay múltiples respuestas válidas
  4. Casos problemáticos comunes: Ambigüedades frecuentes que debes resolver

Cuándo usar Few-shot

  • Tareas con múltiples categorías: Clasificaciones complejas con muchas posibles etiquetas
  • Cuando zero-shot falla: Si las respuestas del modelo son inconsistentes
  • Tareas con matices: Donde la misma palabra puede tener diferentes significados según contexto
  • Código y programación: Generar código en lenguajes o estilos específicos
Contrastar fuentes, retirar datos privados y revisar una respuesta antes de usarla.
La revisión de fuentes y datos forma parte de la evaluación del resultado.

Comparativa: ¿Cuándo usar cada framework?

Regla práctica: Empieza con zero-shot. Si la respuesta no satisface, añade un ejemplo (one-shot). Si aún así el modelo comete errores o muestra inconsistencias, escala a few-shot con ejemplos diversos.

Tabla comparativa rápida

Criterio Zero-shot One-shot Few-shot
Tokens usados Mínimos Moderados Más altos
Precisión Variable Depende de la tarea y del ejemplo Debe medirse con casos de prueba
Mejor para Tareas genéricas Formatos específicos Tareas complejas
Esfuerzo de creación Mínimo Bajo Moderado-Alto

Errores comunes al usar estos frameworks

Error 1: Few-shot con ejemplos idénticos

El problema: Usar 3-4 ejemplos que son casi iguales no enseñan nada nuevo al modelo. Solo confirma lo que ya sabe.

La solución: Selecciona ejemplos que representen la diversidad real de tu caso de uso. Si estás clasificando reviews, incluye ejemplos positivos, negativos, neutros, sarcásticos y mixtos.

Error 2: Mezclar zero-shot y one-shot sin estrategia

El problema: Añadir un solo ejemplo mal elegido puede confundir más que ayudar. El modelo intenta coincidir con el ejemplo, pero si este no es representativo, la respuesta empeora.

La solución: Antes de añadir un ejemplo, pregúntate: "¿Este ejemplo captura el patrón esencial de mi tarea?" Si no estás seguro, prueba con few-shot directamente usando 3 ejemplos diversos.

Error 3: Ignorar el contexto del sistema

El problema: Los ejemplos en few-shot compiten con instrucciones del sistema y el contexto previo. Puede haber contradicciones que degraden el rendimiento.

La solución: Mantén tu system prompt limpio y consistente con los ejemplos. Si el sistema dice "Sé conciso" pero tus ejemplos son extensos y detallados, el modelo recibirá señales contradictorias.

Razonamiento y formato de salida

«Razona paso a paso» no es una regla universal. En los modelos de razonamiento, explica el objetivo, el contexto, las restricciones y el formato esperado. Para evaluar la respuesta, pide los supuestos relevantes, una explicación breve o una comprobación visible del resultado.

Zero-shot, one-shot y few-shot indican cuántos ejemplos acompañan la instrucción. Empieza sin ejemplos cuando puedas expresar la regla con claridad. Añade ejemplos representativos cuando ayuden a precisar una clasificación o un formato. Comprueba que no contradigan la regla.

Para información actual, aporta fuentes o contexto reciente y verifica las afirmaciones. Una explicación extensa no demuestra que la respuesta sea correcta.

Ejemplo ilustrativo

Clasifica cada comentario como alta, media o baja. Usa alta cuando exista un bloqueo de acceso o una caída del servicio; media para una incidencia que permita seguir trabajando; baja para una consulta sin bloqueo. Devuelve una etiqueta y una justificación breve basada en el comentario. Si falta información para decidir, indícalo.

Prueba la instrucción con «Necesito cambiar mi dirección» y «El sistema está caído para todo el equipo». Revisa si las etiquetas respetan las definiciones. Si añades un ejemplo, vuelve a comprobar ambos casos.

Fuente: Guía oficial de OpenAI para modelos de razonamiento.

Ciclo de recordar, aplicar, comprobar y repetir una práctica.
Repite la clasificación con casos distintos y comprueba el criterio antes de reutilizar el prompt.

Checklist de dominio

  • Sé identificar cuándo usar zero-shot: Puedo reconocer tareas genéricas donde el modelo funciona bien sin ejemplos
  • Construyo ejemplos one-shot efectivos: Selecciono ejemplos representativos que enseñan el patrón deseado con un solo caso
  • Diseño ejemplos few-shot diversos: Mis conjuntos de ejemplos cubren diferentes casos, incluyendo situaciones límite y ambiguas
  • Escalo correctamente entre frameworks: Sé cuándo pasar de zero-shot a one-shot y de one-shot a few-shot
  • Evito los errores comunes: No repito ejemplos idénticos, no mezclo instrucciones contradictorias, y evalúo si un ejemplo realmente añade valor
  • Optimizo el uso de tokens: Equilibro la calidad de los ejemplos con la eficiencia del contexto disponible
  • Aplico estos frameworks en mi trabajo: He implementado prompts con estos métodos en al menos un proyecto real

Con estos fundamentos sólidos, estás preparado para construir prompts más sofisticados y efectivos. La práctica deliberada con proyectos reales es la clave para internalizar estos conceptos.

Ejemplo práctico de one-shot prompting

Usá one-shot cuando la tarea es simple, pero el formato de salida importa. El ejemplo funciona como una demostración compacta.

Objetivo: clasificar comentarios de estudiantes como Positivo, Neutral o Negativo.

Ejemplo:
Comentario: "El curso explica bien, pero los ejercicios podrían ser más largos."
Respuesta: Neutral

Ahora clasificá este comentario:
Comentario: "Por fin entendí SQL con ejemplos claros."
Respuesta:

La diferencia frente a zero-shot es que el modelo ya vio el patrón esperado. La diferencia frente a few-shot es que solo vio un ejemplo, por eso conviene usarlo cuando el criterio no tiene demasiadas excepciones.

Cuándo usar zero-shot, one-shot o few-shot

  • Zero-shot: para tareas conocidas y simples, como resumir, traducir o listar ideas.
  • One-shot: para mostrar un formato específico con una sola demostración.
  • Few-shot: para clasificación, extracción, tono o reglas con matices y excepciones.

OpenAI recomienda usar ejemplos diversos cuando querés que el modelo aprenda un patrón a partir del prompt. Referencia: guía oficial de OpenAI sobre uso de ejemplos.

Checklist para elegir zero-shot, one-shot o few-shot

La pregunta práctica no es si one-shot prompting es "mejor", sino cuánta demostración necesita la tarea para que el modelo copie el criterio correcto sin volver el prompt innecesariamente largo.

SituaciónMejor enfoquePor qué funciona
La tarea es conocida y el formato es libre.Zero-shotLa instrucción directa alcanza para resumir, traducir, explicar o listar ideas.
El formato importa y querés mostrar un patrón simple.One-shotUn solo ejemplo enseña tono, estructura, etiqueta o estilo de respuesta.
Hay matices, excepciones o categorías parecidas.Few-shotVarios ejemplos reducen ambigüedad y muestran bordes de decisión.
El resultado será usado en producción.Few-shot + evaluaciónNecesitás ejemplos de prueba, criterios de calidad y revisión humana.

Plantilla copiable de one-shot prompting

Usá esta estructura cuando necesitás que ChatGPT, Claude, Gemini u otro modelo copie un formato específico a partir de una sola demostración.

Tarea: [explicá la tarea en una frase]
Criterio: [qué hace que la respuesta sea buena]
Formato de salida: [tabla, bullets, JSON, email, checklist, etc.]

Ejemplo:
Entrada: [caso de muestra]
Salida esperada: [respuesta ideal]

Ahora resolvé:
Entrada: [caso real]
Salida:

Para que el ejemplo sea útil, debe parecerse al caso real. Si el ejemplo es demasiado fácil, el modelo aprende un patrón pobre; si el ejemplo contradice la instrucción, suele copiar el ejemplo y no la regla.

One-shot prompting como habilidad laboral

One-shot prompting se vuelve valioso cuando lo convertís en un activo de trabajo: prompts reutilizables, criterios de evaluación, documentación del proceso y ejemplos antes/después. Eso sirve para roles de IA aplicada, marketing, educación, soporte, automatización y análisis.

  • Para portfolio: publicá una mini librería con 5 prompts one-shot y explicá qué problema resuelve cada uno.
  • Para entrevistas: compará un prompt zero-shot, one-shot y few-shot sobre la misma tarea y justificá cuál elegirías.
  • Para clientes: ofrecé auditoría de prompts, plantillas de respuesta, automatización de contenidos o documentación de flujos de IA.

Guarda la instrucción, el ejemplo, los casos de prueba y los criterios de revisión. Así podrás repetir la tarea y comparar versiones sin confundir una respuesta convincente con una respuesta correcta.

One-shot prompting en ChatGPT y APIs

En ChatGPT podés escribir el ejemplo dentro del prompt. En una app o API, conviene separar instrucciones estables, ejemplos y entrada variable para que el prompt sea más fácil de probar, versionar y mejorar.

ParteQué ponerEjemplo
InstruccionesReglas, criterio de clasificación y formato esperado.Clasificá reseñas como Positiva, Neutral o Negativa. Respondé una sola etiqueta.
Ejemplo one-shotUna entrada y salida representativa.Reseña: buena entrega pero empaque roto. Respuesta: Neutral.
Entrada variableEl caso real que cambia en cada solicitud.Reseña: excelente atención y producto perfecto.

OpenAI recomienda usar ejemplos cuando querés que el modelo aprenda un patrón desde el prompt, y en flujos de equipo también podés guardar prompts reutilizables con versiones y variables. Para producción, no te quedes solo con el ejemplo: armá una pequeña evaluación con casos correctos e incorrectos.

Sigue con ChatGPT y Prompt Engineering Avanzado

Esta lección forma parte de un curso de Cursalo. Revisa su programa y elige entre la compra individual o el acceso a toda la escuela.

Si ya tenías acceso a este curso, entra con tu cuenta: tus derechos y tu progreso se conservan. No necesitas comprarlo de nuevo.

01 / ELEGIR UNA RUTA

El próximo paso

Aprende IA mientras construyes algo que sí necesitas.

Empieza por el curso inicial o explora el catálogo para encontrar una práctica alineada con tu trabajo.