Definición
El aprendizaje en contexto es enseñarle a un modelo lo que quieres poniéndole ejemplos dentro del propio prompt.
No hay entrenamiento, no se toca el modelo y no queda nada guardado. El modelo ve los ejemplos, capta el patrón y lo aplica a lo que le pides. Cuando termina la respuesta, lo ha olvidado por completo.
Es la diferencia con el fine-tuning: allí se modifican los pesos del modelo, aquí solo se modifica lo que se le enseña ese día.
Los tres niveles
Zero-shot — ninguna muestra. Solo la instrucción:
Clasifica este correo como: pedido, incidencia o consulta.
One-shot — una muestra:
Ejemplo:
"Necesito 20 unidades de la ref. 4471" → pedido
Clasifica: "¿Qué plazo tenéis para la 4471?"
Few-shot — varias, normalmente entre tres y ocho. Es donde la mejora se nota de verdad, sobre todo cuando la tarea tiene matices o el formato de salida importa.
Lo que de verdad hace que funcione
Aquí está lo contraintuitivo, y lo que separa un prompt que funciona de uno que no:
El formato pesa más que la cantidad. Los ejemplos le enseñan al modelo, sobre todo, cómo tiene que ser la respuesta: su estructura, su longitud, su tono. Si tus ejemplos son escuetos, responderá escueto.
Los casos raros valen más que los fáciles. Tres ejemplos de lo evidente no enseñan nada; el modelo ya lo sabía. Un ejemplo del caso ambiguo —ese que tú mismo dudaste cómo clasificar— enseña muchísimo.
El desequilibrio se contagia. Si de cinco ejemplos cuatro son «pedido», el modelo tenderá a responder «pedido». Conviene repartir.
Más no es mejor a partir de cierto punto. Pasados unos ocho o diez ejemplos la mejora se aplana, y cada uno sigue costando tokens en todas las llamadas. Ver coste por token.
Ejemplo práctico
Donde más rendimiento le he sacado a esto es en clasificar movimientos bancarios y correos entrantes.
Pedirle a un modelo «clasifica este gasto» sin más produce categorías inventadas, sinónimos y variantes: «Suministros», «Suministro», «Gastos de suministro». Inservible para agregar nada.
Con seis ejemplos reales del histórico —de categorías distintas, incluyendo dos casos dudosos— el modelo se ciñe a la taxonomía y deja de improvisar. El cambio no fue mejorar la instrucción: fue enseñarle el resultado que quería.
Lo que aprendí, y es lo más útil de todo: los mejores ejemplos no se escriben, se sacan del histórico ya corregido. Cada vez que alguien corrige a mano una clasificación mal hecha, ese caso es oro: es exactamente donde el modelo se equivoca. Un puñado de correcciones reales como ejemplos vale más que veinte inventados.
Eso convierte el sistema en algo que mejora solo: se corrige, se guarda la corrección, y las correcciones alimentan el prompt.
Y el límite honesto: cuando el prompt se ha convertido en una pared de veinte ejemplos que se envía en cada llamada, ya no compensa. Eso es la señal de que la tarea pide fine-tuning, que mueve ese conocimiento al modelo y deja el prompt corto.
Errores comunes
- Ejemplos solo de casos fáciles. No enseñan nada.
- Todos de la misma categoría. El modelo copia el sesgo.
- Formato inconsistente entre ejemplos. Si no son idénticos en estructura, el modelo no sabe cuál imitar.
- Amontonar ejemplos creyendo que más siempre mejora.
- Meter datos sensibles reales en los ejemplos del prompt.
- No versionar el prompt. Cambiar un ejemplo cambia el comportamiento, y sin registro no sabes qué lo rompió. Ver evals.
- Usarlo para aportar conocimiento en vez de comportamiento. Para hechos, RAG.
Cuándo usarlo
Casi siempre primero. Es gratis de probar, se ajusta en minutos y resuelve la mayoría de tareas de clasificación, extracción y formato.
Pasa a fine-tuning solo cuando el prompt se haya vuelto enorme, cuando el coste por llamada empiece a importar de verdad, o cuando necesites una consistencia que los ejemplos no consiguen.
