¿Cuándo tiene más sentido usar few-shot?

Few-shot funciona especialmente bien cuando la forma esperada de la respuesta importa y puede enseñarse con ejemplos.

¿Qué patrón conviene más cuando la respuesta depende de fuentes específicas y actualizadas?

RAG sirve para fundamentar la respuesta en documentos o datos concretos en lugar de confiar solo en la memoria general del modelo.

¿Qué principio resume mejor esta lección?

La elección correcta equilibra precisión, coste y complejidad; no se trata de usar siempre el patrón más sofisticado.

Vibe Coding

Zero-shot, ejemplos, CoT, ToT y RAG: qué patrón conviene según el problema

Aprende a elegir la técnica de prompting adecuada según la tarea: desde pedir algo directo hasta encadenar razonamiento o recuperar información externa con RAG.

¿Cuánto sabes de Vibe Coding?

📘 Teoría

Cinco patrones, cinco situaciones distintas

Zero-shot

Útil cuando la tarea es clara, simple y el modelo ya tiene suficiente conocimiento general. Si pides demasiado en este modo, aumentas la imprecisión.

Few-shot

Conviene cuando necesitas que el modelo imite estructura, tono o formato. Los ejemplos reducen ambigüedad y alinean expectativas.

Chain-of-Thought

Ayuda cuando el problema exige descomponer pasos o razonar con varios factores. No siempre hace falta, pero mejora tareas complejas.

Tree of Thoughts

Encaja cuando hay varios caminos posibles y conviene explorar alternativas antes de decidir. Es más costoso, pero útil para decisiones estratégicas.

RAG

Sirve cuando la respuesta depende de documentos concretos, datos privados o información actualizada que no conviene dejar a la memoria general del modelo.

Casos resueltos de elección de patrón

Si quieres un titular, una tabla simple o una primera estructura de landing, normalmente basta con zero-shot bien delimitado. Meter CoT aquí suele añadir ruido y coste sin mejorar gran cosa.

Si quieres que la IA redacte fichas de producto siguiendo un estilo editorial concreto, few-shot tiene más sentido: enseñas dos o tres ejemplos y la alineación sube mucho.

Si debes comparar tres ideas de negocio con criterios de mercado, coste y complejidad, Chain-of-Thought o prompt chaining ayudan a no saltarse pasos. Y si, además, necesitas contrastar la respuesta con un dossier interno, RAG pasa a ser la opción sensata.

Cómo decidir sin sobrediseñar el prompt

Usa zero-shot cuando la tarea sea clara y el coste de error sea bajo.
Usa ejemplos cuando la forma de la respuesta importe tanto como el contenido.
Usa razonamiento guiado cuando haya varios criterios o pasos que no deben perderse.
Usa ToT o exploración de alternativas cuando la decisión tenga caminos realmente distintos.
Usa RAG cuando la respuesta deba apoyarse en fuentes concretas, actuales o privadas.

Lo que dicen las guías oficiales

Anthropic recomienda dejar pensar a Claude cuando la tarea realmente lo necesita y encadenar prompts complejos cuando un único mensaje pierde foco.

OpenAI también insiste en que el prompting debe ajustarse al problema, no al revés. Por eso esta lección enlaza directamente con la siguiente: revisar salidas es la única forma de saber si la técnica elegida estaba justificadamente bien o era excesiva.