Few-Shot Learning
O que é Few-Shot Learning, como dar exemplos melhora respostas de IA e como configurar no OpenClaw.
Few-Shot Learning é a técnica de fornecer ao modelo de IA alguns exemplos (geralmente 2 a 5) da tarefa desejada antes de fazer a pergunta real. Isso guia o modelo a entender exatamente o formato e o tipo de resposta esperados.
O Few-Shot funciona por aprendizado em contexto (in-context learning):
Exemplo prático:
Classifique o sentimento:
Texto: "Adorei o produto!" → Positivo
Texto: "Péssimo atendimento" → Negativo
Texto: "Chegou no prazo" → Neutro
Texto: "Nunca mais compro aqui" → ?
O modelo aprende o padrão dos exemplos e aplica:
- 1-shot: um único exemplo (melhoria moderada)
- Few-shot: 2-5 exemplos (boa melhoria)
- Many-shot: 10+ exemplos (para tarefas muito específicas)
Dicas:
- Exemplos diversificados melhoram generalização
- Ordem dos exemplos pode impactar resultados
- Exemplos devem cobrir edge cases
Configure Few-Shot no soul.md do OpenClaw:
## Como classificar emails
Exemplo 1: "Reunião amanhã 10h" → Agenda
Exemplo 2: "Nota fiscal em anexo" → Financeiro
Exemplo 3: "Bug no login" → Suporte
Agora toda classificação de email seguirá esse padrão consistente.
O OpenClaw suporta Few-Shot via arquivo soul.md, onde você define exemplos de interações esperadas. Isso é especialmente útil para classificação de mensagens, formatação de respostas e tarefas repetitivas onde você quer consistência.
- Zero-Shot — quando não precisa de exemplos
- Prompt Engineering — técnicas incluindo Few-Shot
- Chain-of-Thought — combine com Few-Shot para máxima precisão
- Guia: Soul.md — configure exemplos no OpenClaw
- Tutorial: Prompts Avançados — domine Few-Shot