Zero-Shot Learning
O que é Zero-Shot Learning em IA, como modelos resolvem tarefas sem exemplos prévios e quando usar essa técnica.
Zero-Shot Learning é a capacidade de um modelo de IA realizar uma tarefa sem ter visto nenhum exemplo específico daquela tarefa. O modelo usa apenas seu conhecimento pré-treinado e a descrição da tarefa para gerar a resposta.
O Zero-Shot funciona porque modelos grandes aprenderam padrões gerais:
Zero-Shot simples:
“Classifique este email como spam ou não-spam: ‘Você ganhou R$50.000!’” Resposta: “Spam”
Zero-Shot com Chain-of-Thought:
“Pense passo a passo e classifique este email…” Resposta mais detalhada e precisa
Comparação:
| Técnica | Exemplos necessários | Precisão | Velocidade |
|---|---|---|---|
| Zero-Shot | 0 | Boa | Rápida |
| Few-Shot | 2-5 | Melhor | Média |
| Fine-Tuning | 100+ | Excelente | Lenta setup |
No OpenClaw, Zero-Shot é o padrão. Você simplesmente pede:
“Resuma essa ata de reunião em 3 bullet points”
Sem exemplos, sem configuração — o modelo entende e executa. Isso torna o OpenClaw imediatamente útil para milhares de tarefas diferentes.
O OpenClaw usa Zero-Shot como modo padrão de operação. Cada mensagem que você envia é processada sem exemplos prévios. Para tarefas mais complexas, você pode configurar Few-Shot no soul.md fornecendo exemplos de entrada/saída esperados.
- Few-Shot — quando Zero-Shot não é suficiente
- Chain-of-Thought — combine com Zero-Shot para melhor precisão
- Prompt Engineering — otimize prompts Zero-Shot
- Guia de Prompts — técnicas avançadas de prompting
- Tutorial: Primeiros Passos — use Zero-Shot no OpenClaw