Decidir quando o exemplo ajuda e quando atrapalha o modelo

Exemplo no prompt ajuda quando ensina formato, tom ou o caso de fronteira que a regra escrita não resolve, e atrapalha quando um modelo de raciocínio passa a copiar os passos dele. Vale para quem mantém classificadores, extratores e respostas padronizadas: teste hoje a versão sem exemplos contra a versão com três.

Os guias oficiais parecem brigar. O Google recomenda incluir exemplos sempre, a OpenAI manda começar sem eles nos modelos de raciocínio e a Anthropic pede de três a cinco, dentro de tags. Quem aplica a orientação de um fornecedor no modelo de outro paga em qualidade ou em tokens (pedaços de palavra que a API cobra), e a escolha certa sai de uma bateria de teste que cabe numa tarde.

Few-shot (aprendizado por poucos exemplos) é colocar no prompt pares de entrada e saída desejada, como o modelo de carta que o chefe entrega ao assistente novo. O modelo infere o padrão dos pares e repete forma, tom e critério. Por isso o exemplo rende mais onde a regra é difícil de escrever: a voz da marca, o JSON (formato de dados trocado entre sistemas) com campos fixos e o ticket ambíguo que a casa decidiu tratar de um jeito próprio.

Em 2024, a regra prática era incluir exemplos quase sempre. Os modelos de raciocínio, que pensam em etapas internas antes de responder, mudaram a conta. O artigo do DeepSeek-R1, de janeiro de 2025, registra que exemplos degradam o desempenho desse modelo e recomenda descrever o problema e o formato de saída em zero-shot (pedido só com a instrução, sem exemplo). Em setembro de 2025, o estudo arXiv 2509.23196 mostrou que acrescentar exemplos resolvidos derruba a acurácia de modelos de raciocínio mesmo quando as demonstrações são ótimas.

O mecanismo tem nome no estudo: desorientação semântica, ou seja, o modelo copia os passos do exemplo para o problema novo, que pedia outro caminho. O conserto testado pelos autores foi trocar a solução resolvida por uma lição explícita tirada dela, e com esse ajuste o GPT-4.1 melhorou 14,0% no AIME'25, prova de matemática usada como teste. Em tarefa de lógica, escreva o critério; em tarefa de forma, mostre o exemplo.

A divergência entre os guias diminui quando se olha para o tipo de modelo. O Google escreve para o Gemini e pede exemplos poucos, variados e consistentes no formato; a OpenAI escreve para modelos de raciocínio e manda começar sem eles. Nos dois casos o exemplo precisa casar com a instrução, com os mesmos campos e nomes, porque o descompasso entre os dois piora a resposta.

A pesquisa também traz contraevidência. Em análise de sentimento, o DeepSeek-R1 melhorou com exemplos e teve o melhor resultado com 30 deles (arXiv 2503.11655). Classificar texto curto continua sendo terreno fértil para o exemplo, e por isso o guia prático mais abaixo testa os dois caminhos na mesma bateria.

Três situações comuns mostram a decisão funcionando em setores diferentes. Em cada uma, o que define a escolha é o que o exemplo ensina: forma, fronteira ou um caminho de cálculo que o modelo vai repetir.

No caso de finanças está o defeito que o estudo de setembro de 2025 descreve. O exemplo resolvido carrega a solução inteira, com números e ordem de operações, e o modelo de raciocínio reaproveita o caminho de cálculo sem extrair dele o critério. A troca por lição explícita mantém o conhecimento do caso e tira o caminho que seria copiado.

Exemplo também custa token, e o custo se repete em toda chamada. Num cenário de 100 mil tickets por mês com 600 tokens de exemplos, são 60 milhões de tokens de entrada só nesse bloco: US$ 120 por mês no Claude Sonnet 5.5, a US$ 2 por milhão. Se o bloco fixo ficar no começo do prompt e o cache (cópia já processada que o fornecedor relê com desconto) acertar quase todas as chamadas, a releitura a US$ 0,10 por milhão leva a conta para perto de US$ 6.

Com data, nome do cliente ou número de protocolo dentro dos exemplos, o bloco muda a cada chamada e perde o desconto. Deixe os exemplos fixos antes de qualquer conteúdo variável e meça se cada um ainda ganha o lugar que ocupa.

Cinco tickets ilustram a diferença, e quem decide é a bateria de 40. O critério é ganho nas fronteiras sem perda nos fáceis: se a versão B acerta mais casos ambíguos e mantém os simples, os exemplos ficam; se as duas empatam, fica a versão A, mais curta e mais barata em toda chamada.

Os erros mais comuns aparecem depois que os exemplos entram em produção, quando ninguém mais revisa o bloco.

O caso a seguir junta as duas metades da decisão, qualidade e custo, num fluxo financeiro.

Faça hoje

Pegue o classificador de maior volume da sua equipe, separe 40 entradas já rotuladas com dez casos de fronteira e rode o prompt sem exemplos e com três, no mesmo modelo e no mesmo nível de esforço. Em 30 minutos você tem dois placares; fique com a versão que acertar mais fronteiras sem perder casos fáceis, e com a zero-shot se empatarem.