Zero-shot e few-shot nei prompt: cosa significano e come usarli

Immagina di chiedere a una persona: "Fammi una lista di cinque frutti rossi". Se la persona non ha mai visto una lista fatta da te, leggerà l'istruzione e la eseguirà dal nulla. Questo è zero-shot. Ora immagina di dire la stessa cosa ma di mostrarle prima tre esempi di liste che hai fatto tu, con il tuo stile. La persona userà quei modelli per creare la lista seguendo il tuo pattern. Questo è few-shot. La differenza tra questi due approcci è il cuore del prompt engineering moderno.

Cosa significa zero-shot

Zero-shot letteralmente significa "zero colpi" o "zero tentativi con esempi". Quando scrivi un prompt in modalità zero-shot, dai un'istruzione al modello di intelligenza artificiale senza fornire alcun esempio di come dovrebbe comportarsi.

Un prompt zero-shot ha questa forma:

"Scrivi una descrizione di 50 parole di una città costiera italiana."

Il modello legge l'istruzione e genera una risposta basandosi solo sulla consegna. Non ha visto nessun esempio di come vuoi che sia strutturata la risposta, quale tono preferisci o quale livello di dettaglio ti interessa. Deve indovinare dalle tue parole.

Zero-shot è veloce e utile quando l'istruzione è chiara e il compito è semplice. Se chiedere "Quale è la capitale della Francia?" il modello sa già la risposta, non ha bisogno di esempi. Se però vuoi uno stile preciso o un formato particolare, zero-shot potrebbe non bastare.

Cosa significa few-shot

Few-shot significa "pochi colpi" e descrive il momento in cui dai al modello uno, due o più esempi prima di fargli eseguire il compito vero.

Un prompt few-shot ha questa forma:

"Ecco come voglio che riscrivi le recensioni di prodotti. Rendi il tono entusiasta ma onesto, cancella le ripetizioni, metti in grassetto i vantaggi principali.

Esempio 1 - Input: Questo telefono è veloce. Molto veloce. Ha una batteria che dura tanto. Output: Questo telefono è straordinariamente veloce e la batteria dura a lungo.

Esempio 2 - Input: La qualità della fotocamera è buona. Le foto sono belle. La qualità è ottima. Output: La fotocamera cattura foto straordinarie in qualità ottima.

Adesso riscrivi questa recensione seguendo lo stesso stile: La scarpa è comoda. È molto comoda. Il colore è bellissimo e non sbiadisce."

In questo caso il modello vede due esempi di come trasformi il testo. Capisce il pattern: elimini le ridondanze, mantieni l'entusiasmo, metti a fuoco i benefici veri. Quando affronterà la scarpa, avrà già il modello mentale di cosa cerchi.

Few-shot funziona bene quando il compito ha una forma precisa, uno stile riconoscibile o regole nascoste che sono più facili da mostrare che da spiegare.

Le differenze pratiche

Zero-shot è più risolutivo quando l'istruzione contiene tutto quello che serve. Se chiedi "Converti 45 chilogrammi in libbre", il modello ha le regole matematiche già dentro. Un esempio non aggiunge valore.

Few-shot funziona meglio quando il lavoro è creativo o stilistico. Se vuoi che il modello scriva titoli di articoli nel tuo stile, fornire due o tre titoli che hai scritto tu insegna al modello il tuo pattern di pensiero molto più velocemente di mille parole di spiegazione.

Few-shot costa anche più token, perché il prompt diventa più lungo. Se lavori con modelli che addebitano ogni token usato, questo conta.

Zero-shot è anche meno affidabile su compiti complessi. Se chiedi a un modello di classificare il sentimento di una frase in una lingua rara o in un dialetto specifico senza esempi, potrebbe sbagliare. Con pochi esempi, la precisione sale significativamente.

Quando usare quale

Scegli zero-shot quando il compito è familiare al modello: domande di fatto, calcoli semplici, riassunti di testi standard, traduzioni tra lingue maggiori. L'istruzione chiara basta.

Scegli few-shot quando vuoi controllare lo stile, il formato, il tono di voce, il livello di dettaglio, o quando il compito non è standard. Se scrivi prompt per content creation, email personalizzate, descrizioni di prodotti con uno stile tuo, few-shot diventa fondamentale.

Una pratica utile è partire da zero-shot e se la risposta non colpisce il bersaglio, aggiungere uno o due esempi. Il modello imparerà dal pattern.

Zero-shot chain-of-thought

Esiste una variante ibrida chiamata zero-shot chain-of-thought. Chiedi al modello di "pensare passo per passo" senza dargli esempi. Funziona particolarmente bene per problemi matematici o logici perché il modello si costringe a ragionare in modo più strutturato, anche senza modelli di riferimento.

Un prompt zero-shot chain-of-thought è così: "Pensa passo per passo. Quanto fa 27 moltiplicato per 14?"

Il modello risponderà descrivendo ogni passaggio del calcolo mentale, non solo il risultato finale. Questo aumenta l'accuratezza.

Conclusione pratica

Zero-shot e few-shot non sono concetti difficili, ma cambiano drasticamente i risultati che ottieni. Il nome preciso aiuta anche a comunicare con altri professionisti: quando dici "ho provato few-shot" gli altri sanno esattamente cosa intendi.

Non è un'alternativa all'una o all'altra. È un continuum. Puoi iniziare zero-shot, valutare il risultato, aggiungere un esempio se non va bene, poi due, poi tre. Ogni aggiunta di esempi afina il comportamento del modello verso quello che realmente vuoi.