One-Shot Prompting

El One-Shot Prompting DEBE implementarse como un proceso estructurado que proporciona un único ejemplo representativo antes de la tarea objetivo. Todo prompt DEBE incluir una instrucción clara, un ejemplo bien estructurado y el input objetivo siguiendo el mismo formato que el ejemplo.

Ejemplos

✅ Ejemplo Correcto

Objetivo del Prompt

Convertir una fecha en formato "DD/MM/AAAA" a formato "YYYY-MM-DD".

Parámetros Recomendados

• Temperature: 0.2
• Top-K: 1
• Top-P: 1.0
• Token Limit: 10

Prompt

Instrucción: Convierte la siguiente fecha al formato internacional (YYYY-MM-DD).
Ejemplo:
Input: 25/12/2023
Output: 2023-12-25
Input objetivo:
14/07/2024

Output

2024-07-14

❌ Ejemplo Incorrecto

Objetivo del Prompt

Convertir una fecha, pero sin estructura ni formato claro.

Parámetros Recomendados

• Temperature: 0.2
• Top-K: 1
• Top-P: 1.0
• Token Limit: 10

Prompt

Convierte esta fecha: 14/07/2024

Output

La fecha es el 14 de julio de 2024.

Justificación

La implementación consistente de One-Shot Prompting es necesaria porque:

1. Mejora la precisión respecto al zero-shot
2. Permite controlar el formato y estilo de las respuestas
3. Optimiza el uso de tokens
4. Facilita la adaptación a contextos específicos

Reglas de Uso

1. Estructura del Prompt

• DEBE incluir una instrucción clara y concisa
• DEBE proporcionar un único ejemplo representativo
• DEBE mantener consistencia en el formato
• DEBE seguir el mismo patrón para el input objetivo

2. Selección del Ejemplo

• DEBE ser representativo del dominio
• DEBE ser claro y preciso
• DEBE cubrir el caso más común
• DEBE ser fácil de imitar

3. Formato

• DEBE usar separadores claros
• DEBE mantener consistencia en la estructura
• DEBE incluir etiquetas claras (Input/Output)
• DEBE seguir un patrón predecible

Cuándo Aplicar

1. Conversión de formatos simples
2. Clasificación con categorías claras
3. Generación de respuestas estructuradas
4. Traducción especializada
5. Extracción de información básica

Cuándo Evitar

1. Tareas que requieren múltiples ejemplos
2. Clasificación compleja
3. Cuando hay mucha variabilidad en los inputs
4. Tareas que requieren razonamiento profundo

Métricas de Calidad

Métrica	Descripción	Umbral Mínimo
Precisión	Exactitud de respuestas	≥ 85%
Consistencia	Adherencia al formato	100%
Eficiencia	Uso de tokens	≤ 1000
Claridad	Legibilidad del ejemplo	≥ 90%

Implementación Recomendada

class OneShotSystem:
    def __init__(self, config):
        self.format_validator = config.validator
        self.example_selector = config.selector
        self.output_formatter = config.formatter
    
    def generate_prompt(self, task, example, target):
        return self._structure_prompt(task, example, target)
    
    def validate_example(self, example):
        return self._check_example_quality(example)
    
    def format_output(self, response):
        return self._ensure_consistent_format(response)

Referencias Técnicas

• Modelos de lenguaje: GPT-3, GPT-4, PaLM
• Frameworks de evaluación: BLEU, ROUGE
• Herramientas de análisis: HuggingFace, OpenAI API
• Métricas de rendimiento: Accuracy, F1-Score