O quê

One-shot prompting é a variante mais econômica de in-context learning: o LLM recebe exatamente uma demonstração da tarefa antes do input real. É o meio-termo entre zero-shot (só instrução, nenhum exemplo) e few-shot (3 ou mais exemplos) — útil quando você quer fixar formato e tom mas não quer pagar o custo de tokens de várias demonstrações.

A descoberta de que um único exemplo já produz salto qualitativo importante vem do paper GPT-3 (Brown et al., 2020). Em modelos pequenos (< 6B), zero/one/few-shot performam parecido. Em modelos grandes (> 67B), um único exemplo já dispara comportamento dramaticamente melhor — evidência forte de capacidade emergente.

Em Magik LLM Gathering, one-shot prompting é tratada como Foundry · Technique · Common — a primitiva minimalista de prompt engineering.

Como funciona

O formato

Um prompt one-shot tem três partes:

1. Instrução (opcional).
2. Uma demonstração: par input/output completo.
3. O input novo.

Exemplo:

Convert temperature from Celsius to Fahrenheit.
20°C => 68°F
35°C =>

O modelo completa: 95°F. Aprendeu o formato (X°C => Y°F), a operação (F = C × 9/5 + 32), e aplica corretamente.

Quando preferir one-shot a few-shot

• Tokens são caros: cada demonstração custa contexto. Em casos com prompts longos, reduzir de 5 demonstrações para 1 economiza ~80% dos tokens de demonstração.
• Tarefa é simples e o formato basta: classificação binária, formatação de output, tradução simples — o modelo só precisa “ver” o padrão uma vez.
• Você quer evitar bias de label: poucos exemplos enviesados são pior que um exemplo neutro. Em algumas tarefas, one-shot bate few-shot mal calibrado.
• Modelo é grande: para modelos >100B, marginal de demonstrações adicionais é pequeno depois da primeira.

Quando preferir few-shot

• Tarefa complexa com casos heterogêneos: classificação com 10 categorias, parsing de estrutura, raciocínio — um exemplo só não cobre.
• Modelo médio (7B-30B): ainda se beneficia significativamente de 3-5 demonstrações.
• Você precisa estabelecer distribuição de outputs: 1 exemplo pode ser interpretado como “outliers” pelo modelo; 5 exemplos consistentes definem “regra”.

Por que importa

One-shot prompting é tipicamente subestimado:

• Custo×qualidade ideal para muitas tarefas: em produção, a pergunta não é “quanto melhor few-shot fica” mas “vale 5× o custo?”. Para tarefas de baixa complexidade, raramente.
• Demonstrou capacidade emergente: o salto zero-shot → one-shot foi a evidência mais clara em 2020 de que modelos grandes “entendem” tarefas a partir de um único exemplo — algo que modelos menores não fazem. Foi indicador inicial de scaling laws.
• Combina com chain-of-thought: one-shot CoT (um exemplo que demonstra raciocínio passo-a-passo) é frequentemente suficiente para destravar raciocínio em modelos grandes, sem o custo de few-shot CoT completo.
• Base para sistemas auto-prompted: muitos pipelines usam um LLM para selecionar um exemplo ótimo do dataset para cada query (retrieval-augmented prompting). One-shot dinâmico bate few-shot estático em muitas tarefas.

Pegadinhas

• Sensibilidade extrema ao exemplo escolhido: com apenas uma demonstração, a escolha importa muito. Um exemplo atípico envenenará a generalização.
• Pode ser pior que zero-shot: em alguns benchmarks, modelos muito grandes fazem zero-shot melhor que one-shot — o exemplo “limita” a interpretação da tarefa que o modelo já entendia bem.
• Não generaliza para edge cases: o modelo aprende o padrão central do exemplo. Casos com estrutura diferente são frequentemente mal-respondidos.
• Calibration importa: Zhao et al. (2021) mostraram que outputs few/one-shot têm viés sistemático para o label da demonstração — mitigado com calibração explícita (estimando o baseline com prompt vazio).
• Funciona como heurística, não regra: empiricamente, one-shot é “frequentemente suficiente”. Sempre teste few-shot quando importar performance — em alguns problemas o salto extra vale.

Estado em 2026

Em 2026, one-shot prompting é uma nota de rodapé prática mais que uma técnica destacada. A divisão zero/one/few-shot, central em 2020, perdeu nitidez: modelos instruction-tuned de fronteira fazem zero-shot tão bem que “um exemplo” raramente é o ponto ótimo — ou você não precisa de exemplo nenhum, ou se beneficia de vários (many-shot) no contexto longo. O termo sobrevive mais na taxonomia de papers e cursos do que em prompts de produção.

Onde o “um exemplo” ainda brilha é em contextos específicos: fixar um formato de saída idiossincrático, ancorar um tom de marca, ou como one-shot dinâmico — recuperar o exemplo mais similar à query (retrieval-augmented prompting) em vez de usar um exemplo fixo. Essa última variante, combinada com prompt caching, é o uso vivo mais comum.

Os trade-offs originais persistem e ficaram mais relevantes: sensibilidade extrema ao exemplo escolhido e o risco de one-shot ser pior que zero-shot em modelos muito capazes. Para modelos de raciocínio (o-series, R1, Claude thinking), a recomendação dos próprios provedores é minimizar exemplos no prompt. O consenso de 2026: comece em zero-shot e adicione exemplos só quando medir ganho real.

Tratamento de carta — proposta

Em Magik LLM Gathering, one-shot prompting aparece como Foundry · Technique · Common: a versão mais econômica da família in-context learning. Custo mínimo, efeito proporcional ao “modelo” jogado (cartas grandes ganham mais com one-shot que pequenas).

É a carta-default de decks budget e de decks que priorizam ações por turno sobre profundidade de cada ação.

Veja também

• Few-Shot Prompting — variante com mais demonstrações
• Zero-Shot Prompting — sem demonstrações
• In-Context Learning — mecanismo subjacente
• Chain-of-Thought (CoT) — pode ser combinado com one-shot
• GPT-3 (2020) — modelo que demonstrou one-shot funcionar