Aprendizaje en contexto: enseñar sin entrenar
Necesitas que el modelo etiquete reseñas con 1–5 estrellas en tu formato exacto, pero no puedes reentrenarlo. ¿Estás atado a sus valores por defecto?
La idea que hay dentro
Pon unos pocos ejemplos o una regla en el prompt y el comportamiento cambia.
Después de esta lección
Puedes explicar el aprendizaje en contexto: los ejemplos o instrucciones en el prompt guían el comportamiento sin cambiar los pesos, y por qué eso impulsa el RAG, las herramientas y los prompts de sistema.
Adónde lleva
Ese es el último control de operación. Ahora úsalos todos a la vez: un solo modelo, tres presupuestos muy distintos.
Dentro de esta lección
Ese es el escenario real de la lección, en pausa. Reclama tu pase para operarlo.
Mira cómo funciona la IA de verdad, de principio a fin.
Esta lección es solo una parada del arco completo. Desbloquéalo todo y consérvalo de por vida.
Lo que obtienes
- El camino principal de 34 lecciones, una ruta que sí se termina, de una palabra a los agentes
- Rutas por objetivo para usar IA en el trabajo y construir funciones con IA
- Labs de jefe que te hacen aplicar un acto entero, no solo reconocerlo
- Repaso espaciado que trae cada idea de vuelta antes de que la olvides
- Memoria del curso: cada término definido, con enlaces a donde aparece por primera vez
- Una tarjeta de capacidades para compartir cuando termines el camino principal
- Acceso de por vida en cualquier dispositivo, con todas las lecciones futuras incluidas
No son videos para mirar. Predices, operas la máquina y luego lo demuestras. Por eso se queda.
99 lecciones y retos interactivos. Sin videos, sin código.
Pase de lanzamiento gratis: acceso de por vida, sin tarjeta
¿Nuevo por aquí? Las primeras lecciones son gratis para probar. Empieza con la lección 0.1
Qué muestra esta lección
Pon unos pocos ejemplos o una regla en el prompt y el comportamiento cambia.
La pregunta con la que abre
Necesitas que el modelo etiquete reseñas con 1–5 estrellas en tu formato exacto, pero no puedes reentrenarlo. ¿Estás atado a sus valores por defecto?
El recorrido, en palabras de la propia lección
- Cada ejemplo que arrastras acerca la salida a tu formato.
- Arrastra ejemplos resueltos al prompt y observa cómo la salida se ajusta a tu formato.
- Con cero ejemplos solo puede adivinar. Los ejemplos en el prompt son los que fijan la forma.
- El mismo truco impulsa los system prompts, RAG y las herramientas.
- 0 = zero-shot · 1–3 = few-shot. Cada ejemplo muestra el formato que quieres.
- No puedes reentrenar el modelo. Tu única herramienta es el texto que le envías: el prompt.
- Nunca vio “tu formato de la casa”, así que sin nada que copiar elige una forma razonable propia. Para obtener TU forma, tienes que mostrársela, en el prompt.
- Pon la personalidad y las reglas en el contexto: sin reentrenar.
- Recupera el fragmento correcto y colócalo en el contexto (5.2).
- Describe las herramientas en el contexto para que el modelo pueda llamarlas.
- Esto es in-context learning: los pesos nunca cambiaron; el modelo solo leyó tus ejemplos en fresco y reconoció el patrón del formato.
- Cierra el chat y no recuerda nada, y todo lo que enseñes así debe caber en la ventana de contexto.
- No se entrenó nada: los pesos nunca cambiaron. El modelo solo leyó tus ejemplos en fresco y reconoció el patrón del formato y la tarea a partir del contexto, justo lo que le permite hacer su capacidad de seguir instrucciones de 2.6.
- El few-shot es reconocimiento de patrones a partir del prompt, no aprendizaje real: cierra el chat y no recuerda nada. Y el prompt tiene límites: todo lo que enseñes así debe caber dentro de la ventana de contexto.
- Tu chatbot sigue dando mal el formato de las respuestas, así que pegas dos o tres ejemplos correctos en el prompt y al instante copia el estilo, sin reentrenar. ¿Qué acaba de pasar?
- Eso es in-context learning: el modelo leyó tus ejemplos en el momento y copió el patrón del formato desde el prompt, sin que los pesos cambiaran. Por eso es gratis e instantáneo, pero solo dura dentro de ese context window y se olvida cuando el chat termina.
La idea clave
Unos pocos ejemplos en el prompt le enseñaron al modelo una tarea nueva, con cero entrenamiento.
Qué puedes hacer después de esta lección
Puedes explicar el aprendizaje en contexto: los ejemplos o instrucciones en el prompt guían el comportamiento sin cambiar los pesos, y por qué eso impulsa el RAG, las herramientas y los prompts de sistema.
Ponte a prueba: Añades dos ejemplos a tu prompt y el modelo sigue el formato. ¿Aprendió (cambió sus pesos)?
- No, solo cambia el comportamiento para este prompt; los pesos nunca cambian(correcta)
- Sí, los ejemplos lo reentrenaron para siempre
- Solo si añades diez ejemplos o más
- Solo cambió la temperature
El in-context learning no es entrenamiento. Los ejemplos guían la predicción solo para ese prompt; nada del modelo se guarda. Abre un chat nuevo y se olvida.
¿Prefieres leer primero? Esta lección tiene un explicador de compañía: Aprendizaje en contexto
Adónde lleva: Ese es el último control de operación. Ahora úsalos todos a la vez: un solo modelo, tres presupuestos muy distintos.
Este es el resumen escrito. La lección en sí es interactiva: arriba predices, arrastras y operas el mecanismo, y la revelación te responde.