Il prompting few-shot inserisce nel contesto diversi esempi di input e output, così che il modello impari il compito in-context, senza alcun aggiornamento dei pesi. Brown et al. (2020) hanno dimostrato che questa capacità emerge con la scala e che, per i compiti comuni, aggiungere qualche esempio colma spesso gran parte del divario rispetto ai sistemi sottoposti a fine-tuning.
Gli esempi sono più utili quando il formato desiderato è specifico o insolito: proprio i casi in cui lo zero-shot tende a vacillare.