El reconocimiento de entidades nombradas (NER) en un entorno de pocos ejemplos es una tarea extremadamente desafiante, y la mayoría de los métodos existentes no logran tener en cuenta la brecha entre las tareas de NER y los modelos de lenguaje preentrenados. Aunque el aprendizaje por indicaciones se ha aplicado con éxito en tareas de clasificación de pocos ejemplos, adaptarse a la clasificación a nivel de token similar a la tarea de NER presenta desafíos en términos de consumo de tiempo y eficiencia. En este trabajo, proponemos un marco de aprendizaje por indicaciones descompuesto para configuraciones de pocos ejemplos, descomponiendo la tarea de NER en dos etapas: localización de entidades y tipificación de entidades. En el entrenamiento, se utiliza la información de ubicación de etiquetas distantes para entrenar el modelo de localización de entidades. Se construye una plantilla de indicaciones concisa pero efectiva para entrenar el modelo de tipificación de entidades. En la inferencia, se utiliza un enfoque de canalización para manejar toda la tarea de NER, lo que resuelve elegantemente los problemas de consumo de tiempo e ineficiencia. Específicamente, se utiliza un modelo de localización de entidades bien entrenado para predecir los rangos de entidades para cada entrada. Luego, la entrada se transforma utilizando plantillas de indicaciones, y se utiliza el modelo de tipificación de entidades bien entrenado para predecir sus tipos en un solo paso. Los resultados experimentales demuestran que nuestro marco supera a los métodos anteriores basados en indicaciones en un promedio del 2.3-12.9% en la puntuación F1, logrando al mismo tiempo el mejor equilibrio entre precisión y velocidad de inferencia.