少样本提示 (Few-Shot Learning)

什么是 Few-Shot

Few-Shot Learning（少样本学习）是提示工程中的一种核心技术，通过在提示中提供少量示例，帮助 AI 理解任务的预期输出模式，而无需进行额外的训练。这种方法利用了大型语言模型强大的模式识别能力，让模型能够从示例中推断出任务规则。

与 zero-shot（零样本，仅靠指令）相比，few-shot 通过示例提供更明确的指导；与 full-shot（大量样本训练）相比，它只需要少数几个精心设计的示例即可生效。

核心原理

Few-Shot 的本质是让模型通过观察输入-输出对，学习任务的底层模式。模型不只是简单地复制示例，而是理解示例背后的规律，并将其应用到新的输入上。

---

示例数量选择

选择原则

few-shot 中的 “few” 通常指 1-10 个示例。选择合适的数量需要考虑以下因素：

任务复杂度	推荐示例数	说明
简单任务	1-2 个	如翻译、分类
中等任务	3-5 个	如格式转换
复杂任务	5-10 个	如多规则推理

示例数量的权衡

示例过多的问题：

• 增加 token 消耗和成本
• 可能导致模型过度拟合示例风格
• 输入窗口可能被撑满

示例过少的问题：

• 模型可能无法准确理解任务
• 容易产生歧义理解
• 输出格式可能不稳定

实践建议

从 2-3 个示例开始，如果效果不佳再逐步增加。这是一个迭代优化的过程，需要根据实际效果调整。

---

示例选择技巧

1. 代表性原则

选择能够代表典型场景的示例，避免选择边缘案例。

❌ 不好的示例选择（全是例外情况）
✅ 好的示例选择（覆盖主要场景）

2. 多样性原则

示例应该覆盖不同类型的情况，特别是容易出错或容易混淆的场景。

任务：情感分类（正面/负面/中性）

示例1：太棒了，服务非常贴心 → 正面
示例2：东西还不错，但物流太慢 → 中性（混合）
示例3：完全失望，不会再来了 → 负面

3. 清晰性原则

示例的输入和输出应该清晰明了，避免引入额外的干扰信息。

4. 格式一致性

所有示例保持相同的输入输出格式，让模型容易识别模式。

---

模板格式

1. 标准格式

最常用的格式，包含输入和期望输出：

任务：将以下单词转为复数形式

示例：
apple → apples
box → boxes
city → ?

请完成转换。

2. 带标签格式

明确标注输入和输出部分：

输入：今天天气真好
输出：正面

输入：等了兩小時還沒上菜
输出：负面

輸入：明天有會議
输出：？

请判断情感倾向。

3. 对话格式

模拟真实对话场景：

用户：帮我推荐一款手机
助手（角色）：好的，请问您的预算是多少？主要用途是什么？

用户：预算3000元，主要拍照
助手（角色）：根据您的需求，推荐...

用户：预算5000元，主要玩游戏
助手（角色）：?

请模仿助手角色回答。

4. 链式格式

展示推理过程的示例：

输入：如果昨天是明天就好了，这样今天就是周五了。实际上今天周几？

推理过程：
1. "今天"是周五倒退：周五-1=周四（昨天）
2. "昨天"实际是周四
3. "明天"是周四+1=周五
4. 结论：今天是周四

答：周四

输入：假如后天是星期三，那么明天是星期几？

推理过程：
1. 后天是周三
2. 后天 = 明天 + 1
3. 所以明天 = 后天 - 1 = 周三 - 1 = 周二

答：？

5. 结构化格式

适合需要结构化输出的任务：

将以下信息提取为 JSON 格式。

示例输入：张三，男，1985年3月15日出生，工程师
示例输出：{"name": "张三", "gender": "男", "birthdate": "1985-03-15", "title": "工程师"}

示例输入：李四，1990年5月20日，產品經理
示例输出：?

请提取以下信息：
王五，软件开发工程师，1992年8月1日生

---

Few-Shot 的最佳实践

与其他技巧结合

Few-Shot + 角色扮演

你是一位专业的法律顾问。

示例1：
用户：租房合同纠纷
你：作为律师，我会从合同条款、举证责任、诉讼时效等方面分析...

示例2：
用户：劳动合同违约
你：需要先确定违约类型，然后...

用户：欠款不还怎么办？
你：

Few-Shot + CoT

在示例中展示推理过程，详见思维链提示章节。

Few-Shot + 结构化输出

明确示例的输出格式，减少格式错误。

避免的常见错误

1. 示例与实际任务不匹配：示例应该直接相关
2. 示例过多导致混淆：2-5 个通常足够
3. 忽略示例顺序：有时调换示例顺序会有不同效果
4. 不做迭代优化：根据输出效果调整示例

---

Few-Shot 适用场景

非常适合

• 格式转换任务
• 风格迁移任务
• 分类和标签任务
• 内容生成的结构约束

效果有限

• 开放式创意写作
• 需要领域知识的专业任务
• 模型本身不擅长的任务

---

总结

Few-Shot 是一种强大且实用的提示技巧，核心在于用少量精选示例传达任务模式。关键要点：

1. 选择 2-5 个代表性示例
2. 保持示例多样性和一致性
3. 根据任务复杂度调整示例数量
4. 结合其他技巧使用效果更好
5. 通过迭代优化找到最佳配置

掌握 Few-Shot 技巧，能够显著提升 AI 输出的稳定性和准确性，是提示工程中的必备技能。