少样本提示Few-Shot Prompting是提示工程中最强大的技术之一。通过在提示词中提供输入-输出的示例对你可以在不更新模型权重的情况下“教”模型理解你的任务、格式和期望。如果说思维链是关于“如何推理”那么少样本提示就是关于“展示你想要什么”——用具体例子替代抽象描述。什么是少样本提示少样本提示是指在你的提示词中包含多个示例通常2-5个展示你期望的输入和输出模式。模型会根据这些示例推断出规律然后应用于新的输入。技术解释大语言模型在训练过程中接触了海量的文本模式。当你提供示例时你实际上是在激活模型中与这些模式相关的参数路径引导模型采用你展示的特定格式和推理方式。用比喻来理解少样本提示就像是给AI看几张“样题”和“标准答案”然后让它做一道新的类似题目。它不需要知道题目背后的“公式”只需要看到足够的例子就能学会答题格式和思路。零样本 vs 单样本 vs 少样本方法示例数量适用场景零样本Zero-Shot0个示例简单任务、通用问答单样本One-Shot1个示例简单格式化任务、风格迁移少样本Few-Shot2-5个示例复杂任务、特定格式、分类、推理【批注】示例数量的选择有一个“收益递减点”——通常3-5个示例就足够了。提供太多示例不仅会消耗更多token还可能让模型“过拟合”到示例的特殊模式上反而降低泛化能力。少样本提示的核心结构一个标准的少样本提示词由三个部分组成任务说明Task Description简要说明你要完成什么任务示例Examples2-5个输入-输出配对展示期望的模式新输入New Input需要模型处理的新数据基本模板模板将以下英文短语翻译成西班牙语。示例1输入Hello输出Hola示例2输入Good morning输出Buenos días示例3输入Thank you输出Gracias现在翻译输入How are you?中文模板将以下英文短语翻译成西班牙语。示例1输入Hello输出Hola示例2输入Good morning输出Buenos días示例3输入Thank you输出Gracias现在翻译输入How are you?【批注】这个简单示例展示了少样本提示的核心机制模型从“Hello→Hola”、“Good morning→Buenos días”等配对中学会了“翻译任务”的模式并将同样的规则应用到“How are you?”上。注意你不需要解释翻译规则——示例本身就是规则。少样本提示的四种主要用途1. 格式控制Format Control通过示例控制输出的精确格式——列表、JSON、表格、特定结构等。示例从文本中提取关键信息按以下格式输出。示例1文本Apple Inc. was founded by Steve Jobs in 1976.输出text公司Apple Inc. 创始人Steve Jobs 年份1976示例2文本Microsoft was founded by Bill Gates and Paul Allen in 1975.输出text公司Microsoft 创始人Bill Gates, Paul Allen 年份1975现在处理文本Google was founded by Larry Page and Sergey Brin in 1998.2. 分类任务Classification通过示例教会模型如何对文本进行分类。示例将客户反馈分类为正面、负面或中性。示例1反馈这个产品彻底改变了我的工作流程 → 正面示例2反馈质量一般没什么特别的。 → 中性示例3反馈客服态度很差再也不会买了。 → 负面现在分类反馈虽然价格有点贵但质量确实没话说。3. 风格迁移Style Transfer通过示例教会模型采用特定的写作风格或语气。示例将以专业风格写成的文本改写为适合儿童阅读的风格。示例1原文The quantum mechanical model describes electrons as probabilistic clouds.改写In the tiny world of atoms, electrons zoom around like clouds—you never know exactly where they are!示例2原文Photosynthesis is the process by which plants convert light energy into chemical energy.改写Plants are like little chefs—they use sunlight to cook up their own food!现在改写原文The gravitational force between two objects is proportional to their masses and inversely proportional to the square of the distance between them.4. 推理任务Reasoning Tasks结合思维链和少样本教会模型如何逐步推理。示例解决数学问题逐步展示推理过程。示例1问题一箱苹果有24个。小明吃了5个小红吃了3个还剩下多少个推理1. 初始有24个苹果2. 小明吃了5个24 - 5 193. 小红吃了3个19 - 3 16答案16个苹果示例2问题一条绳子长50米。剪掉12米然后又剪掉15米还剩下多少米推理1. 初始有50米2. 剪掉12米50 - 12 383. 剪掉15米38 - 15 23答案23米现在解决问题一盒巧克力有36块。上午吃了8块下午吃了9块还剩下多少块【批注】在这个例子中你其实是在叠加两种技术少样本 思维链。示例同时教会了模型“推理的格式”逐步展示和“推理的方式”数学运算。这是进阶用户常用的组合技。如何选择合适的示例示例的质量直接决定了少样本提示的效果。以下是选择示例的五个关键原则原则一代表性Representativeness示例应覆盖任务中可能出现的各种情况。情况推荐做法分类任务每个类别至少包含1个示例格式化任务展示所有可能的字段和变体翻译任务展示不同的句型结构示例如果分类任务有“正面/负面/中性”三类示例中应包含三类各一个而不是全给正面示例。原则二多样性Diversity示例应在输入特征上多样化——长度、结构、主题等。✅好的做法示例1短句子示例2长句子示例3含专业术语的句子❌不好的做法全部是类似长度的简单句子原则三清晰性Clarity每个示例的“输入→输出”映射关系应一目了然。✅好的示例text输入I am happy. → 输出我很开心。❌不好的示例text输入I am happy. → 输出开心。没有明确展示完整的映射规则原则四边界示例Edge Cases如果可能包含一些边界情况或困难案例。示例空输入的处理特殊字符的处理长文本的处理模糊表达的处理原则五示例数量Quantity任务复杂度推荐示例数简单任务格式转换1-2个中等任务分类、抽取3-4个复杂任务推理、生成4-5个极复杂任务5-8个但注意token限制【批注】有一个有趣的实验发现在某些任务上示例的顺序也会影响效果。把困难的示例放在前面、简单的放在后面效果会更好——模型在“学习”阶段的早期看到更难的模式能更准确地抓住核心规律。但在实践中这种效应通常较小不必过度优化。少样本提示的高级技巧1. 示例引导Example-Guided Prompting在示例之前加入一段简短的“规则说明”帮助模型更快理解示例背后的逻辑。模板任务将技术术语解释给非技术人员听。规则使用日常生活中的类比避免专业术语保持简洁。示例1...示例2...现在处理...2. 示例增强Example Enrichment在示例中加入额外信息如解释、标签、标注帮助模型理解示例的“为什么”。示例输入这个产品质量很好但价格偏高。分类混合正面关于质量负面关于价格关键短语[质量很好, 价格偏高]3. 动态示例选择Dynamic Example Selection对于大型任务可以针对每个新输入动态选择最相关的示例而不是使用固定示例集。思路先用一个简单的算法如关键词匹配、向量相似度找出与当前输入最相似的示例然后将这些示例放入提示词中。【批注】动态示例选择是“高级玩家”的玩法。对于生产级应用固定示例可能无法覆盖所有情况而动态选择能显著提高提示词对多样化输入的适应性。这通常需要配合向量数据库和相似度搜索来使用。4. 示例与思维链结合如前所述将少样本与思维链结合可以在教会模型“格式”的同时教会它“如何思考”。常见场景的少样本模板场景一情感分类模板将以下客户评论分类为正面、负面或中性。示例1评论送货快质量好非常满意 → 正面示例2评论东西还行吧没有想象中好。 → 中性示例3评论退货流程太麻烦了再也不买了。 → 负面现在分类评论虽然包装有点破损但产品本身是完好的。场景二信息抽取模板从以下新闻标题中提取公司名、事件、影响。示例1标题微软宣布收购动视暴雪将重塑游戏行业格局提取text公司微软、动视暴雪 事件收购 影响重塑游戏行业格局示例2标题特斯拉因电池隐患召回超过10万辆电动车提取text公司特斯拉 事件召回车辆 影响电池隐患影响超过10万辆现在提取标题谷歌推出新一代AI模型Gemini 2.0性能超越人类专家场景三文本改写模板将正式文档改写为口语化表达。示例1原文鉴于天气状况的持续恶化我们决定推迟本次户外活动。改写因为天气越来越糟了我们决定把户外活动往后推一推。示例2原文为确保您的账户安全建议您定期修改密码。改写为了让你的账户更安全记得经常换密码哦。现在改写原文由于技术原因该服务将在今日凌晨进行为期两小时的系统维护。场景四代码生成模板根据功能描述生成Python函数。示例1描述求一个列表中所有数字的平均值代码pythondef average(numbers): return sum(numbers) / len(numbers) if numbers else 0示例2描述检查一个字符串是否是回文代码pythondef is_palindrome(s): return s s[::-1]现在生成描述找出一个列表中出现次数最多的元素场景五数据分析模板分析以下销售数据指出趋势和异常。示例1数据[100, 110, 115, 120, 118, 125, 130]分析从第1天到第7天整体呈上升趋势仅第5天出现小幅回落但次日即恢复增长。示例2数据[50, 55, 60, 45, 80, 75, 70]分析前3天稳步增长第4天出现显著下跌-25%第5天大幅反弹77.8%后两天略有回落。现在分析数据[200, 210, 195, 220, 215, 205, 240]应避免的反模式1. 示例不一致Inconsistent Examples❌问题text示例1输入Hello → 输出你好 示例2输入World → 输出世界 示例3输入Apple → 输出苹果价格第三个示例没有遵循“翻译”的模式导致模型困惑。✅解决方案确保所有示例遵循同一格式和逻辑。2. 示例过少或过多❌过少1个示例模型可能学不到足够的泛化模式❌过多20个示例浪费token可能过拟合增加成本✅推荐2-5个示例足以展示模式又不至于过载。3. 示例缺乏覆盖❌问题分类任务中3个示例全是“正面”评价模型不知道“负面”长什么样。✅解决方案确保示例覆盖所有类别。4. 示例与任务描述矛盾❌问题text任务描述“将所有名称翻译成中文” 示例1输入John → 输出John示例没有执行翻译与任务描述矛盾。✅解决方案示例应完全符合任务描述。少样本 vs 微调Fine-tuning对比维度少样本提示微调所需数据3-5个示例数百到数千个示例成本低仅推理成本高训练成本推理成本灵活性高可随时修改示例低需重新训练效果较好通用任务更优特定领域任务适用场景快速原型、频繁变更的任务稳定的生产任务、特定领域【批注】少样本提示和微调不是非此即彼的关系而是可以结合的——先用少样本提示快速验证可行性如果效果不错但需要更高准确率再考虑收集更多数据进行微调。总结核心要点少样本提示 用示例“教”模型理解任务和格式2-5个高质量示例是黄金区间示例要具有代表性、多样性和清晰性少样本 角色 思维链 强大的组合技示例一致性至关重要——所有示例应遵循同一规则覆盖所有可能的类别和边缘情况少样本提示是微调的高性价比替代方案小测验问题少样本提示中最重要的是什么A. 示例的数量越多越好B. 示例的质量和代表性C. 示例必须全部来自真实数据D. 示例应避免包含推理过程解析示例的质量代表性、多样性、清晰性远比数量更重要。3个精心挑选的示例通常比10个随意选择的示例效果更好。核心原则检查清单更新任务描述清晰明确说明要完成什么示例数量在2-5个之间示例覆盖了所有可能的类别或情况示例之间遵循一致的格式和逻辑新输入与示例的类型相似无需超出示例范围的输入如果任务复杂将少样本与思维链结合【总批注】本章定位少样本提示是提示工程中最核心的“教与学”技术。如果说角色提示是“告诉AI你是谁”结构化输出是“告诉AI我要什么格式”思维链是“告诉AI怎么想”那少样本提示就是“给AI看标准答案”——这是最直接、最有效的教学方式。为什么少样本提示如此强大大语言模型的训练过程已经学到了海量的语言模式。当你提供示例时你不需要“教会”模型新的知识它可能已经知道了你只需要“触发”模型中正确的模式。示例就像是索引——帮助模型在它庞大的知识库中快速定位到正确的区域。示例选择的“黄金法则”代表性示例应覆盖所有可能的输入类型多样性示例之间不应过于相似清晰性输入→输出的映射关系一目了然边界性适当包含边缘情况数量2-5个足够三种核心用途的优先级格式控制少样本提示效果最好几乎100%有效分类任务效果很好需要覆盖所有类别推理任务需要与思维链结合使用单独使用时效果有限与其他技术的组合建议少样本 角色先设角色再给示例 → 精准控制语气和内容少样本 思维链示例中展示推理过程 → 教会模型“如何思考”少样本 结构化输出示例中展示JSON/表格 → 确保输出格式一致学习建议读完本章后找一个你日常需要重复执行的任务如“从邮件中提取关键信息”分别尝试方法一只写任务描述零样本方法二写任务描述 1个示例单样本方法三写任务描述 3个示例少样本对比三种方法的输出质量和一致性你会发现从0到1的提升是最大的零样本到单样本而从3到5的提升相对较小。这就是“黄金区间”的由来。
prompts.chat:07-few-shot-prompting
少样本提示Few-Shot Prompting是提示工程中最强大的技术之一。通过在提示词中提供输入-输出的示例对你可以在不更新模型权重的情况下“教”模型理解你的任务、格式和期望。如果说思维链是关于“如何推理”那么少样本提示就是关于“展示你想要什么”——用具体例子替代抽象描述。什么是少样本提示少样本提示是指在你的提示词中包含多个示例通常2-5个展示你期望的输入和输出模式。模型会根据这些示例推断出规律然后应用于新的输入。技术解释大语言模型在训练过程中接触了海量的文本模式。当你提供示例时你实际上是在激活模型中与这些模式相关的参数路径引导模型采用你展示的特定格式和推理方式。用比喻来理解少样本提示就像是给AI看几张“样题”和“标准答案”然后让它做一道新的类似题目。它不需要知道题目背后的“公式”只需要看到足够的例子就能学会答题格式和思路。零样本 vs 单样本 vs 少样本方法示例数量适用场景零样本Zero-Shot0个示例简单任务、通用问答单样本One-Shot1个示例简单格式化任务、风格迁移少样本Few-Shot2-5个示例复杂任务、特定格式、分类、推理【批注】示例数量的选择有一个“收益递减点”——通常3-5个示例就足够了。提供太多示例不仅会消耗更多token还可能让模型“过拟合”到示例的特殊模式上反而降低泛化能力。少样本提示的核心结构一个标准的少样本提示词由三个部分组成任务说明Task Description简要说明你要完成什么任务示例Examples2-5个输入-输出配对展示期望的模式新输入New Input需要模型处理的新数据基本模板模板将以下英文短语翻译成西班牙语。示例1输入Hello输出Hola示例2输入Good morning输出Buenos días示例3输入Thank you输出Gracias现在翻译输入How are you?中文模板将以下英文短语翻译成西班牙语。示例1输入Hello输出Hola示例2输入Good morning输出Buenos días示例3输入Thank you输出Gracias现在翻译输入How are you?【批注】这个简单示例展示了少样本提示的核心机制模型从“Hello→Hola”、“Good morning→Buenos días”等配对中学会了“翻译任务”的模式并将同样的规则应用到“How are you?”上。注意你不需要解释翻译规则——示例本身就是规则。少样本提示的四种主要用途1. 格式控制Format Control通过示例控制输出的精确格式——列表、JSON、表格、特定结构等。示例从文本中提取关键信息按以下格式输出。示例1文本Apple Inc. was founded by Steve Jobs in 1976.输出text公司Apple Inc. 创始人Steve Jobs 年份1976示例2文本Microsoft was founded by Bill Gates and Paul Allen in 1975.输出text公司Microsoft 创始人Bill Gates, Paul Allen 年份1975现在处理文本Google was founded by Larry Page and Sergey Brin in 1998.2. 分类任务Classification通过示例教会模型如何对文本进行分类。示例将客户反馈分类为正面、负面或中性。示例1反馈这个产品彻底改变了我的工作流程 → 正面示例2反馈质量一般没什么特别的。 → 中性示例3反馈客服态度很差再也不会买了。 → 负面现在分类反馈虽然价格有点贵但质量确实没话说。3. 风格迁移Style Transfer通过示例教会模型采用特定的写作风格或语气。示例将以专业风格写成的文本改写为适合儿童阅读的风格。示例1原文The quantum mechanical model describes electrons as probabilistic clouds.改写In the tiny world of atoms, electrons zoom around like clouds—you never know exactly where they are!示例2原文Photosynthesis is the process by which plants convert light energy into chemical energy.改写Plants are like little chefs—they use sunlight to cook up their own food!现在改写原文The gravitational force between two objects is proportional to their masses and inversely proportional to the square of the distance between them.4. 推理任务Reasoning Tasks结合思维链和少样本教会模型如何逐步推理。示例解决数学问题逐步展示推理过程。示例1问题一箱苹果有24个。小明吃了5个小红吃了3个还剩下多少个推理1. 初始有24个苹果2. 小明吃了5个24 - 5 193. 小红吃了3个19 - 3 16答案16个苹果示例2问题一条绳子长50米。剪掉12米然后又剪掉15米还剩下多少米推理1. 初始有50米2. 剪掉12米50 - 12 383. 剪掉15米38 - 15 23答案23米现在解决问题一盒巧克力有36块。上午吃了8块下午吃了9块还剩下多少块【批注】在这个例子中你其实是在叠加两种技术少样本 思维链。示例同时教会了模型“推理的格式”逐步展示和“推理的方式”数学运算。这是进阶用户常用的组合技。如何选择合适的示例示例的质量直接决定了少样本提示的效果。以下是选择示例的五个关键原则原则一代表性Representativeness示例应覆盖任务中可能出现的各种情况。情况推荐做法分类任务每个类别至少包含1个示例格式化任务展示所有可能的字段和变体翻译任务展示不同的句型结构示例如果分类任务有“正面/负面/中性”三类示例中应包含三类各一个而不是全给正面示例。原则二多样性Diversity示例应在输入特征上多样化——长度、结构、主题等。✅好的做法示例1短句子示例2长句子示例3含专业术语的句子❌不好的做法全部是类似长度的简单句子原则三清晰性Clarity每个示例的“输入→输出”映射关系应一目了然。✅好的示例text输入I am happy. → 输出我很开心。❌不好的示例text输入I am happy. → 输出开心。没有明确展示完整的映射规则原则四边界示例Edge Cases如果可能包含一些边界情况或困难案例。示例空输入的处理特殊字符的处理长文本的处理模糊表达的处理原则五示例数量Quantity任务复杂度推荐示例数简单任务格式转换1-2个中等任务分类、抽取3-4个复杂任务推理、生成4-5个极复杂任务5-8个但注意token限制【批注】有一个有趣的实验发现在某些任务上示例的顺序也会影响效果。把困难的示例放在前面、简单的放在后面效果会更好——模型在“学习”阶段的早期看到更难的模式能更准确地抓住核心规律。但在实践中这种效应通常较小不必过度优化。少样本提示的高级技巧1. 示例引导Example-Guided Prompting在示例之前加入一段简短的“规则说明”帮助模型更快理解示例背后的逻辑。模板任务将技术术语解释给非技术人员听。规则使用日常生活中的类比避免专业术语保持简洁。示例1...示例2...现在处理...2. 示例增强Example Enrichment在示例中加入额外信息如解释、标签、标注帮助模型理解示例的“为什么”。示例输入这个产品质量很好但价格偏高。分类混合正面关于质量负面关于价格关键短语[质量很好, 价格偏高]3. 动态示例选择Dynamic Example Selection对于大型任务可以针对每个新输入动态选择最相关的示例而不是使用固定示例集。思路先用一个简单的算法如关键词匹配、向量相似度找出与当前输入最相似的示例然后将这些示例放入提示词中。【批注】动态示例选择是“高级玩家”的玩法。对于生产级应用固定示例可能无法覆盖所有情况而动态选择能显著提高提示词对多样化输入的适应性。这通常需要配合向量数据库和相似度搜索来使用。4. 示例与思维链结合如前所述将少样本与思维链结合可以在教会模型“格式”的同时教会它“如何思考”。常见场景的少样本模板场景一情感分类模板将以下客户评论分类为正面、负面或中性。示例1评论送货快质量好非常满意 → 正面示例2评论东西还行吧没有想象中好。 → 中性示例3评论退货流程太麻烦了再也不买了。 → 负面现在分类评论虽然包装有点破损但产品本身是完好的。场景二信息抽取模板从以下新闻标题中提取公司名、事件、影响。示例1标题微软宣布收购动视暴雪将重塑游戏行业格局提取text公司微软、动视暴雪 事件收购 影响重塑游戏行业格局示例2标题特斯拉因电池隐患召回超过10万辆电动车提取text公司特斯拉 事件召回车辆 影响电池隐患影响超过10万辆现在提取标题谷歌推出新一代AI模型Gemini 2.0性能超越人类专家场景三文本改写模板将正式文档改写为口语化表达。示例1原文鉴于天气状况的持续恶化我们决定推迟本次户外活动。改写因为天气越来越糟了我们决定把户外活动往后推一推。示例2原文为确保您的账户安全建议您定期修改密码。改写为了让你的账户更安全记得经常换密码哦。现在改写原文由于技术原因该服务将在今日凌晨进行为期两小时的系统维护。场景四代码生成模板根据功能描述生成Python函数。示例1描述求一个列表中所有数字的平均值代码pythondef average(numbers): return sum(numbers) / len(numbers) if numbers else 0示例2描述检查一个字符串是否是回文代码pythondef is_palindrome(s): return s s[::-1]现在生成描述找出一个列表中出现次数最多的元素场景五数据分析模板分析以下销售数据指出趋势和异常。示例1数据[100, 110, 115, 120, 118, 125, 130]分析从第1天到第7天整体呈上升趋势仅第5天出现小幅回落但次日即恢复增长。示例2数据[50, 55, 60, 45, 80, 75, 70]分析前3天稳步增长第4天出现显著下跌-25%第5天大幅反弹77.8%后两天略有回落。现在分析数据[200, 210, 195, 220, 215, 205, 240]应避免的反模式1. 示例不一致Inconsistent Examples❌问题text示例1输入Hello → 输出你好 示例2输入World → 输出世界 示例3输入Apple → 输出苹果价格第三个示例没有遵循“翻译”的模式导致模型困惑。✅解决方案确保所有示例遵循同一格式和逻辑。2. 示例过少或过多❌过少1个示例模型可能学不到足够的泛化模式❌过多20个示例浪费token可能过拟合增加成本✅推荐2-5个示例足以展示模式又不至于过载。3. 示例缺乏覆盖❌问题分类任务中3个示例全是“正面”评价模型不知道“负面”长什么样。✅解决方案确保示例覆盖所有类别。4. 示例与任务描述矛盾❌问题text任务描述“将所有名称翻译成中文” 示例1输入John → 输出John示例没有执行翻译与任务描述矛盾。✅解决方案示例应完全符合任务描述。少样本 vs 微调Fine-tuning对比维度少样本提示微调所需数据3-5个示例数百到数千个示例成本低仅推理成本高训练成本推理成本灵活性高可随时修改示例低需重新训练效果较好通用任务更优特定领域任务适用场景快速原型、频繁变更的任务稳定的生产任务、特定领域【批注】少样本提示和微调不是非此即彼的关系而是可以结合的——先用少样本提示快速验证可行性如果效果不错但需要更高准确率再考虑收集更多数据进行微调。总结核心要点少样本提示 用示例“教”模型理解任务和格式2-5个高质量示例是黄金区间示例要具有代表性、多样性和清晰性少样本 角色 思维链 强大的组合技示例一致性至关重要——所有示例应遵循同一规则覆盖所有可能的类别和边缘情况少样本提示是微调的高性价比替代方案小测验问题少样本提示中最重要的是什么A. 示例的数量越多越好B. 示例的质量和代表性C. 示例必须全部来自真实数据D. 示例应避免包含推理过程解析示例的质量代表性、多样性、清晰性远比数量更重要。3个精心挑选的示例通常比10个随意选择的示例效果更好。核心原则检查清单更新任务描述清晰明确说明要完成什么示例数量在2-5个之间示例覆盖了所有可能的类别或情况示例之间遵循一致的格式和逻辑新输入与示例的类型相似无需超出示例范围的输入如果任务复杂将少样本与思维链结合【总批注】本章定位少样本提示是提示工程中最核心的“教与学”技术。如果说角色提示是“告诉AI你是谁”结构化输出是“告诉AI我要什么格式”思维链是“告诉AI怎么想”那少样本提示就是“给AI看标准答案”——这是最直接、最有效的教学方式。为什么少样本提示如此强大大语言模型的训练过程已经学到了海量的语言模式。当你提供示例时你不需要“教会”模型新的知识它可能已经知道了你只需要“触发”模型中正确的模式。示例就像是索引——帮助模型在它庞大的知识库中快速定位到正确的区域。示例选择的“黄金法则”代表性示例应覆盖所有可能的输入类型多样性示例之间不应过于相似清晰性输入→输出的映射关系一目了然边界性适当包含边缘情况数量2-5个足够三种核心用途的优先级格式控制少样本提示效果最好几乎100%有效分类任务效果很好需要覆盖所有类别推理任务需要与思维链结合使用单独使用时效果有限与其他技术的组合建议少样本 角色先设角色再给示例 → 精准控制语气和内容少样本 思维链示例中展示推理过程 → 教会模型“如何思考”少样本 结构化输出示例中展示JSON/表格 → 确保输出格式一致学习建议读完本章后找一个你日常需要重复执行的任务如“从邮件中提取关键信息”分别尝试方法一只写任务描述零样本方法二写任务描述 1个示例单样本方法三写任务描述 3个示例少样本对比三种方法的输出质量和一致性你会发现从0到1的提升是最大的零样本到单样本而从3到5的提升相对较小。这就是“黄金区间”的由来。
