Zero-shot 与 Few-shot 学习

Zero-shot 和 Few-shot 是提示工程中最基础也最实用的技术。理解它们的原理和适用场景，是掌握所有高级提示技术的前提。

核心概念

Zero-shot（零样本学习）

Zero-shot 是最简单的提示方式——直接给模型指令，不提供任何示例。依赖模型在预训练阶段获得的通用能力。

# Zero-shot 示例
prompt = """
将以下句子的情感分类为"正面"、"负面"或"中性"。
句子：这家餐厅的服务太棒了，菜品也非常美味！
情感：
"""
# 模型输出: 正面

适用场景： - 任务简单且常见（翻译、摘要、分类） - 模型能力足够强（GPT-4o、Claude 3.5 等顶级模型） - 输出格式不需要严格控制

局限性： - 对于复杂任务或特定领域，准确率可能不够高 - 输出格式不稳定

Few-shot（少样本学习）

Few-shot 在提示词中提供若干个"输入→输出"的示例，让模型从示例中学习任务模式。

# Few-shot 示例：情感分类
prompt = """
将句子的情感分类为"正面"、"负面"或"中性"。
句子：快递很快，包装也完好无损。
情感：正面
句子：质量一般，和图片差距很大。
情感：负面
句子：已收到货，大小刚好合适。
情感：中性
句子：等了一个月才收到，客服态度还很差。
情感：
"""
# 模型输出: 负面

示例数量指南：

Few-shot 的最佳实践

1. 示例要有代表性

示例应覆盖目标任务中的主要类别和边界情况。

# ❌ 差的示例选择：全是正面
bad_examples = """
句子：这件衣服太好看了！→ 正面
句子：性价比超高，推荐！→ 正面
句子：物流很快，包装完好。→ 正面
句子：颜色和图片不一样。→ ?
"""
# ✅ 好的示例选择：覆盖各类别
good_examples = """
句子：这件衣服太好看了！→ 正面
句子：颜色和图片差太远了。→ 负面
句子：已收到，还没穿过。→ 中性
句子：颜色和图片不一样。→ ?
"""

2. 示例格式要一致

所有示例必须使用完全相同的格式，模型会严格复制这个模式。

# ❌ 格式不一致
bad_format = """
输入：苹果 → 类别：水果
这是蔬菜：胡萝卜
三文鱼 - 海鲜类
柠檬是什么？
"""
# ✅ 格式严格一致
good_format = """
输入：苹果
类别：水果
输入：胡萝卜
类别：蔬菜
输入：三文鱼
类别：海鲜
输入：柠檬
类别：
"""

3. 示例要涵盖边界情况

# 情感分析中的边界示例
edge_cases = """
将用户评论的情感分类为"正面"、"负面"或"中性"。
评论：太好用了！五星好评！
情感：正面
评论：垃圾产品，退货退款！
情感：负面
评论：一般般吧，没什么特别感觉。
情感：中性
评论：功能很好但是价格太贵了。
情感：负面
评论：还行，比上一代好一些。
情感：正面
评论：收到了，还没用，先好评。
情感：中性
评论：我的电池续航有问题，但客服处理得很好。
情感：
"""

4. 示例的顺序也很重要

研究表明，Few-shot 示例的排列顺序会影响模型的表现（Lu et al., 2022）：

💡 实用建议：将与实际输入最相关的示例放在提示词的末尾（紧挨着实际输入），因为模型对结尾位置的信息关注度更高。

动态 Few-shot：进阶技巧

在生产环境中，我们通常不会硬编码示例，而是根据每次输入动态选择最相关的示例。

from openai import OpenAI
import numpy as np
client = OpenAI()
# 示例库
example_pool = [
{"input": "iPhone 15 Pro太棒了，拍照画质惊人", "output": "正面", "category": "电子产品"},
{"input": "这双鞋穿两天就开胶了", "output": "负面", "category": "鞋类"},
{"input": "洗衣液味道还行，清洁力一般", "output": "中性", "category": "日用品"},
{"input": "MacBook Air续航太强了，一天不用充电", "output": "正面", "category": "电子产品"},
{"input": "T恤掉色严重，洗一次就不能穿了", "output": "负面", "category": "服装"},
{"input": "沙发软硬适中，但颜色比图片深", "output": "中性", "category": "家具"},
]
def get_embedding(text: str) -> list[float]:
"""获取文本的向量表示"""
response = client.embeddings.create(
model="text-embedding-3-small",
input=text
)
return response.data[0].embedding
def select_dynamic_examples(
user_input: str,
example_pool: list[dict],
k: int = 3
) -> list[dict]:
"""
根据用户输入，从示例池中选择最相关的k个示例。
Args:
user_input: 用户输入文本
example_pool: 示例池
k: 选择的示例数量
Returns:
最相关的k个示例
"""
input_embedding = get_embedding(user_input)
scored_examples = []
for example in example_pool:
example_embedding = get_embedding(example["input"])
# 计算余弦相似度
similarity = np.dot(input_embedding, example_embedding) / (
np.linalg.norm(input_embedding) * np.linalg.norm(example_embedding)
)
scored_examples.append((similarity, example))
# 按相似度降序排序，取前k个
scored_examples.sort(key=lambda x: x[0], reverse=True)
return [ex for _, ex in scored_examples[:k]]
def build_few_shot_prompt(user_input: str) -> str:
"""构建动态 Few-shot 提示词"""
selected = select_dynamic_examples(user_input, example_pool, k=3)
prompt = "将用户评论的情感分类为"正面"、"负面"或"中性"。\n\n"
for ex in selected:
prompt += f"评论：{ex['input']}\n情感：{ex['output']}\n\n"
prompt += f"评论：{user_input}\n情感："
return prompt
# 使用
user_review = "这个耳机音质不错，但佩戴久了耳朵疼"
prompt = build_few_shot_prompt(user_review)
response = client.chat.completions.create(
model="gpt-4o-mini",
temperature=0,
messages=[{"role": "user", "content": prompt}]
)
print(response.choices[0].message.content)

Zero-shot vs Few-shot：如何选择？

决策矩阵：

动手练习

练习1：设计 Few-shot 提示词

设计一个 Few-shot 提示词，将客服对话分类为以下类别： - 产品咨询 - 技术支持 - 投诉反馈 - 退换货 - 其他

要求：提供至少3个高质量示例，覆盖主要类别和一个边界情况。

练习2：对比实验

分别使用 Zero-shot 和 Few-shot（3个示例）来完成同一个文本摘要任务，比较： - 输出格式的一致性 - 内容的准确性 - 摘要的长度控制

本章要点

• ✅ Zero-shot 依赖模型的通用能力，适合简单任务，成本最低
• ✅ Few-shot 通过示例教模型任务模式，适合需要特定格式或领域知识的任务
• ✅ 3-5个示例通常是最佳性价比的选择
• ✅ 示例的代表性、格式一致性和排列顺序都会影响效果
• ✅ 动态 Few-shot 是生产环境中的高级技巧，根据输入动态选择示例
• ✅ 选择策略取决于任务复杂度、格式要求和是否有高质量示例

下一步：思维链 (Chain-of-Thought) 🚀