Zero-shot / One-shot / Few-shot的区别
- Zero-shot：不给示例，直接让模型完成任务。简单任务够用，复杂任务效果不稳定
- One-shot：给一个示例。帮助模型理解期望的格式和风格
- Few-shot：给3-5个示例。效果最稳定，是工程中最常用的方式
Few-shot为什么有效？
模型训练时见过无数"示例→答案"的配对。当你在Prompt里提供示例时，相当于激活了模型的"上下文学习"能力——它会从你的示例中推断出任务的规律，然后按同样的模式完成新输入。
示例选择原则
- ✅ 多样性：覆盖不同类型的输入，避免模型过拟合某一种模式
- ✅ 包含边界case：比如空值、特殊字符、模糊情况
- ✅ 格式一致性：所有示例的输出格式必须完全一致
- ⚠️ 示例数量：通常3-5个最优，超过10个收益递减且浪费token
- ❌ 避免错误示例：质量比数量重要，一个错误示例会把模型带歪
示例1：情感分类任务
将用户评论分类为"正面"、"负面"或"中性"。
评论：这个产品真的很好用，五星好评！
分类：正面
评论：还行吧，没什么特别的
分类：中性
评论：快递太慢了，而且包装破损
分类：负面
评论：[待分类的评论]
分类：示例2：信息抽取任务
从文本中提取人名、公司、职位，输出JSON。
文本：王芳在阿里巴巴担任产品总监
输出：{"name":"王芳","company":"阿里巴巴","title":"产品总监"}
文本：张伟是腾讯的高级工程师，负责微信后台
输出：{"name":"张伟","company":"腾讯","title":"高级工程师"}
文本：[待提取的文本]
输出：示例3：格式转换任务
将非结构化的会议记录转换为结构化的待办事项列表。
输入：今天讨论了新功能上线的问题，小李负责前端，老王来做测试，下周五之前完成
输出：
- [ ] 小李：完成前端开发（截止：下周五）
- [ ] 老王：完成测试（截止：下周五）
输入：[待转换的会议记录]
输出：Few-shot的核心价值：不是教模型"知识"，而是教模型"格式"。如果你的输出格式有明确规范，用Few-shot是最稳定的方式。