大模型应用开发

Prompt · Zero-shot vs Few-shot

Zero-shot（零样本）和 Few-shot（少样本）是 2026 年最常用的 prompt 模式 —— 哪个适用？给几条示例最好？这章讲清楚。

Zero-shot：不给示例，纯靠指令

将下面句子分类为「正面 / 负面 / 中性」：
      "这家店的服务一般，但菜还行"
      
      → 输出：中性

适合场景：

• 任务通用、模型本身已经会做（如翻译、分类、摘要）
• 评估模型在某任务上的「天生能力」
• 快速原型，不想准备示例

# Zero-shot 示例
      from anthropic import Anthropic
      client = Anthropic()
      
      resp = client.messages.create(
          model="claude-sonnet-4-5",
          max_tokens=50,
          messages=[{
              "role": "user",
              "content": "将下面句子分类为「正面/负面/中性」，只输出标签：\n\n这家店的服务一般，但菜还行"
          }]
      )
      print(resp.content[0].text)  # 中性

Few-shot：给 2–5 个示例

通过示例让模型模仿模式、风格、格式，效果远超纯文字描述。

将下面句子改写为更正式的版本：
      
      示例:
      "这玩意儿挺好用的" → "此工具具有较高的实用价值"
      "搞砸了" → "出现了重大失误"
      "牛批" → "表现卓越"
      
      待改写: "这代码烂得不行"
      →

输出：「此段代码质量较为低下」 ← 完美匹配示例的风格。

几个示例最优？

社区共识 + 我的工程经验：

选示例的 4 个原则

示例的质量比数量重要 10 倍。

1. 覆盖典型场景

# ❌ 全选一类的示例（模型会以为只有这种情况）
      "今天天气真好" → 正面
      "心情棒棒哒" → 正面
      "超级开心" → 正面
      
      # ✅ 覆盖各类
      "今天天气真好" → 正面
      "心情很糟" → 负面
      "还行吧" → 中性
      "虽然累但很充实" → 正面（含转折）

2. 覆盖 edge case

# 加 1–2 个棘手的示例
      "这服务态度真好（讽刺）" → 负面（隐含讽刺）
      "" → 中性（空字符串）
      "😊😊😊" → 正面（纯 emoji）

3. 示例风格与目标输出一致

如果你想要简短输出，示例就别写长。模型会模仿示例的长度。

4. 用最新数据

不要用模型训练时已知的数据当示例（容易过拟合）。用你产品里真实的数据。

Few-shot 的常见坑

坑 1：示例顺序影响输出

模型会更倾向最后 1–2 个示例的格式。把最重要的示例放最后。

坑 2：示例之间冲突

# ❌ 互相矛盾
      "今天累死了" → 负面
      "今天累并快乐着" → 正面（按情绪）
      "工作太累了" → 负面
      
      # 模型会困惑：「累」到底正还是负？

修复：给冲突示例加 reasoning：

"今天累死了" → 负面（强烈负面情绪）
      "今天累并快乐着" → 正面（有转折，整体正面）
      "工作太累了" → 负面（无正面成分）

坑 3：超长示例占满上下文

每个示例都很长（如全文翻译）→ 几条就把 context 占满。先精简示例再加进 prompt。

Anthropic / OpenAI 官方推荐

Claude 推荐的写法：

你是情感分析助手。请按示例格式分类。
      
      <examples>
      <example>
      输入: 今天天气真好
      输出: 正面
      </example>
      
      <example>
      输入: 心情很糟
      输出: 负面
      </example>
      </examples>
      
      输入: {user_input}
      输出:

<examples> 标签能帮 Claude 更好地区分「示例」和「真实任务」，提升效果约 10–15%。

何时考虑微调而非 Few-shot

如果你发现：

• 一个任务需要 >20 个示例才能稳定
• 示例每次都几乎一样
• 每次调用都要塞这些示例浪费 token

那是时候考虑微调（fine-tuning）或 prompt caching 了 —— 这是另外的话题，先去 Prompt 工程化 看缓存策略。

下一节：CoT 链式思维 —— 处理推理类任务的杀手锏。