少样本提示（Few-shot Prompting）

一句话理解

给 AI 看两三个例子再让它干活——“照这个样子来”，比空口描述要求管用得多。

定义

少样本提示（Few-shot Prompting）是在提示词里附上少量输入-输出示例，让模型模仿示例的格式与风格的技巧。按例子数量有个口诀：零个例子叫零样本（Zero-shot），一个叫单样本（One-shot），两三个以上叫少样本（Few-shot）。

你会在哪遇到它

要求 AI 输出固定格式（表格、代码、固定栏目）时，贴一个示例成功率高得多；让 AI 模仿某种文风时，给两段范文比形容一万句都准；做批量处理（比如把一百条评论按情绪分类）时，先给三五个标注好的例子再开始。

背后的原理

大模型天生是“模式模仿者”：示例让它确切知道你要的输入长什么样、输出长什么样，比形容词式的描述（“请规范一点”“请专业一些”）精确得多。示例只是放进上下文窗口里的普通文本，不需要重新训练模型，随写随用，随对话结束而失效。

和相近概念的区别

1 与零样本：零样本靠指令描述，常见任务够用；格式复杂、风格特殊时，少样本立竿见影。 2 与微调：微调用大量数据永久改变模型，要花钱花时间；少样本是临场模仿，零成本、即开即用。 3 与思维链：可以叠加——示例里直接带推理过程，模型照着学。

常见误区

1 例子越多越好——太多会挤占上下文还让模型变得死板，两三个通常够。 2 例子随手写写就行——示例里有什么毛病模型就学什么毛病，例子必须是你理想输出的样子。 3 只给输入不给输出——那不叫示例，模型还是不知道要交什么作业。