第四章:大模型（LLM)】07.Prompt工程-(3)Few-shot Prompt

第四章：大模型（LLM）

第七部分：Prompt 工程

第三节：Few-shot Prompt

---

1. 什么是 Few-shot Prompt

Few-shot Prompt（少样本提示） 是指在 Prompt 中为模型提供 几个示例，让模型通过这些示例理解任务模式和输出格式，从而提高生成结果的准确性和一致性。

• Zero-shot：不给示例，仅靠指令。

• One-shot：只给 1 个示例。

• Few-shot：给出多个示例（通常 2～5 个）。

例如：

Prompt：

请将以下中文翻译成英文：  
示例：  
中文：你好 → 英文：Hello  
中文：早上好 → 英文：Good morning  
中文：谢谢 → 英文：Thank you  

现在请翻译：  
中文：我喜欢人工智能

模型输出：

英文：I like artificial intelligence

在这个例子中，模型通过前面提供的几个"中英文对应示例"理解了任务规则，从而生成格式正确的结果。

---

2. Few-shot Prompt 的原理

Few-shot Prompt 的核心思想是：

• 提供模式（Pattern）：示例告诉模型"任务怎么做"。

• 减少歧义（Ambiguity）：避免模型输出偏离目标。

• 提升一致性（Consistency）：输出格式和风格更稳定。

可以理解为：

Few-shot = 给模型几次"演示"，让它照葫芦画瓢。

---

3. Few-shot Prompt 的应用场景

1. 文本分类

   • Prompt：

     请将评论分类为"积极"或"消极"：  
     示例：  
     评论：这部电影非常精彩！ → 积极  
     评论：这家餐厅的服务太差了。 → 消极  
     
     评论：手机的电池续航还不错。 →

   • 模型输出：积极

2. 格式化信息抽取

   • Prompt：

     请从以下句子中抽取人名和地点，输出 JSON：  
     示例：  
     句子：李雷在北京工作。  
     输出：{"人名": "李雷", "地点": "北京"}  
     
     句子：小王正在上海学习。  
     输出：

   • 模型输出：{"人名": "小王", "地点": "上海"}

3. 文本风格模仿

   • Prompt：

     请模仿示例写句子：  
     示例：春风拂面，柳絮飞扬。  
     示例：夏雨骤来，荷花初开。  
     
     现在请写一句关于秋天的句子。

   • 模型输出：秋叶飘落，稻谷金黄。

---

4. Few-shot Prompt 的优势

1. 提高准确性：示例减少了模型的误解空间。

2. 增强可控性：可通过示例控制输出格式。

3. 更好迁移性：适用于复杂、专业任务（如医疗、法律等领域）。

4. 灵活定制：通过选择不同的示例，可以影响风格或格式。

---

5. Few-shot Prompt 的局限性

1. Token 消耗增加

   • 每个示例都会占用模型上下文窗口。

2. 示例依赖性强

   • 示例的质量决定输出效果。

   • 如果示例含糊或错误，模型会跟着出错。

3. 不适合超复杂任务

   • 当任务需要大量训练才能掌握时，Few-shot 可能不足以支撑。

---

6. 设计 Few-shot Prompt 的技巧

1. 挑选典型示例：示例应覆盖主要情况。

2. 保持格式一致：示例输出必须规范、统一。

3. 避免冗长：控制示例数量，通常 2～5 个最佳。

4. 逐渐扩展：先用 Zero-shot 验证，再加入 Few-shot 优化。

---

7. 案例演示

任务：句子情感分类

• Few-shot Prompt：

  请判断以下评论是积极还是消极：  
  示例：  
  评论：这家餐厅太棒了！ → 积极  
  评论：这部电影很糟糕。 → 消极  
  评论：手机的外观很好看。 → 积极  
  
  评论：客服态度非常差。 →

• 模型输出：

  消极

---

8. 小结

• Few-shot Prompt 通过示例帮助模型理解任务和格式。

• 相比 Zero-shot，它能显著提升准确性和一致性。

• 应用广泛：分类、抽取、翻译、风格模仿、代码生成。

• 关键技巧：示例典型、格式统一、数量适中。

在下一节中，我们将深入学习 Chain-of-Thought Prompt（思维链提示），它能帮助模型完成更复杂的推理和多步骤任务。