大家好，我是大都督周瑜，欢迎大家关注我的公众号：IT周瑜。
最近，有学员在公司要做一个用户反馈的智能分类功能，需要打上"积极"、"消极"、"中性"这样的标签，他的第一反应是要微调模型了，来问我如何微调模型，我说，并不一定要微调模型，可以先了解一下什么是：Zero-Shot Learning、One-Shot Learning、Few-Shot Learning。
假设我们现在有一个需要分类的用户反馈："这新功能真是太棒了，体验感一流！"
第一种方式：Zero-Shot (零样本学习)
我们直接向模型下达指令，不给它任何参考范例。
请将下面的用户反馈分为"积极"、"消极"或"中性"：
反馈："这新功能真是太棒了，体验感一流！"
分类结果：第二种方式：One-Shot (一样本学习)
我们在提出要求时，给模型一个例子，让它照着学。
diff
请将下面的用户反馈分为"积极"、"消极"或"中性"。
- 反馈："上次更新后总是卡顿。"
- 分类结果："消极"
现在，请分类这个反馈：
反馈："这新功能真是太棒了，体验感一流！"
分类结果：第三种方式：Few-Shot (少样本学习)
别怕麻烦，多给模型几个例子，让它更好地领悟你的意图。
diff
请将下面的用户反馈分为"积极"、"消极"或"中性"。
- 反馈："上次更新后总是卡顿。"
- 分类结果："消极"
- 反馈："界面不好看，但功能还行。"
- 分类结果："中性"
- 反馈："完美的软件，找不到任何缺点。"
- 分类结果："积极"
现在，请分类这个反馈：
反馈："这新功能真是太棒了，体验感一流！"
分类结果：我们没有写一行 if/else，没有进行任何的模型训练，仅仅是通过提示词，就可以引导模型完成任务。
那么，问题来了：为什么只是多给了几个例子，模型就知道该怎么做了？这背后到底发生了什么？
很多同学看到 "Learning" 这个词，可能会下意识地认为模型在学习我们提供的样本，实时地更新了它的内部参数，就像我们用新数据训练模型一样，这是一个常见的误区！
在 Zero/One/Few-Shot 场景下，大语言模型的权重是完全冻结的，没有任何参数被更新 。这个过程并非我们传统意义上的"学习"或"训练"，它更像是一种"上下文引导 "或"能力激活"。
我们可以把 DeepSeek 这样的大语言模型想象成一个刚刚进入你团队的、超级博学的实习生。他阅读了互联网上几乎所有的公开文本（万亿级别的单词），知识渊博得可怕。
- Zero-Shot ：你直接对他说："帮我做个用户反馈情感分析。" 因为他读过无数类似的文章和代码，他能"猜到"你大概是想让他输出"积极/消极"这样的标签。对于常见的、定义明确的任务，他能做得不错。
- One-Shot / Few-Shot：你把他叫到身边，跟他说："我们团队做事有自己的规矩。你看，像'卡顿'这种反馈，我们标记为'消极'；像'功能还行'这种，我们标记为'中性'。现在，你来处理一下这个'太棒了'的反馈。"
在这个过程中，实习生并没有重新学习编程语言，他的大脑结构和知识储备没有改变。但是，你给出的这几个例子为他提供了**解决当前特定任务的"临时参考"，**他通过这些例子，瞬间理解了：
- 任务目标：哦，原来是要做分类。
- 输出格式：原来要输出"XX：YY"这样的格式。
- 边界情况：原来"不好看但功能还行"这种模棱两可的算"中性"。
这些例子激活了他大脑中早已存在的、关于"分类"、"情感"的知识，并将其组合起来，以一种更精确、更符合我们期望的方式完成任务。
从更技术的角度来说，这得益于 LLM 的核心架构------Transformer。Transformer 的自注意力机制（Self-Attention）非常擅长在给定的上下文（也就是你的整个 Prompt）中寻找词与词之间的关联。
当我们提供 Few-Shot 样本时，模型在处理我们真正要问的那个问题（"这新功能真是太棒了"）时，会同时"注意"到我们前面给出的例子，它会分析例子中的输入与输出之间的模式，然后将这个识别出的模式应用到新问题上。
这就像我们在 Java 中调用某个第三方工具时，我们不会去修改它的源码（冻结的权重），我们只是通过传入不同的参数（Prompt）来调用它不同的能力，并组合这些能力来解决问题。
总结一下
- 简单通用任务 -> Zero-Shot
- 复杂/特定格式任务 -> Few-Shot
- 介于两者之间 -> One-Shot
以上就是本文的主要内容，希望能让你对大模型底层有更多了解，都看到这了，别忘了点赞、分享、关注哦，谢谢你的鼓励，是我持续创作的动力 ，我是大都督周瑜，欢迎大家关注我的公众号：IT周瑜，里面有更多Java+大模型的技术干货，期待你的关注。