Few-shot Prompting 是一种通过在 prompt 中提供少量示例，引导 AI 模型理解任务模式并生成符合预期输出的技术。
什么是 Few-shot
Few-shot 字面意思是"少量样本"。在 AI prompting 中，它指的是在请求前提供 **2-5 个输入-输出示例，**让模型从中学习规律。
与之相关的概念：
| 术语 | 示例数量 | 说明 |
|---|---|---|
| Zero-shot | 0 | 直接描述任务，不给示例 |
| One-shot | 1 | 提供 1 个示例 |
| Few-shot | 2-5 | 提供少量示例 |
为什么需要 Few-shot
Zero-shot 有时无法准确传达你想要的输出格式或风格。通过示例，模型能更好地理解：
- • **输出格式：**JSON、Markdown、特定结构
- • **语气风格：**正式、口语、技术文档
- • **处理逻辑：**分类规则、转换模式
实际示例
Zero-shot（无示例）
go
将以下句子分类为正面或负面情感：
"这个产品太难用了"模型可能返回各种格式：负面、这是负面情感、Negative 等。
Few-shot（有示例）
go
将句子分类为正面或负面情感。
示例：
输入：这家餐厅的服务太棒了
输出：正面
输入：等了一个小时还没上菜
输出：负面
输入：价格合理，味道一般
输出：中性
现在分类这个句子：
输入：这个产品太难用了
输出：模型会按照示例格式输出：负面
Few-shot 的应用场景
1. 格式化输出
go
将用户反馈转换为 JSON 格式。
示例：
反馈：用户张三说登录按钮点不动
JSON：{"user": "张三", "issue": "登录按钮无响应", "type": "bug"}
反馈：李四建议增加深色模式
JSON：{"user": "李四", "issue": "增加深色模式", "type": "feature"}
反馈：王五反映页面加载很慢
JSON：2. 代码风格统一
go
将 Python 代码转换为项目规范风格。
示例：
原始：def getUser(id): return db.query(id)
规范：
def get_user(user_id: int) -> User:
"""根据 ID 获取用户"""
return db.query(user_id)
原始：def calcTotal(items): return sum([i.price for i in items])
规范：3. 特定领域翻译
go
翻译技术文档，保留专业术语。
示例：
英文：The API returns a 429 status code when rate limited.
中文：当触发 rate limit 时，API 返回 429 状态码。
英文：Use dependency injection to decouple components.
中文：使用 dependency injection 解耦组件。
英文：The cache invalidation strategy affects throughput.
中文：Few-shot 最佳实践
选择示例的原则
- • **多样性：**覆盖不同类型的输入情况
- • **代表性：**选择典型场景，避免边缘案例
- • **一致性：**所有示例的格式必须统一
- • **简洁性：**示例尽量简短，突出关键模式
示例数量
一般 2-5 个示例效果最佳：
- • 太少：模型可能无法归纳规律
- • 太多：占用 context window，增加成本，可能引入噪音
示例顺序
将最相关或最复杂的示例放在最后，靠近实际输入。模型对最近的内容记忆更强。
Few-shot vs Fine-tuning
| 对比项 | Few-shot | Fine-tuning |
|---|---|---|
| 实现成本 | 低，只需修改 prompt | 高，需要训练数据和计算资源 |
| 灵活性 | 高，随时调整示例 | 低，需重新训练 |
| 适用场景 | 任务多变，数据量少 | 任务固定，数据量大 |
| 效果上限 | 受限于模型能力 | 可针对性优化 |
总结
Few-shot Prompting 是提升 AI 输出质量的实用技术。核心思路是用示例代替复杂的文字描述，让模型"看样学样"。在实际使用中，选择 2-5 个多样且一致的示例，通常能显著改善输出效果。