Zero-Shot Prompting（零样本提示）和 Few-Shot Prompting（少样本提示）的核心区别，可以用一句话概括： 前者是"只下指令，不给例子"，后者是"先给示范，再下指令"。 这种表面上的差异，触发了大语言模型（LLM）不同的工作模式。以下是它们在多个维度的核心区别对比：
1. 核心机制的区别
- Zero-Shot 依赖"预训练知识"： 模型完全依靠它在预训练阶段积累的庞大知识库，以及对自然语言指令的理解能力来直接生成答案。它相当于"无师自通"的直觉反应。
- Few-Shot 触发"上下文学习"： 模型通过阅读你提供的几个"输入-输出"示例，在当前对话的上下文中快速捕捉规律、格式和逻辑，从而"依样画葫芦"。它相当于"举一反三"的模仿学习。
2. 提示词结构的区别
- Zero-Shot：
[任务指令] + [待处理的数据]- 示例： "请将以下句子翻译成英文：今天天气很好。"
- Few-Shot：
[任务指令] + [示例1输入->输出] + [示例2输入->输出] + [待处理的数据]- 示例： "请执行情感分类。\n句子：这电影太棒了 -> 积极\n句子：这简直是在浪费钱 -> 消极\n句子：今天中午吃的面条一般般 -> "
3. 输出稳定性的区别
- Zero-Shot 较不稳定： 面对模糊或有歧义的指令，模型容易"脑补"，输出的格式和风格可能每次都不一样。
- Few-Shot 非常稳定： 示例起到了"定调"和"框定边界"的作用。只要你给了 JSON 格式的示例，它大概率就会输出 JSON；你给了文言文风格的示例，它就会用文言文回复。
4. 构造成本的区别
- Zero-Shot 成本极低： 不需要费心去构造数据，想到什么指令直接问即可。
- Few-Shot 成本中等： 需要人工寻找、编写或筛选高质量、有代表性的示例。如果示例写得很差或有逻辑错误，模型会被直接带偏（Garbage in, garbage out）。
📊 直观对比总结表
| 维度 | Zero-Shot (零样本) | Few-Shot (少样本) |
|---|---|---|
| 是否提供示例 | ❌ 否 | ✅ 是 (通常1~5个) |
| 底层能力 | 指令遵循 | 上下文学习 |
| Token 消耗 | 少 | 多 (示例会占用大量 Token) |
| 输出可控性 | 较低 | 高 (格式、风格高度可控) |
| 适用场景 | 简单任务、通用知识、快速测试 | 复杂逻辑、特定格式输出、专业领域风格模仿 |
💡 实战指南：到底该用哪个？
可以按照以下决策树来选择：
- 先用 Zero-Shot 尝试： 遇到任何问题，先直接用大白话问。现代大模型（如 GPT-4, Claude 3）的 Zero-Shot 能力已经极其强大，80% 的日常简单任务都能直接搞定。
- 发现效果不好，升级为 Few-Shot： 如果模型给出的格式不对、理解偏题、或者风格不对，不要去长篇大论地修改指令文字，而是直接给例子 。
- 例如：你想要特定格式的提取结果，与其写一堆"请输出JSON，键名为XXX..."，不如直接贴一段你想要的 JSON 样例，效果立竿见影。
- 遇到更复杂的情况怎么办？ 如果任务太复杂，Few-Shot 的示例放不下（超过了上下文窗口限制），或者示例太多人工写不过来，这时候就该考虑使用 Prompt Chaining（拆分步骤提示） 或 Fine-tuning（模型微调） 了。 ⚠️ 一个重要的澄清： 无论是 Zero-Shot 还是 Few-Shot，它们都是推理阶段的技巧 ，不会改变模型的权重参数。这与需要重新训练模型的"微调"有着本质的区别。