🎯 博主简介
你好，我是安逸，CSDN「人工智能技术领域新星创作者」，码龄 6 年。博客总访问量 31万+，博客粉丝 1.2万+。
我长期关注人工智能技术与工程实践，主要研究和分享 AI Agent、RAG 系统、MCP 协议、OpenClaw、AI 编程工具以及大模型工程化落地。同时也持续输出 Java / Spring、Transformer、机器学习、深度学习与计算机视觉等方向的学习笔记和项目经验。
📚 推荐系列合集
目前已经整理了 生产级 RAG 系统实战、Agent 记忆系统、MCP 协议深度解析、OpenClaw 系列、Hermes Agent + Obsidian、图解机器学习、Claude Code 系列和 Agent 经典面试题等系列合集，涵盖 AI 应用开发、智能体实践、知识管理、机器学习与 AI 编程工具。
📱GZH：安逸Ai (科技前沿新闻，Github热门项目，最新免费资料...)
网页观看完整系列合集：🌐 Anyi AI 学习资源站
这道题考的是 Prompt Engineering 里面最基础也最重要的概念。
简单来说，三者的区别就在于：给不给示例、给几个示例。Zero-shot 不给示例，One-shot 给 1 个示例，Few-shot 给 2 个及以上示例。但背后的原理比这复杂一点------这涉及到模型是怎么"看示例学习"的。
下面我把这个知识点掰开讲。
什么是 Shot 提示技术
先把这三个概念说清楚。
Zero-shot Prompt 就是只给指令，不给任何示例。比如你让模型翻译一句话，直接说"把下面这句话翻译成英文：今天天气真好"。模型靠自己的预训练知识直接回答。
One-shot Prompt 是给 1 个示例。比如先给一个例子："苹果→Apple，香蕉→Banana"，然后再问"猫→？"。让模型从这一个示例里找规律。
Few-shot Prompt 就是给 2 个及以上的示例。继续翻译的例子，给 3-5 个词对示例，然后让模型翻译新的词。
这三个技术有个共同的核心：示例不是用来训练模型的，而是用来激活模型已有的知识。模型早就"见过"这些知识了，示例只是告诉它：该用哪部分知识、以什么格式输出。
三种Shot技术的提示结构对比，展示指令+示例数量+新输入的差异
为什么说是"激活"而不是"训练"？这里要引入一个关键概念------In-Context Learning（上下文学习），也叫情境学习。
In-Context Learning 原理
这是理解 Shot 提示技术的关键。
当你给模型一个示例：
输入：我今天很开心
输出：Positive模型并不是"记住"了这个对应关系。它的处理过程是：
- 看到示例后，在自己的预训练知识里搜索类似的任务模式
- 找到"判断情感倾向"这类任务的处理方式
- 把你新输入的内容套用这个模式输出
打个比方。你做数学应用题时，翻开教材看了两道例题。看例题不是为了背住例题的答案，而是回忆这类应用题该用什么方法、什么步骤去解。然后遇到新题，用同样的方法去套。
这就是 In-Context Learning 的本质：示例提供上下文，模型从上下文中匹配任务模式，激活相关知识。
重要的事情说三遍：示例不更新模型权重！示例不更新模型权重！示例不更新模型权重！你给 100 个示例和 1 个示例，模型本身的参数没有任何变化。变化的只是这次推理时的"思考方式"。
示例数量影响的是模式匹配的清晰度。一个示例，模型只能猜大概的方向；三个示例，模型能更确定地找到正确的模式；给太多示例，反而可能让模型困惑或者浪费 token。
In-Context Learning工作流程图，展示输入提示→示例嵌入→知识激活→模式匹配→输出的完整过程
什么时候用哪个
这是面试里经常被问到的问题。
Zero-shot 适用场景：
- 任务足够简单、通用。模型在预训练时见过大量这类任务，比如基础翻译、摘要生成、简单问答
- 任务定义很明确，不需要额外解释格式
- 需要节省 token、提高响应速度
One-shot 适用场景：
- 想轻量级地"教"模型理解任务格式
- 任务稍微复杂一点，但模型应该能快速理解
- 作为 Zero-shot 和 Few-shot 之间的过渡
Few-shot 适用场景：
- 任务涉及领域知识 或特定格式。比如医学术语分类、代码生成、特定文风写作
- 任务模式不明显，需要多个示例让模型"悟"出规律
- 需要确保输出格式高度一致
举几个具体例子：
| 任务类型 | 推荐方式 | 原因 |
|---|---|---|
| "把'你好'翻译成英文" | Zero-shot | 太简单，模型直接会 |
| 生成符合特定JSON格式的报告 | Few-shot | 需要示例来明确格式 |
| 用中文写诗 | One-shot | 稍微复杂，给个示例帮助理解风格 |
选择的核心逻辑很简单：任务越复杂、越垂直，越需要示例；任务越通用、越简单，越不需要示例。
就像老师出题：简单的口算题直接让学生做就行；复杂的应用题，得先讲几道例题学生才能理解。
场景选择决策图，根据任务复杂度从简单到复杂分支，展示何时选Zero/One/Few-shot的判断路径
好示例怎么写
Few-shot 用得多，但很多人用得不对。关键在于示例质量，而不是数量。
好示例的三个特征：
-
代表性：覆盖任务的典型情况。别只给特例，否则模型会学到错误的模式。比如做情感分类，别全给强烈的情感示例，也得给中性句。
-
多样性：示例之间要有差异。如果做翻译，词性要有名词、动词、形容词；如果做分类，类别要尽量均衡。
-
格式一致：示例的输入输出格式必须和最终任务完全一致。示例用 JSON，任务也用 JSON；示例输出带引号，任务输出也带引号。
关于数量，这里有个反直觉 的点：不是越多越好。
研究显示，2-5 个示例通常是最优区间。超过这个数量，边际效益急剧下降，反而可能带来负面影响：
- 模型开始"记住"示例而不是理解模式
- token 消耗大幅增加
- 格式过于固定，缺乏灵活性
而且，如果你的示例质量差，10 个差示例只会让结果更差。宁可只有 2 个高质量示例，也不要 10 个凑数的。
好示例vs差示例对比图，展示格式统一和多样性的影响，好示例包含代表性、多样性、格式一致，差示例全是特例和格式混乱
还有个容易被忽略的概念：Test Instance 和 Demonstration。Few-shot 里的示例叫 Demonstration，就是你提供的那些例子。Test Instance 是你真正要模型回答的新问题。两者格式必须一致，否则模型会困惑。
面试怎么答
基础版（直接背）：
Zero-shot、One-shot、Few-shot 的区别在于是否提供示例以及示例数量。Zero-shot 直接给指令不给示例，One-shot 给 1 个示例，Few-shot 给 2 个及以上示例。它们的原理是 In-Context Learning，即示例激活模型预训练知识中的相关模式，而非真正训练模型。选择上，简单通用任务用 Zero-shot，复杂或领域特定任务用 Few-shot，One-shot 作为轻量过渡。
加分版（在基础版上加这些）：
需要补充几个关键点。第一，示例的作用是"激活"而非"训练"，不更新模型参数。第二，示例质量比数量更重要，2-5 个高质量示例通常优于大量低质量示例。第三，好示例要具备代表性、多样性、格式一致性。第四，Few-shot 中的示例称为 Demonstration，Test Instance 是真正要回答的问题。
面试回答要点总结，核心区别、原理机制、选择建议三个维度的高亮展示
一句话总结
Zero/One/Few-shot 的核心区别是示例数量，背后通过 In-Context Learning 激活模型已有知识，选择依据是任务复杂度------简单任务直接答，复杂任务看例题。