大模型prompt工程Zero-Shot与Few-Shot以及json格式

笔记跟着黑马程序员大模型RAG与Agent智能体项目实战教程,基于主流的LangChain技术从大模型提示词到实战项目学习记录的

一、前言

提示词工程(Prompt Engineering)是大模型应用落地最基础、成本最低的优化手段,无需微调模型权重,仅通过优化输入指令,就能大幅提升大模型输出准确率与规范性。其中 Zero-Shot(零样本) 和 Few-Shot(少样本) 是提示词设计的两大核心思想,本文结合原理、案例、实战业务完整拆解。

二、Few-Shot 少样本学习核心概念

2.1 基础定义

Few-shot Learning 即少样本学习 :模型在海量通用数据预训练完成后,面对全新未知任务,仅需要提供少量参考样本,就能快速学会任务规则并完成推理。

  • One-shot Learning:单样本学习,属于 Few-shot 的特殊形式,只给 1 条示例;
  • Few-shot:一般提供 2~5 条示例,提示词场景最常用。

2.2 两个层面理解 Few-Shot

(1)模型底层训练层面(图像识别举例)

以企鹅分类任务为例:

  1. 先给模型少量企鹅、鹈鹕、海雀的参考图片(Support Set);
  2. 模型通过相似度函数计算待识别图片(Query Image)与各类别的匹配分值;
  3. 分值最高的类别即为最终预测结果。简单说:靠少量样本学习特征,靠相似度匹配未知数据。
(2)提示词工程应用层面

核心逻辑:用少量示例定义输出格式、规则、风格,强制模型对齐结果,减少幻觉与格式错乱。

实操示例:产品信息抽取(JSON 固定格式)

任务:抽取产品名称、核心卖点,严格输出 JSON 格式,参考下面 2 个示例执行示例 1:MacBookPro 高效节能,性能强大,适合牛马工作使用输出:{"产品名称":"MacBookPro","产品卖点":"高效节能,性能强大"}示例 2:联想笔记本拥有 RTX4060 独立显卡,畅玩游戏,丝滑流畅输出:{"产品名称":"联想笔记本","产品卖点":"畅玩游戏,丝滑流畅"}待处理文本:华为 MatepadPro,高清大屏,长效续航,你的好帮手最终输出:{"产品名称":"华为 MatepadPro","产品卖点":"高清大屏,长效续航"}

三、Zero-Shot 零样本学习核心概念

3.1 基础定义

Zero-Shot Learning 零样本学习:不给任何参考示例,只通过自然语言文字描述任务要求,依靠大模型预训练阶段学到的海量知识、语义关联,直接完成全新陌生任务。

3.2 两个层面理解 Zero-Shot

(1)模型训练层面

模型依靠预训练时学习到的类别关联、语义特征,直接对从未见过的新类别做迁移推理,全程不需要提供该类别的任何样本。

(2)提示词工程应用层面

只口头描述任务规则,无任何示范案例,完全依赖大模型自身知识库完成输出。

极简示例

任务:判断下面用户评价的情感,只输出「正向」或「负向」评价:这家银行办理业务速度太慢,等待时间过长输出:负向

四、Zero-Shot vs Few-Shot 对比

4.1 模型底层训练维度

  1. Zero-Shot 零样本不提供任何新类别样本,利用模型预训练沉淀的语义、特征关联,直接迁移识别未知类别。
  2. Few-Shot 少样本提供少量标注样本,让模型快速学习新任务特征,泛化能力更强,识别精度更高。

4.2 提示词编写落地维度

  1. Zero-Shot仅用自然语言描述任务规则,无示例,完全依赖大模型自身预训练知识作答;优点是提示词简短,缺点是复杂任务容易格式跑偏、产生幻觉。
  2. Few-Shot给模型多条标准输出示例,引导模型严格对齐示例的结构、格式、措辞;优点是输出稳定、格式统一,适合 RAG 信息抽取、分类、结构化输出场景。

五、业务实战场景

5.1 实战业务目标

基于 Zero-Shot、Few-Shot 两种提示词思想,完成金融行业三大经典 NLP 任务:

  1. 文本分类(如客户投诉分类、业务咨询类别划分)
  2. 信息抽取(如合同关键字段、金额、日期、业务主体提取)
  3. 文本匹配(如问句与知识库标准问题相似度匹配)

5.2 落地选型

  1. 简单分类、简短问答:优先使用 Zero-Shot,提示词简洁高效;
  2. 需要固定 JSON / 表格格式、高准确率抽取、多规则约束:优先使用 Few-Shot 少样本提示词,规避模型输出混乱问题;
  3. 工程化方案:实际开发中采用 Zero-Shot + Few-Shot 混合模式,封装成通用提示词模板调用大模型接口。

六、总结

  1. 本质区别:Zero-Shot 靠模型自有知识干活,Few-Shot 靠少量示例教模型怎么干活;
  2. 提示词使用口诀:简单任务零样本,格式严格少样本;
  3. 行业落地:在金融、政务、企业知识库 RAG 项目中,Few-Shot 是保证结构化输出最常用的提示词方案。

一、什么是 JSON

1. 核心定义

JSON(JavaScript Object Notation)是带固定规则的格式化字符串 ,专门用来存储、传递带层级结构的数据,最大优势是跨编程语言通用,Python、Java、前端 JS、Go 都能无障碍解析,是接口数据传输的标准格式。

2. 三种数据格式对比

  1. 纯文本

    小明11岁是个男孩
    小李12岁是个女孩
    小王16岁是一个男孩子

缺点:没有字段划分,代码提取姓名、年龄极其麻烦,无法自动化解析。

  1. CSV 逗号分隔格式

    小明,11,男
    小李,12,女
    小王,16,男

优点:结构简单、占用体积小;缺点:依赖固定顺序,少一列、顺序错乱直接解析失败,不支持嵌套复杂数据。

  1. JSON 格式

    {"name": "小明", "age": 11, "gender": "男"}

优点:自带 key 字段标识、支持无限嵌套、全语言兼容;

缺点:符号冗余,存储空间略大于 CSV。


二、JSON 和 Python 数据结构

JSON 本质是字符串,解析后会自动映射成 Python 内置类型:

  1. **JSON 对象 {} → Python 字典 dict**JSON 嵌套结构示例:

    {
    "age": 11,
    "name": "小明",
    "hobby": ["唱", "跳", "rap"],
    "other": {
    "身高": 172,
    "体重": 68
    }
    }

解析后就是 Python 嵌套字典,取值方式:dict["other"]["身高"]

  1. **JSON 数组 [] → Python 列表 list**JSON 数组(多条数据集合):

    [
    {"name": "小明", "age": 11},
    {"name": "小李", "age": 12},
    {"name": "小王", "age": 16}
    ]

解析后为 Python 列表套字典,取值:list[0]["name"]

格式硬性规则

  1. JSON 的键必须用双引号 ",不支持单引号;
  2. 只支持:对象、数组、字符串、数字、true/false/null,不能存放 Python 对象、函数。

三、Python 内置 json 模块方法

无需 pip 安装,Python 自带库,直接导入:

复制代码
import json

1. json.dumps():Python 对象 → JSON 字符串

作用:把字典 / 列表打包成标准 JSON 字符串,用于网络接口传输、写入文件。语法:

复制代码
json.dumps(数据, ensure_ascii=False, indent=2)
  • ensure_ascii=False:必加参数,避免中文转义为\uXXXX乱码;
  • indent=2:可选,自动换行缩进,美化打印格式。
示例代码
复制代码
import json

# Python嵌套字典
person = {
    "age": 11,
    "name": "小明",
    "hobby": ["唱", "跳", "rap"],
    "other": {
        "身高": 172,
        "体重": 68
    }
}

# 转为JSON字符串
json_str = json.dumps(person, ensure_ascii=False, indent=2)
print(type(json_str))  # 输出 <class 'str'>
print(json_str)

2. json.loads():JSON 字符串 → Python 对象

作用:接收接口返回 / 文件读取的 JSON 字符串,还原成字典 / 列表,方便代码取值计算。语法:

复制代码
json.loads(json格式字符串)
承接上面的示例

python

复制代码
# 把JSON字符串还原为Python字典
python_data = json.loads(json_str)
print(type(python_data)) # <class 'dict'>
# 嵌套取值
print(python_data["other"]["身高"]) # 输出 172
  1. dumps:打包,Python 字典 / 列表 → JSON 字符串(对外发送)
  2. loads:拆包,JSON 字符串 → Python 字典 / 列表(接收解析)
  3. 中文不乱码,永远带上参数 ensure_ascii=False
  4. JSON 大括号对应 Python 字典,JSON 中括号对应 Python 列表
相关推荐
在所不辞兄13 分钟前
为什么数字孪生驱动的产线标定需要在线更新机制,而不能一次标定后长期沿用?
人工智能·神经网络·其他·算法·机器学习
锋行天下1 小时前
langgraph 全栈项目(三)
前端·人工智能·后端
黄啊码1 小时前
【黄啊码】最近面了十几个想转 FDE 的程序员,一个都没招
人工智能
锋行天下2 小时前
langgraph 全栈项目(二)
前端·人工智能·后端
大模型真好玩2 小时前
用 Seedance 2.5 Flash 实现1分钟AI短剧,满足孩子的超级英雄对战梦
人工智能·aigc·deepseek
FengY_HYY2 小时前
从人类组织到人类&大模型组织,我的位置在哪里?
人工智能·程序员·llm
Flynn Liang2 小时前
大模型成本优化:基于 Redis 的可验证语义缓存架构
人工智能·redis·缓存·架构·ai agent·智能体
锋行天下3 小时前
langgraph全栈项目(一)
前端·人工智能·后端
程序员cxuan3 小时前
不得了,Google 造反了,Opus 5.5 又被干了
人工智能·后端·程序员
数字新视界3 小时前
能耗管理系统提升企业能源效率的实践与展望
大数据·人工智能·数据中心·机房管理·模块化机房