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：
- 先给模型少量企鹅、鹈鹕、海雀的参考图片（Support Set）；
- 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；
- 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
- 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。
- 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
- 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。
- 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：
- 文本分类（如客户投诉分类、业务咨询类别划分）
- 信息抽取（如合同关键字段、金额、日期、业务主体提取）
- 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
- 简单分类、简短问答：优先使用 Zero-Shot，提示词简洁高效；
- 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；
- 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
- 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；
- 提示词使用口诀：简单任务零样本，格式严格少样本；
- 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
-
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。
-
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。
-
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：
-
**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"]
-
**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
- JSON 的键必须用双引号
"，不支持单引号； - 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：
import json1. 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：
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
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：
json.loads(json格式字符串)承接上面的示例
python
# 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 172dumps：打包，Python 字典 / 列表 → JSON 字符串（对外发送）loads：拆包，JSON 字符串 → Python 字典 / 列表（接收解析）- 中文不乱码，永远带上参数
ensure_ascii=False - JSON 大括号对应 Python 字典，JSON 中括号对应 Python 列表
