生活分享
少样本提示(Few-shot Prompting)是什么:用例子讲清楚格式
少样本提示是在同一次输入里放入少量示范,让模型按照示例处理新数据;它不等于给模型重新训练。本文用失物招领分类的情境,教你挑选普通案例、边界案例与数据不足案例,避免模型只模仿表面用词。附测试方法、比较表与原创图解,说明何时应增加例子、何时先改分类规则,以及为什么示范数据必须和验证数据分开。
阅读时间约 7 分钟

少样本提示(Few-shot Prompting)是把少量已完成的输入与输出示范放进提示词,再请模型处理新的输入。你不是只说“照这个格式”,而是让它看到格式长什么样、分类边界如何判断,以及数据不完整时应该怎么表达。
这种方法常适合难以只靠一句规则说清楚的工作,例如把公众留言整理成固定字段。但它不是永久训练,也不保证例子越多越准。以下以失物招领数据为原创教学情境,示范如何选例子、检查新案例,再判断是否值得保留这套提示。
示范放在当次上下文,并未修改模型参数
Brown 等人的原始研究使用文字指令与示范,让模型在没有梯度更新或微调微调(Fine-tuning):让现有模型更适合你的任务微调是在现有模型上继续训练,让它更适合特定任务或领域。本文以客服邮件分类说明数据整理、参数更新、保留测试集与版本部署,区分全量微调、LoRA、监督微调和 RAG,也解释训练成绩变好却实际退步的原因。读完能判断问题是否值得微调,以及如何检查格式一致性、未知类型、数据泄漏和原有能力退化。阅读全文的情况下处理任务。少样本提示沿用这个操作重点:例子作为当次输入的一部分,帮助模型辨认任务与预期输出。这与收集数据后重新调整模型参数模型参数(Model Parameters)是什么模型参数是训练时调整、用来把输入转成输出的数值,例如权重与偏置。本文用简单算式示例说明参数如何影响预测,区分模型参数、训练超参数、提示词与生成设置,并解释参数量、数值精度和激活参数为何是不同指标。读完能更准确地阅读模型规格,理解参数增加不等于知识逐条增加,也不代表每次聊天都在重新训练模型。阅读全文的微调不同。
假如你给出“黑色雨伞在图书馆入口拾获”对应“物品:雨伞;地点:图书馆入口”,模型可以用这个例子推测字段写法。当你开启新对话而系统没有带回示范时,不能假设它仍知道你自定义的格式。若需要反复使用,应把经确认的示范保存在可复用的提示或工作设置里。
少样本也没有通用的最佳数量。选多少要看任务复杂度、例子长度与错误类型。如果分类规则本身矛盾,放更多例子可能只是增加混乱;如果格式很特别,一个清楚示范可能已经提供很大帮助。应以新数据的表现判断,不用追求固定的示范数量。
阅读完整文字说明
普通、缺失与边界三种示范一起定义处理规则,新留言应用规则后由另一批未用于示范的数据验证。
用对例子,让分类边界变得可见
失物招领的普通例子可以包含明确物品与地点,但只放这类示例,模型可能误以为每则留言都有完整信息。第二种示范应处理缺失,例如“刚刚捡到一张卡片”,预期地点字段写“未提供”,不能猜在车站或教室。
边界案例则能表达容易混淆的规则。像“我的耳机不见了”是寻物消息,不是拾获消息;若你的系统只收拾获数据,就要示范如何标记不适用。这比多放几则雨伞和水壶的类似留言,更能让模型知道分类的真正界线。
Anthropic 的官方提示指南建议示例要相关、多样且有清楚结构。对这个情境而言,多样不是任意换几个名词,而是涵盖不同判断:信息完整、必要字段缺失、任务不适用,以及一句话包含多个物品。你要示范的是规则分支,不只是文句风格。
写一份可检查的失物招领提示
先用简短文字定义工作:“判断留言是否描述拾获物品,只提取文中明示的物品与地点;没提供的字段写未提供。”再将每组输入与预期输出分开标示,让模型不会把示范当成待处理的新案件。最后独立放入这次真正要整理的留言。
以下是示意新输入:“在操场旁看到有人留下一个保温杯,不确定是不是已经被拿走。”理想输出应保留物品与地点,并标示目前状态不确定。若你的既定字段无法表达不确定性,应先修改字段设计,而不是要求模型把模糊事实硬塞成“已拾获”。
输出后对照原文检查:物品有没有被改名、地点有没有补写、暂时观察有没有被误当成已保管。这份检查是成功标准。格式整齐但信息被夸大,仍是失败;反过来说,若事实判断正确而字段不一致,问题可能主要是格式示范不够明确。
示范数据和验证数据必须分开
你用来教模型的留言,不适合又当作唯一的成绩证据。模型照着已见过的例子重做成功,只能说明它能重现示范。另留一批不同措辞的新留言,包含相同判断边界,才能观察它是否把规则用到未见过的输入。
比较提示版本时,先固定这批验证数据。一版只有规则,一版加入普通示范,另一版再加入缺失和边界案例。记录每版在哪些案件出错,而不是只看自己最喜欢的一次回答。这里没有执行这项实验,因此不提供任何准确率或改善比例。
如果新版本只让雨伞留言的处理更稳定,却把所有寻物消息也当成拾获,就应重新平衡示范。也要检查例子的排列与格式是否带来暗示,例如前半部分总是成功案例、后半部分总是拒绝案例。让内容与标签的关系清楚,比用固定顺序制造可猜的模式更重要。
何时用少样本,何时应处理别的问题
当模型理解大方向却把握不住字段、风格或分类边界时,少样本提示特别值得尝试。若它不知道最新公告,示范不能代替数据查询;若原始留言被 OCR 读错,示范也不能自动修复来源。先辨认错误层次,才不会把所有失败都归因于例子不够多。
对要求高度一致的系统,还应加入程序检查,例如必要字段是否存在、标签是否在允许列表内。这能发现格式错误,却不能完全验证语义,所以仍要保留原文与抽查流程。模型返回合法格式,是能被系统接收的条件,不等于内容已经正确。
整理示范时应避免使用不必要的个人信息。失物招领可以用虚构内容表示规则,不必把真实电话、姓名和证件号码重复塞入提示。最后保留少量能说清楚关键判断的案例,并记录它们对应的规则;这样未来改版时,你会知道为什么每一个例子都值得留下。
若团队改了分类定义,要同步更新全部示范。旧规则写在文字说明、新规则却出现在例子里,模型会收到冲突信号。保留每组示范的用途与最后核对日期,也能让接手的人理解这些例子如何维护。
| 做法 | 提供什么 | 主要限制 |
|---|---|---|
| 零样本提示 | 规则与新输入 | 细微格式可能难说清 |
| 少样本提示 | 规则、示范与新输入 | 例子可能误导或占用空间 |
| 微调 | 用训练数据更新参数 | 需另外的训练与评估流程 |
零样本提示(Zero-shot Prompting)是什么:先把任务说清楚零样本提示(Zero-shot Prompting)是什么:先把任务说清楚零样本提示是不提供已解答的示例,直接用规则与新数据请模型完成工作;零样本不表示模型从未训练,也不表示提示词不能附带资料。本文用整理家用电器说明的例子,说明如何写清输出字段、信息缺漏与判断范围,并比较少样本提示与检索资料的不同用途。附对照表及测试流程,让你知道什么时候直接提问就够,什么时候需要加例子。阅读全文
上下文学习(In-context Learning)是什么:当场适应新规则
AI 名词总索引:从 Loop Engineering 到生成式 AI
觉得这篇整理实用吗?分享给需要的朋友
同主题延伸阅读
生活分享
代理式检索增强生成(Agentic RAG):何时需要再查一次
代理式检索增强生成让模型参与检索决策,根据问题与已找到的证据选择数据来源、改写查询或继续补查。本文采用 LangGraph 文档中的具体流程,以比较场地借用条件示范它和固定式 RAG 的差别,并说明停止条件、权限、查询记录及成本控制。读完能判断任务需要动态探索,还是用可预测的固定流程就足够。
生活分享
图谱检索增强生成(GraphRAG):从关系看懂整批文档
GraphRAG 把实体及其关系纳入检索,帮助回答跨文档的关联与整体主题。本文以 Microsoft 原始论文及官方文档为范围,拆解实体抽取、社区摘要、局部搜索和全局搜索,以地方活动记录示范不同问题需要不同路径。也说明图谱漏连、名称误合并与摘要失真如何影响答案,避免把一张漂亮的关系图误认为已验证的事实。
生活分享
知识图谱(Knowledge Graph):把事物与关系说清楚
知识图谱用实体及关系组织数据,让“谁参与什么、在哪里、何时发生”能沿链接查询。本文以社群活动数据演示实体识别、关系方向、来源与时间,介绍资源描述框架(RDF)和属性图的表示差异,也说明图谱不等于可视化或可信事实。读完能判断数据适不适合建图,并理解它如何与数据表、向量搜索及图谱检索增强生成(GraphRAG)搭配。
生活分享
混合搜索(Hybrid Search):兼顾精确字词与语义
混合搜索将全文搜索与向量等不同检索结果合并,兼顾精确代码和自然语言需求。本文用设备说明书查询拆解候选获取、去重、排名融合和重新排序,介绍倒数排名融合(RRF)如何用名次融合不同搜索结果,也提醒混合不保证全面更准。读完能用代码题、改写题和无答案题检查质量,并辨认权限、筛选与重复内容造成的偏差。
引用本文的文章
资料来源
- Brown 等:语言模型是少样本学习者查证日期:
- Anthropic:提示词最佳实践查证日期:
本文依据上方所列参考来源与标示之核实日期整理;票价、时刻、功能规格或服务条款可能变动,出发、预订或购买前请至相关官方网站确认最新信息。