生活分享
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。
阅读时间约 7 分钟

零样本提示(Zero-shot Prompting)是在提示中没有提供已解答的任务示例,直接用指令请模型处理新输入。像“把这段公告整理成要点”就是常见形式。这里的“零”指本次给出的示例数量,不是模型没有训练,也不代表它不知道任何相关知识。
你仍然可以附上完整文档、分类规则与输出要求。没有例子和没有背景资料,是两回事。以下用家用电器说明书的整理场景,教你先建立清楚的零样本基准,再根据错误决定要补规则、补来源,还是改用少样本示例。
零样本并不是凭空学会一切
语言模型在训练阶段已接触大量模式,有些还经过指令微调微调(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,学习按自然语言要求完成工作。Wei 等人的 FLAN 研究探讨指令微调如何改善未见任务类型的零样本表现。这项研究说明零样本能力可能受训练方式影响,不能把“这次没给例子”理解为模型完全从零开始。
研究中的零样本也需要看评估设置:哪些任务未见过、训练数据如何安排,都有特定定义。一般用户在提示设计中说零样本,通常只是表示这份提示没有附输入与标准答案的配对。两种说法相关,但不应把聊天操作直接当成严格的研究测试。
例如你要模型整理说明书,它可能已熟悉常见的说明文档形式;你今天提供的却是某台机器的实际内容。能写出像使用说明的语气,和能忠实整理这份文档,仍是两回事。真正需要核查的是它有没有遵循来源,而不是答案看起来是否流畅。
阅读完整文字说明
任务指令与说明书一起交给模型,没有附已解答的示例;输出后分别检查条件与格式。
把任务拆成对象、动作与交付形式
比起只说“帮我看一下”,可以写成:“从以下除湿机说明中找出清洁滤网的步骤,按操作顺序列出;保留停止使用的条件,未提到的部分不要补充。”这份提示没有已完成的示例,所以仍属于零样本,但已告诉模型要看哪份资料、做什么及如何输出。
Google 的提示设计文档强调明确的指令、限制与回复格式。应用到这个案例时,先决定你要的是步骤摘要、警示提取,还是新手解说。若一次要求全面评测、故障诊断和购买建议,就把不同任务混在一起,容易让模型偏离文档范围。
也要定义信息不足时怎么办。假设文档只说定期清洁,没有具体频率,预期输出应保留“未注明频率”。若你硬性要求每个字段一定填完整,可能诱使模型用一般经验补上数字。存在缺漏的字段是一项有用结果,不是需要掩饰的回答瑕疵。
用说明书做一次完整练习
以下场景纯属示意。准备一段你有权使用、不含个人信息的机器说明,文字包含关机、拔除电源、取出滤网、按原厂方法清洁及干燥后装回。请模型列出原文提到的顺序,另外标明任何需先满足的条件,并要求不新增原文没有的清洁工具。
预期输出应能让你回查每一步的来源。检查是否漏掉拔除电源、是否把干燥改成任意时间、是否自行加入清洁剂。这个例子是在教你验证摘要忠实度,实际维护仍以该机器原厂说明为依据;不要把示意步骤套用到所有电器。
再准备另一段文字,把顺序信息写在不同位置,或加入“不得用水清洗”等否定条件。若模型只会整理明显的分条列举文本,遇到段落叙述就漏掉限制,表示这份提示的适用范围比你想象的小。这是需要调整来源组织方式或提示的证据,不是直接宣告零样本方法失效。
先分类错误,再决定要加什么
若模型漏了你已提供的条件,先把工作范围写得更明确,或将相关段落放在一起。若它总是用错字段,加入少量完整示例可能有帮助。若它不知道文档没有提供的新版本功能,应补充正确来源或查询工具,少样本格式示例不能创造缺少的事实。
零样本特别适合作为起点,因为提示较短,较容易看出基本规则是否足够。当你日后加入例子,才有清楚的比较对象。如果一开始就堆入大量示例、角色设定和例外条件,改进了什么、哪一段真正有作用,反而较难确认。
不要因为模型第一次答错就只加“务必正确”“绝对不能错”。这些字没有指出错在哪里。更有效的修正是:“警告条件需另外列出,不要合并成一般清洁步骤”,并用同一批资料重新检查。这样的变更能对应具体错误,也比较容易维护。
零样本、少样本与附带资料可以一起理解
少样本提示会附带示例,零样本则不附带;但两者都能提供检索到的文档。你可以在没有示例的情况下,请模型根据查到的操作手册回答,所以零样本并不排斥检索增强生成。这些概念分别描述示例配置与事实来源,并不是只能选一个的产品类别。
同样地,要求“分步列出”也不会自动把提示变成少样本。它是在规定输出形式,没有展示一组已完成的任务答案。了解这个差别,可以让团队讨论提示时更精确:到底要增加规则文字、增加示例,还是增加原始资料,每一种改动的成本与用途都不同。
最后保留稳定的验证集,包含普通文档、信息缺漏与否定条件。规则改版或模型更换后再运行一次,记录哪些案例改善、哪些退步。零样本不是低级用法;只要任务清楚、资料足够且结果可验证,简单的提示本身就可能是合适方案。
验证记录也应保留当时的原文版本。若手册已更新,旧答案不一定仍然正确;需要重新比较的是来源和摘要的一致性,而非要求模型维持旧说法。
| 问题 | 优先补充 | 是否仍可使用零样本 |
|---|---|---|
| 要求太模糊 | 对象、动作、格式 | 可以 |
| 格式一直不一致 | 完整示例 | 加入后属于少样本 |
| 缺最新信息 | 原始文档或检索 | 可以 |
少样本提示(Few-shot Prompting)是什么:用例子讲清楚格式少样本提示(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。阅读全文
检索增强生成(RAG)是什么:让回答附上可查的依据检索增强生成(RAG)是什么:让回答附上可查的依据检索增强生成会先从外部资料中找出相关内容,再交给语言模型组织回答。本文以活动报名规章的问答为例,拆解建立索引、检索、生成与来源核对,说明它和搜索、微调的区别,也解释为什么有引用仍可能答错。读完能判断问题出在资料未更新、文档没找齐,还是模型对证据过度解读,并知道什么情况应保留“不知道”的答案。阅读全文
AI 术语总索引: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
- Wei 等:经过微调的语言模型是零样本学习者查证日期:
- Google:提示设计策略查证日期:
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。