Prompt技巧:Few-shot

Nov 15, 2025

xiwang

全栈开发者

在编写智能体（Agent）或大模型（LLM）的提示词（Prompt）时，Few-shot（少样本提示/少样本学习） 是一个非常核心且高效的概念。

简单来说，Few-shot 就是在给 AI 下达任务指令时，不只给“规则”，还给它看几个“正确答案的例子”。

我们可以把它理解为一种 “类比教学”。

1. 直观理解：从 Zero-shot 到 Few-shot

为了理解 Few-shot，我们需要先看看它的“兄弟”们：

Zero-shot（零样本）：

你直接命令 AI 做事，不给任何例子。

指令： 请将下面这句话翻译成英文：“今天天气真不错。”

AI： The weather is really nice today.
One-shot（单样本）：

你给 AI 一个例子，让它照猫画虎。

指令： 请模仿下面的风格将句子翻译成英文。

示例： “你好吗？” -> “How do you do?” (正式风格)

任务： “今天天气真不错。”

AI： The weather is quite pleasant today. (试图模仿正式感)
Few-shot（少样本）：

你给 AI 两个或更多（通常 3-5 个） 例子。

这能帮 AI 锁定非常具体的模式、格式或逻辑。

2. 为什么要用 Few-shot？

大语言模型本质上是“文字接龙”的高手，它们非常擅长模式识别（Pattern Matching）。通过提供几个例子，你可以达到以下目的：

固定格式（关键）： 假如你需要 AI 输出 JSON 或特定的代码格式，给例子比写一堆“请不要输出额外文字”的文字说明要有效得多。
规范风格： 比如你需要“鲁迅风格”或“小红书风格”，给几个样板段落，AI 就能瞬间领悟语调。
复杂逻辑引导： 对于数学题或推理题，给几个带有“解题步骤”的例子（这叫 Chain-of-Thought Few-shot），能显著提高 AI 的准确率。
处理边缘情况： 你可以在例子中包含一个“当找不到答案时输出什么”的样本，防止 AI 胡编乱造。

3. 实际案例演示

假设你想做一个 “从用户评论中提取情绪和关键词” 的智能体。

❌ 这种是 Zero-shot (效果可能不稳定)

Prompt: 请分析下面的评论，告诉我用户的情绪是正面还是负面，并提取提到的产品特性。

评论： “这手机屏幕是很清楚，但是电池太不耐用了，用了半天就没电。”

AI 可能回答： “这是一个中性偏负面的评论。提到的特性有屏幕清晰度（正面）和电池续航（负面）。” (问题：回答格式随意，不方便程序后续处理)

✅ 这种是 Few-shot (效果稳定精准)

Prompt: 任务：分析用户评论。输出格式：情绪 (Positive/Negative/Mixed) | 关键词列表

示例 1： 输入：“味道好极了，而且送货很快！” 输出：Positive | [“味道”, “送货速度”]

示例 2： 输入：“衣服质量太差了，线头很多，而且客服不理人。” 输出：Negative | [“质量”, “做工”, “客服服务”]

示例 3： 输入：“虽然价格便宜，但是物流慢得要死。” 输出：Mixed | [“价格”, “物流速度”]

当前任务： 输入：“这手机屏幕是很清楚，但是电池太不耐用了，用了半天就没电。” 输出：

AI 会回答： Mixed | ["屏幕清晰度", "电池续航"] (结果：完全遵循了你设定的“情绪 | [列表]”这种特殊格式)

4. 编写 Few-shot 的最佳实践

样本数量： 通常 3 到 5 个 例子性价比最高。太少（1个）可能导致 AI 过度拟合那个例子的特定内容；太多（几十个）会占用 Token，且收益递减。
多样性： 例子要覆盖不同的情况。比如上面的例子中，我分别列举了“正面”、“负面”和“混合”三种情况。
标签明确： 使用 输入:、输出: 或者 User:、Assistant: 这样清晰的分隔符，让 AI 知道哪里是例子，哪里是正文。
质量至上： 你的例子必须是完美的。如果例子里有错别字或逻辑错误，AI 会完美地学会这个错误。

总结

Few-shot 就是 “先演示，后提问”。

它是提示词工程（Prompt Engineering）中最简单、但提效最明显的手段。当你发现 AI 听不懂你的复杂指令，或者输出格式总是不对时，别再加长篇大论的解释了，直接给它加两个例子试试。