Few-Shot Prompting（少样本提示）

定义

Few-Shot Prompting（少样本提示）是一种通过向语言模型提供少量（通常 2-5 个）示例来引导模型理解任务模式和期望输出格式的技术。与 Zero-Shot（无示例）相比，Few-Shot 能显著提升输出的一致性和准确性。

核心思想：展示，而非仅仅是告诉（Show, don’t just tell）。

为什么有效

模式识别：LLM 能够从示例中识别输入-输出映射模式
格式引导：示例直观展示期望的输出格式和结构
上下文学习：无需微调，模型在推理时从示例”学习”任务
减少歧义：消除对指令的不同解读可能性

示例数量

数量权衡

过少：可能不足以展示模式全貌
过多：
- 增加 token 成本
- 可能导致模型对示例”过拟合”
- 可能触发模型的「最近示例偏见」

示例质量原则

1. 相关性

示例应尽可能接近实际使用场景。

❌ 不佳：用邮件分类示例来训练产品描述生成
✅ 良好：用类似产品的描述作为示例

2. 多样性

覆盖不同的边缘情况和变化。

任务：将产品描述转为社交媒体帖子

示例 1：消费电子（耳机）
示例 2：食品饮料（咖啡）  
示例 3：家具（办公椅）
示例 4：边缘案例（超长描述）

3. 格式一致性

所有示例使用相同的格式、分隔符和结构。

任务：将订单解析为 JSON

示例 1：
订单：一份芝士汉堡和薯条
输出：
```json
{
  "cheeseburger": 1,
  "fries": 1
}

示例 2：订单：两份汉堡、一杯饮料和薯条输出：

{
  "hamburger": 2,
  "drink": 1,
  "fries": 1
}


### 4. 高质量
示例本身必须是正确的、清晰的。

> "一个小的错误都可能让模型困惑，产生不期望的输出。" —— Google 白皮书

## 格式技巧

### 使用标签包裹
Anthropic 推荐使用 XML 标签明确标记示例：

输入：[输入内容] 输出：[期望输出] 输入：[输入内容] 输出：[期望输出]

现在，请处理以下输入：输入：[实际输入] 输出：


### 明确输入/输出分隔
使用清晰的分隔符，如 `"""`、`###`、或特定标签。

## 与 Zero-Shot 对比

| 维度 | Zero-Shot | Few-Shot |
|------|-----------|----------|
| **适用场景** | 简单、明确定义的任务 | 特定格式、风格或模式要求 |
| **Token 成本** | 低 | 中（取决于示例长度） |
| **一致性** | 中等 | 高 |
| **灵活性** | 高 | 受示例限制 |
| **设置时间** | 快 | 需要准备优质示例 |

## 特殊考虑

### 分类任务的类别混合
对于分类任务，确保示例覆盖所有类别，避免类别偏见：

❌ 不佳：所有示例都是 “积极” 情绪 ✅ 良好：积极、消极、中性示例均衡分布


### 当示例足够清晰时
Google 和 Anthropic 都指出：

> "如果你的示例足够清晰地展示了当前任务，你甚至可以移除指令。"

在这种情况下，Few-Shot 本身就能指导模型行为。

## 常见错误

1. **示例与任务不匹配**：示例太通用或与实际情况差异大
2. **格式不一致**：示例之间使用不同的分隔符或结构
3. **示例质量差**：示例本身有误或模糊
4. **忽略边缘情况**：所有示例都是"典型"情况
5. **过度依赖示例**：示例中引入不需要的偏见或限制

## 最佳实践总结

1. **始终使用示例**：除非任务极其简单，否则建议包含 3-5 个示例
2. **多样化示例**：覆盖不同场景和边缘情况
3. **保持格式一致**：使用标签和分隔符保持一致性
4. **验证示例质量**：确保示例本身正确无误
5. **考虑 token 预算**：示例会增加输入成本，权衡质量与成本

## 关联连接
- [[Prompt_Engineering]] — 提示工程总览
- [[Zero_Shot_Prompting]] — 零样本提示
- [[Chain_of_Thought]] — 可与 CoT 结合使用
- [[摘要-anthropic-prompting-best-practices]] — Anthropic 最佳实践
- [[摘要-google-prompt-engineering-whitepaper]] — Google 白皮书

美格知识库

探索