Zero-shot / Few-shot

为什么需要了解 Zero-shot 和 Few-shot

让模型完成任务，不一定需要训练它——可以通过 Prompt 直接指挥。

但"直接指挥"有两种方式：不给示例，或给几个示例。哪种更有效？取决于任务的复杂度和模型的熟悉程度。

什么是 Zero-shot 和 Few-shot

一句话定义：Zero-shot 和 Few-shot 是在 Prompt 里不训练模型就能让它完成任务的方式——本质上是"在上下文里学会怎么做"（In-context Learning）。

• Zero-shot：不给示例，直接描述任务
• Few-shot：在 Prompt 里先给几个示例，让模型照着学

直觉例子：

Zero-shot：

把下面这句话翻译成英文：
今天天气真好。

Few-shot：

把下面这句话翻译成英文：

示例：
我爱你。 -> I love you.
他很高。 -> He is tall.

今天天气真好。 ->

Few-shot 的核心不是示例数量多，而是示例能不能把任务规则、格式和风格讲清楚。

怎么做：什么时候用 Zero-shot / Few-shot

用 Zero-shot 的场景：

• 任务很简单，模型已经很擅长
• 更在意 Prompt 简洁和成本
• 格式要求不严格

用 Few-shot 的场景：

• 输出格式要求很明确
• 任务边界比较隐性，不容易一句话说清
• 模型在 Zero-shot 下容易理解偏
• 希望模型模仿某种固定风格或判断标准

注意事项：

• 示例不是越多越好：太多会增加 Token 成本，也可能稀释重点
• 示例要有代表性：最好覆盖最常见、最容易出错的输入类型
• 可以和 Chain of Thought 结合：如果示例里展示了推理过程，复杂任务效果往往更好

记住这一句：Zero-shot 直接命令，Few-shot 用示例示范——本质都是"不训练，通过 Prompt 让模型学会"。

相关词条：Prompt · Chain of Thought