零样本、单样本与少样本提示

在前面章节中，我们已经学会了如何使用结构化提示词、提示词框架、Mega-Prompt、模板和变量，把一项复杂任务交代清楚。背景有什么、任务做什么、规则不能碰什么、最后交付成什么样，都可以安排得明明白白。

不过，有些要求光靠语言解释，还是容易出现 “你说你的，AI 理解它的” 的情况。比如，你要求文案 “自然一点”、评价分类 “严格一点”，这些话听起来没毛病，但到底自然到什么程度、严格到哪条边界，AI 依然需要自己猜。

遇到这种情况，与其继续往提示词里堆形容词，不如直接给 AI 看一个实际例子。就像教新同事整理报表，与其站在旁边讲半小时 “要整齐、要规范、要专业”，不如把上一份合格报表递过去：照这个样子做。

在提示词工程中，这种直接给 AI 提供示例的技巧，也被称为 “样本提示（Shot Prompting）”。

什么是零样本、单样本与少样本提示？

所谓的 “样本（Shot）”，简单来说就是 “参考示例”。这个 “参考示例”，通常包含 “用户输入” 和 “期待输出”。

按照样本的数量，我们可以把提示词分成 3 类：

• 零样本 (Zero-Shot)：0 个示例，直接让 AI 依靠自身能力作答。
• 单样本 (One-Shot)：给 1 个示例，让 AI 照着参考模仿。
• 少样本 (Few-Shot)：给少量示例，让 AI 摸清其中的规律和套路。

对于它们各自的使用场景，小伙伴们可以直接参考下面这张表。

为了让大家更好地理解，咱们继续使用大学城咖啡店的案例。假设我们需要让 AI 读取顾客评价，判断它属于 “正面、负面还是混合评价”，并生成一段简短回复。

对于同一个任务来说，不提供示例、提供一个示例和提供多个示例，AI 获得的参照信息完全不同。下面咱们分别来看。

零样本提示（Zero-Shot Prompting）

零样本提示，大白话来讲就是：光给 AI 派活儿、讲规矩，但并没有提供任何可参考的例子。

示例：

# 任务
请判断下面这条咖啡店顾客评价属于 “正面、负面还是混合评价”，并生成一段简短回复。

# 顾客评价
环境挺安静，咖啡也不错，就是下午经常找不到空插座。

# 输出格式
评价类型：
回复：

这条提示词没有给出任何示例，AI 只能根据任务说明，以及它原本掌握的语言能力来硬着头皮直接完成。

1. 零样本提示适合什么情况？

当任务本身比较简单、规则明确，而且结果很容易检查时，零样本通常已经够用。例如：

• 翻译一段普通文本。
• 总结一篇结构清楚的文章。
• 从会议记录中提取日期和负责人。
• 把一组数据整理成指定表格。
• 判断一条评价是正面还是负面。

它最大的优点就是 “省事” 。我们不需要先花时间设计示例，直接把任务说清楚，就能让 AI 开始干活。

2. 零样本提示有什么局限？

零样本的问题在于，有时我们觉得理所当然的要求，其实藏着很多没说出口的细节。

就拿上面那条评价来说，“咖啡不错” 是表扬，“没插座” 是吐槽。AI 可能会把它算作 “混合评价”，但也可能因为重点看了后半句，直接打成 “负面评价”。如果我们没把分类的标准讲透，它的结果就容易忽左忽右。

再比如，“回复要自然” 到底是什么样？是客服式的正式道歉，还是店主与学生聊天般的轻松语气？如果不给参照时，AI 只能自己选择。

所以，零样本不是 “什么信息都不用提供”。它只是不给示例，背景、任务、分类规则、限制条件和输出格式，该写的仍然要写。

单样本提示（One-Shot Prompting）

单样本提示，指的是在正式给 AI 派任务前，先提供 1 组完整示例，让 AI 看清楚你希望它怎么理解输入、怎么组织输出。

示例：

# 任务
请判断顾客评价属于 “正面、负面还是混合评价”，并生成一段简短回复。

# 示例
顾客评价：店里很安静，座位也舒服，下次复习还会再来。
评价类型：正面
回复：谢谢你的认可！很高兴这里能成为你的自习小据点，欢迎下次再来。

# 现在请处理
顾客评价：环境挺安静，咖啡也不错，就是下午经常找不到空插座。

# 输出格式
评价类型：
回复：

和零样本相比，这一次 AI 多了一个参照物。它能够看到：

• 分类标签应该使用 “正面、负面、混合评价” 中的哪种写法。
• 回复大概写多长。
• 语气是轻松友好，而不是一板一眼的客服公文。
• 输出中不需要额外分析一大段理由。

1. 单样本提示适合什么情况？

如果任务不难，只是输出格式、表达风格或标签写法容易被 AI 理解偏，一个示例往往就能把方向扶正。比如：

• 要求它按某种格式输出（Markdown、JSON、表格等）。
• 让它模仿一段简洁干练的技术文档写法。
• 告诉它某一条具体数据应该如何分类。

2. 单样本的坑：一个例子容易带偏

单样本提示虽然方便，但只有一个示例，AI 很容易把示例中的偶然特征也当成固定规则。

例如，示例里的回复以 “谢谢你的认可” 开头，AI 可能就会死板地认为，以后每一句回复都得用这六个字开头。如果示例写了两句话，它也可能机械地把每次输出都强行凑成两句。

更麻烦的是，单个示例通常只能代表一种情况。上面的例子只展示了正面评价，却没有告诉 AI 遇到负面或褒贬参半的评价应该怎么办。

如果任务边界比较多，一个示例就像只教会新员工做 “热拿铁”，下一秒顾客点 “冰美式” ，他就只能站在咖啡机前开始沉思人生。

少样本提示（Few-Shot Prompting）

少样本提示，就是多给几个有代表性的示例，让 AI 从对比中摸清规律、格式和边界。

这里的 “少量” 并没有规定死非得是多少个。可能是 2~3 个，也可能根据任务复杂度再多一些。重点不是凑够某个数量，而是示例有没有覆盖真正容易出错的情况。

举个例子，我们把正面、负面和混合评价都给它演示一遍。

示例：

# 任务
请判断顾客评价属于 “正面、负面还是混合评价”，并生成一段简短回复。

# 示例 1
顾客评价：店里很安静，座位也舒服，下次复习还会再来。
评价类型：正面
回复：谢谢你的认可！很高兴这里能成为你的自习小据点，欢迎下次再来。

# 示例 2
顾客评价：点单后等了四十分钟，饮品还是凉的，体验很不好。
评价类型：负面
回复：很抱歉这次让你久等了，饮品状态也没有达到应有标准。我们会核查当时的出品流程并认真改进。

# 示例 3
顾客评价：价格不贵，位置也方便，就是周末店里有点吵。
评价类型：混合评价
回复：谢谢你认可价格和位置，也感谢你指出周末环境的问题。我们会留意高峰时段的店内秩序。

# 现在请处理
顾客评价：环境挺安静，咖啡也不错，就是下午经常找不到空插座。

# 输出格式
评价类型：
回复：

有了这 3 组示例以后，AI 不只是知道 “结果长什么样”，还看到了不同类型之间的边界：

• 全部是认可时，归为 “正面评价” 。
• 核心体验明显不满意时，归为 “负面评价” 。
• 同时包含优点和问题时，归为 “混合评价” 。

1. 少样本提示强在哪里？

少样本提示的价值在于，可以把很多 “只可意会不可言传” 的复杂规则，通过例子直观地教给 AI。因此它特别适合：

• 那些标签容易搞混的分类任务。
• 需要 AI 稳定模仿某种特定文风的写作。
• 输出格式很复杂、字段较多的内容生成。
• 存在边界情况，单靠文字规则容易被 AI 误解的任务。

2. 少样本提示不是给 AI 重新训练

需要注意的是，提供几个示例以后，AI 可能会表现得像 “学会了 ” 这套规则，但这其实只是它在当前聊天窗口里的短期记忆。它并没有真正修改自己大脑底层的参数。

要是你开一个全新的聊天窗口，或者下次提问时不带上这些例子，它可能就会忘得一干二净了。

所以，Few-Shot 更像把几份合格作业摆在 AI 面前，让它临时照着做。而微调则像专门开课、反复训练，把能力更深地写进模型。两者不是一回事。

零样本、单样本和少样本应该怎么选？

学完这 3 种方法后，有些小伙伴可能又开始犯 “选择困难症” 了：是不是以后每条提示词都要准备 3~5 个示例，效果才会最好？

当然不是。更实用的做法是：

先从 Zero-Shot 开始；方向不清时补 1 个示例；边界仍不稳定，再升级为 Few-Shot。

1. 任务简单，先用 Zero-Shot

如果任务很常见，规则三两句话就能说明白，而且结果对不对你一眼就能看出来，此时就没必要折腾，直接使用零样本即可。

比如，你只是想让它把一段中文翻译成英文，或者从一堆订单文本里把 “日期” 和 “金额” 揪出来。此时就没必要费劲去给它准备 3 份 “翻译示范” 和 5 份 “提取样板”。而是直接下达指令，让它干活就行。

2. 想定个格式或风格，用 One-Shot

如果 AI 已经听懂了你想让它干嘛，但就是每次给出的格式排版，或者说话的语气、风格总是差那么一点意思。这个时候，直接丢一个高质量示例给它就够了。

举个例子，想让它按照你的写作风格重写一段说明，直接提供一段真正满意的文章作为参照，往往比堆 10 个 “自然、专业、高级、地道” 更有效。

3. 规则复杂、容易踩坑，用 Few-Shot

如果你的任务比较复杂，比如有好几种不同的分类、一堆特殊的例外情况，或者那种 “只可意会不可言传” 的判断标准，这时候就得用几个典型的例子，帮它把任务的边界画清楚。

不过这里要提个醒：少样本可不是例子越多越好。

首先，例子给得太多会白白占用大模型的 “上下文窗口”；其次，如果你是调用 API 做开发的话，这可都是按 Token 算钱的，废话越多越费钱。要是塞了一大堆重复、没用的例子，反而容易把真正的重点给淹没了。

所以，最稳妥的原则就是：先用最少的示例试试水，发现它在某一种特定情况下容易翻车，咱们再有针对性地补上相应的例子。

如何设计高质量的 Few-Shot？

要想用好少样本提示，最难的其实不是几个例子复制进去，而是怎么挑出真正有教学价值的例子。为了不让 AI 越学越懵，咱们在设计示例时，建议多参考下面这几个实用原则。

1. 示例必须和真实任务一致

如果咱们的任务是给咖啡店的顾客评价做分类，那给的例子就最好也是餐饮评价，尽量避免拿电影短评、买家秀或者新闻标题来凑数。

任务场景、输入类型越是对口，AI 就越容易抓住里面的规律，然后活学活用到新任务上。

2. 输入和输出要明确分开

对于每个示例，最好都清楚标明 “输入是什么、输出是什么”，不要把说明、示例和真实任务揉成一大段。

示例：

# 示例
输入：价格实惠，店里也安静。
输出：正面评价

# 现在请处理
输入：咖啡不错，但等位时间太长。

只有像这样分得清清楚楚，AI 才不会傻乎乎地把你给的例子，也当成本次要处理的任务。

3. 示例要覆盖差异，别来回车轱辘话

假设你给了三个例子，结果全是 “环境很好”、“咖啡很好”、“服务很好”……这表面上看起来是给了 3 个例子，实际上 AI 只学到了一种情况。

真正有价值的组合，应该是把各种 “坑” 都踩一遍：

• 一个典型的正面案例（纯夸的）。
• 一个典型的负面案例（纯吐槽的）。
• 一个既夸又吐槽的 “边界” 案例。

例子的价值在于覆盖面广，而不是简单地把 “很好” 替换成 “不错”。

4. 例子之间的规矩不能 “打架”

同样一句 “咖啡不错，但是等待时间很长”，你不能在第 1 个例子里把它标为 “混合评价”，到了第 3 个例子里又突然翻脸把它标成 “负面评价”，还不给任何解释。

要是你的例子前后标准打架，AI 就会在后台 “左右互搏”。最后它到底按哪个标准来，就全看它当时的心情了。

所以，在把提示词发出去之前，咱们自己得先检查一遍，看看标签、格式和判断标准是不是一碗水端平了。

5. 例子要精简，但不能缺少关键细节

咱们给例子的目的，是为了向 AI 演示规矩，可不是为了顺便再水一篇两千字的小作文。只要能把输入、输出和关键的边界情况说明白，就可以及时收手了。

但也不能为了短，把核心信息删光。例如只给出 “输入：不错；输出：混合”，别说 AI 了，连你自己都不知道到底是哪里不错，凭啥就算混合了。

6. 把 “示例区” 和 “正式输入” 隔开

在示例区结束之后，最好使用醒目的标题或者分隔符，把本次真正需要处理的内容隔离开来。

示例：

【示例开始】
……
【示例结束】

【本次输入开始】
……
【本次输入结束】

这就好比考试卷上，一定会把 “例题” 和 “正式考题” 使用明显的分割线隔开一样。否则 AI 做着做着，可能顺手把例题也重新回答一遍。

使用正例、反例和边界示例

Few-Shot 并不只是多放几个正确答案。根据实际的任务需求，我们还可以使用正例、反例和边界示例来调教 AI，效果往往会事半功倍。

1. 正例：告诉 AI 应该怎么做

正例展示的是符合要求的输入和输出。例如，给出一段自然、不浮夸的咖啡店文案，让 AI 参考它的长度、语气和结构。这是最常用、也最安全的示例类型。

2. 反例：告诉 AI 不要怎么做

有时候，咱们光靠在指令里写一句 “不要写得太浮夸”，是很难约束住 AI 的。这时候，反例就派上大用场了。咱们来看个对比：

# 错误示例
全城最低价！错过今天后悔一整年！所有大学生必须来打卡！

# 问题
使用了无法证明的最低价、制造焦虑，并且语气过度夸张。

# 正确示例
大学城地铁站附近新开了一家平价咖啡店，开业前三天第二杯半价。想找地方自习的小伙伴，可以顺路来看看。

这里需要补充个细节：给出反例时，应该醒目地标出 “这是错误示例” ，最好还能点出它到底错在哪，并紧跟着给出一个正确的版本。

要是你只甩给 AI 一段烂文案，却不告诉它这是反面教材，AI 极有可能会脑补：“哦，原来老板好这口啊！” 下一秒它就给你量产十条同样辣眼睛的文案。

3. 边界示例：教 AI 处理 “模棱两可” 的情况

边界示例，专门用来处理那些 “看起来两边都沾一点” 的情况。比如：

顾客评价：咖啡味道不错，价格也能接受，但是等了半个小时。
评价类型：混合评价

这个例子其实是在给 AI 提个醒：只要评价里同时包含了明确的优点和明显的吐槽，就得归类到 “混合评价” 里去。千万别因为最后半句是抱怨，就简单粗暴地把它打成 “负面”。

在做文本分类、内容审核或者评分等任务时，多给 AI 看几个这种 “压线” 的边界示例，往往比给十个普普通通的常规示例还要管用得多。

完整实战：为咖啡店建立 Few-Shot 评价回复模板

接下来，我们把前面的知识串起来，为大学城咖啡店量身打造一条可以反复使用的 Few-Shot（少样本）评价回复提示词。

第 1 步：先定义任务和标签

先明确咱们要让 AI 干两件事：一是给评价分类，二是写个回复。分类标签就固定为三个：“正面、负面或混合评价”。

第 2 步：规定回复边界

回复得自然、简短，既要说到顾客的心坎里，又不能瞎许诺。比如退款、送小蛋糕这种事，AI 可做不了主，必须提前给它立好规矩。

第 3 步：挑选有代表性的示例

例子不用多，但得把正面、负面和混合这三种常见情况都覆盖到。而且，每个例子的输出格式必须整整齐齐、保持一致。

第 4 步：把示例和本次输入分开

示例区只负责打样，真正需要处理的评价放在最后面，中间用清楚的标签隔开，免得 AI 做着做着看串了行。

第 5 步：组合成完整提示词

# 角色
你是大学城咖啡店的顾客服务助手，负责分析顾客评价，并生成自然、真诚的店铺回复。

# 任务
1. 将顾客评价分为 “正面、负面或混合评价”；
2. 根据评价内容生成一段 30～80 字的回复。

# 回复要求
- 回应顾客真正提到的优点或问题；
- 语气自然、友好，不要像个没感情的自动回复机器人；
- 遇到负面问题时先表达歉意，再说明会核查或改进；
- 不要虚构事实；
- 不要擅自承诺退款、免单、赠品或具体补偿；
- 不要使用 “亲亲” “包您满意” “保证” 等不合适的用词。

【示例开始】
# 示例 1
顾客评价：店里很安静，座位也舒服，下次复习还会再来。
评价类型：正面
回复：谢谢你的认可！很高兴这里能成为你的自习小据点，欢迎下次再来。

# 示例 2
顾客评价：点单后等了四十分钟，饮品还是凉的，体验很不好。
评价类型：负面
回复：很抱歉这次让你久等了，饮品状态也没有达到应有标准。我们会核查当时的出品流程并认真改进。

# 示例 3
顾客评价：价格不贵，位置也方便，就是周末店里有点吵。
评价类型：混合评价
回复：谢谢你认可价格和位置，也感谢你指出周末环境的问题。我们会留意高峰时段的店内秩序。
【示例结束】

【本次输入开始】
顾客评价：【顾客评价】
【本次输入结束】

# 输出格式
评价类型：
回复：

# 最终检查
- 评价类型只能是 “正面、负面或混合评价”；
- 回复必须与本次顾客评价对应；
- 不要生搬硬套示例里的无关细节；
- 不要出现示例中没有依据的补偿承诺。

以后每次遇到新评价，我们只需要像做填空题一样，把【顾客评价】替换成真实内容，就能让 AI 接着干活了。

不过，在把这个模板正式拿去用之前，还是建议大家多换几组比较刁钻的评价来测试一下。特别检查：顾客只写了一个表情怎么办？评价内容互相矛盾怎么办？顾客提出退款要求时，AI 会不会擅自答应？

真正稳定的 Few-Shot 模板，往往不是第一版就能完美落地的，而是要在实际应用中不断测试、补充边界示例，一点一点打磨出来的。