4、零样本与少样本提示：Zero-shot、Few-shot、Chain-of-Thought (CoT) 原理与实战
好，咱们今天聊点硬核的。
零样本、少样本、思维链——这三个词，你肯定听过。但说实话，很多人只是知道概念，真到用的时候，还是懵的。
我刚开始做提示词工程时，也踩过不少坑。有一次，我让模型直接回答一个复杂的逻辑推理题，结果它给我编了一堆看似合理、实则完全错误的答案。后来我才明白——不是模型不行，是我没给它「思考的脚手架」。
今天，我就把这三板斧的原理和实战技巧，掰开了揉碎了讲给你听。
4.1 零样本提示：让模型「无师自通」
零样本提示，说白了就是——不给任何例子，直接让模型干活。
你可能会问：「这能行吗？」
嗯，大部分时候是行的。因为大模型在预训练阶段已经见过海量数据，很多任务它天生就会。比如：
用户：将以下句子翻译成英文：「今天天气真好。」模型直接输出「The weather is nice today.」——这就是零样本。
核心要点：零样本提示的关键在于「指令清晰」。你给的任务描述越明确，模型的表现越好。
我在项目中遇到过一种情况：让模型做情感分类，只写「判断这句话是正面还是负面」。结果模型输出了一堆「这句话是正面的，因为...」——它把分类做成了分析。后来我改成「只输出一个词：正面或负面」，效果立竿见影。
实战技巧：零样本提示时，尽量用「命令式」语气。比如「列出」「总结」「翻译」「分类」，而不是「你能帮我...吗？」
4.2 少样本提示：给模型「打个样」
零样本搞不定怎么办？那就给几个例子。
少样本提示，就是在 prompt 里塞几个输入-输出的示例，让模型照着你的路子走。
举个例子，我想让模型做「反讽检测」——这个任务比较刁钻，零样本经常翻车。于是我给了两个例子：
示例1：
输入：你真是太「准时」了，迟到了两小时。
输出：反讽
示例2：
输入：这道菜味道不错，我吃了三碗饭。
输出：非反讽
现在，判断下面这句话：
输入：你的方案「太棒了」，老板看完直接扔进了垃圾桶。
输出：模型输出「反讽」——正确。
关键原则：少样本不是越多越好。我个人的经验是，3-5个高质量示例，远胜于10个凑数的。每个示例要覆盖不同的变体，而不是重复同一个模式。
你想想看，如果你给模型5个「正面情感」的例子，全是「今天很开心」这种，那模型遇到「今天中彩票了」可能就懵了——因为它没见过这种表达方式。
避坑指南：我曾经犯过一个错误——示例的顺序很重要。模型对最后几个示例的记忆最强。如果你把最难的那个例子放在最前面，模型反而容易学偏。建议把「典型示例」放前面，「边缘案例」放最后。
4.3 思维链：让模型「边想边写」
这是今天最核心的部分。
思维链，英文叫 Chain-of-Thought，简称 CoT。它的核心思想很简单——让模型在给出最终答案之前，先展示推理过程。
为什么会有效？
嗯，说白了，大模型本质上是一个「下一个词预测器」。如果你直接让它输出答案，它可能跳过了中间步骤，直接猜一个。但如果你让它一步步推理，它就能沿着逻辑链条走，出错率大大降低。
看个对比：
❌ 普通提示：
问：小明有5个苹果，小红给了小明3个，小明又给了小刚2个，小明还剩几个？
答：6个。（模型直接猜，可能错）
✅ 思维链提示：
问：小明有5个苹果，小红给了小明3个，小明又给了小刚2个，小明还剩几个？
让我们一步步思考：
1. 小明最初有5个苹果。
2. 小红给了小明3个，现在小明有5+3=8个。
3. 小明给了小刚2个，现在小明有8-2=6个。
答：6个。看到了吗？模型通过「自言自语」的方式，把推理过程写出来，答案自然就对了。
核心原理：CoT 相当于给模型提供了一个「工作记忆区」。模型在写中间步骤时，每一步都在为下一步提供上下文，这样就不会忘记前面的信息。
4.4 三种方法的实战选择
你可能会问：「那我到底该用哪一种？」
我个人的习惯是这样的：
| 任务类型 | 推荐方法 | 原因 |
|---|---|---|
| 简单分类（情感、主题） | 零样本 | 模型预训练中已覆盖，无需示例 |
| 格式转换（JSON、表格） | 少样本 | 给1-2个格式示例，模型就能对齐 |
| 逻辑推理（数学、编程） | CoT | 需要展示步骤，避免跳跃式错误 |
| 复杂任务（多步决策） | 少样本 + CoT | 既给示例，又要求推理，效果最佳 |
我的经验：遇到新任务时，永远先试零样本。如果不行，加1个示例。还不行，加CoT。不要一上来就堆例子——成本高，而且可能引入噪声。
4.5 实战案例：用CoT解决数学应用题
我记得有一次，我需要让模型自动批改小学数学题。直接问「这道题对不对」，模型经常被带偏。后来我用了CoT，效果好了很多。
题目：一个长方形长8厘米，宽5厘米，求周长。
请一步步推理，最后给出答案。
模型输出：
第一步：长方形周长公式是 2 × (长 + 宽)
第二步：长 = 8厘米，宽 = 5厘米
第三步：长 + 宽 = 8 + 5 = 13厘米
第四步：2 × 13 = 26厘米
答案：26厘米你看，模型把公式、代入、计算每一步都写出来了。如果某一步错了，我也能定位到具体问题。
注意事项：CoT 不是万能的。对于需要「直觉判断」的任务（比如审美、幽默），CoT 反而可能让模型过度分析，导致结果变差。这时候，零样本反而更好。
4.6 进阶技巧：Few-shot CoT
把少样本和思维链结合起来，就是 Few-shot CoT。
什么意思？就是给几个示例，每个示例都包含完整的推理过程。模型看了之后，不仅学会了「输出格式」，还学会了「思考方式」。
示例1：
问：小明有10元，买笔花了3元，买本子花了4元，还剩多少？
推理：10 - 3 - 4 = 3元
答：3元
示例2：
问：小红有15个糖果，分给5个朋友，每人分几个？
推理：15 ÷ 5 = 3个
答：3个
现在，请回答：
问：一个班级有40人，男生占3/5，女生有多少人？
推理：模型会接着写：「40 × (1 - 3/5) = 40 × 2/5 = 16人」——完美。
核心价值：Few-shot CoT 是目前最稳定的提示策略之一。它既给了模型「参考案例」，又给了「推理路径」，双保险。
4.7 总结与建议
好了，咱们来捋一捋今天的内容：
- 零样本提示：适合简单任务，指令要清晰，不要啰嗦。
- 少样本提示：适合格式敏感或边缘案例多的任务，示例要精不要多。
- 思维链：适合逻辑推理类任务，让模型「边想边写」。
- Few-shot CoT：最强组合，适合复杂多步任务。
最后说一句：这些方法不是互斥的。实际项目中，我经常混合使用。比如先给一个CoT示例，然后让模型零样本推理——这叫「预热」。效果往往比纯零样本好很多。
嗯，今天就到这儿。下一章咱们聊聊「角色扮演提示」——怎么让模型扮演一个特定角色，输出更符合场景的内容。到时候见。